CN115082277B - 车辆管控区域行程识别方法、装置、电子设备及存储介质 - Google Patents
车辆管控区域行程识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115082277B CN115082277B CN202211009454.6A CN202211009454A CN115082277B CN 115082277 B CN115082277 B CN 115082277B CN 202211009454 A CN202211009454 A CN 202211009454A CN 115082277 B CN115082277 B CN 115082277B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- analyzed
- vehicles
- control area
- toll
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Abstract
本发明实施例公开了车辆管控区域行程识别方法、装置、电子设备及存储介质,所述方法包括:获取高速公路收费明细数据、车辆定位数据、高速公路收费站定位数据以及所述管控区域的定位数据;基于所述高速公路收费站定位数据以及所述管控区域的定位数据,确定目标收费站;基于所述车辆定位数据以及所述目标收费站的高速公路收费明细数据,确定待分析车辆;获取所述待分析车辆在所述管控区域内的停留时间,将所述停留时间超过所述预设时长的车辆确定为所述目标车辆。本发明通过自动获取高速公路相关数据和车辆相关数据,自动识别车辆是否经过管控区域,并根据车辆在管控区域停留时间对目标车辆进行精确识别,有效提升了目标车辆识别的效率和准确性。
Description
技术领域
本发明涉及高速公路车辆识别技术领域,尤其涉及一种车辆管控区域行程识别方法、装置、电子设备及存储介质。
背景技术
现有高速公路出口检测点,仅能根据车辆的车牌号码以及人工询问的方式,判断车辆是否经过疫情管控区域,通过人工方式进行车辆排查,不仅费时费力,且容易出现检查遗漏的问题。
因此,亟需一种能够准确判断车辆是否经过管控区域的车辆识别方案。
发明内容
为了解决上述技术问题,本申请实施例提供了一种车辆管控区域行程识别方法、装置、电子设备及存储介质,具体方案如下:
第一方面,本申请实施例提供了一种车辆管控区域行程识别方法,所述方法包括:
获取高速公路收费明细数据、车辆定位数据、高速公路收费站定位数据以及管控区域的定位数据;
基于所述高速公路收费站定位数据以及所述管控区域的定位数据,确定目标收费站,其中,所述目标收费站为属于所述管控区域的高速公路收费站;
基于所述车辆定位数据以及所述目标收费站的高速公路收费明细数据,确定待分析车辆,其中,所述待分析车辆为经过所述管控区域的车辆;
获取所述待分析车辆在所述管控区域内的停留时间,将所述停留时间超过预设时长的车辆确定为所述目标车辆。
根据本申请实施例的一种具体实施方式,所述基于所述高速公路收费站定位数据以及所述管控区域定位数据,确定目标收费站的步骤,包括:
根据预设GEOHASH算法识别待分析收费站,其中,所述待分析收费站的预设距离范围内包括管控区域;
基于所述待分析收费站的定位数据、所述待分析收费站连接的高速公路的定位数据、以及所述管控区域的定位数据,判断各待分析收费站的定位数据是否属于所述管控区域;
若所述待分析收费站的定位数据属于所述管控区域,将所述待分析收费站确定为所述目标收费站。
根据本申请实施例的一种具体实施方式,所述高速公路收费明细数据包括出口明细数据和入口明细数据,所述基于所述车辆定位数据以及所述目标收费站的高速公路收费明细数据,确定待分析车辆的步骤之后,所述方法还包括:
基于各待分析车辆关联的高速公路收费明细数据以及车辆定位数据,对待分析车辆进行分类划分,以得到第一类车辆、第二类车辆、第三类车辆及第四类车辆,其中,所述第一类车辆为包括出口收费明细数据和入口收费明细数据的车辆,所述第二类车辆为包括入口收费明细数据不包括出口收费明细数据的车辆,所述第三类车辆为包括出口收费明细数据不包括入口收费明细数据的车辆,所述第四类车辆为不包括高速公路收费明细数据的车辆;
所述获取所述待分析车辆在所述管控区域内的停留时间的步骤,还包括:
根据预设时间计算方法分别计算每一类待分析车辆在所述管控区域内的停留时间。
根据本申请实施例的一种具体实施方式,所述基于各待分析车辆关联的高速公路收费明细数据以及车辆定位数据,对待分析车辆进行分类划分,以得到第一类车辆、第二类车辆、第三类车辆及第四类车辆的步骤,包括:
若待分析车辆包括目标收费站的出口收费明细数据和入口收费明细数据,将所述待分析车辆划分为第一类车辆;
若所述待分析车辆包括目标收费站的入口收费明细数据不包括目标收费站的出口收费明细记录,且所述待分析车辆的车辆定位数据中包括进入所述管控区域的轨迹点,将所述待分析车辆划分为第二类车辆;
若所述待分析车辆包括目标收费站的出口收费明细数据不包括目标收费站的入口收费明细数据,且所述待分析车辆的车辆定位数据包括离开所述管控区域的轨迹点,将所述待分析车辆划分为第三类车辆;
若所述待分析车辆不包括目标收费站的高速公路收费明细数据,且所述待分析车辆的车辆定位数据包括进入所述管控区域的轨迹点和离开所述管控区域的轨迹点,将所述待分析车辆划分为第四类车辆。
根据本申请实施例的一种具体实施方式,所述根据预设时间计算方法分别计算每一类待分析车辆在所述管控区域内的停留时间的步骤,包括:
对于所述第一类车辆,将目标收费站入口时间减去目标收费站出口时间,得到所述第一类车辆在所述管控区域内的停留时间;
对于所述第二类车辆,将目标收费站入口时间减去车辆进入管控区域的时间,得到所述第二类车辆在所述管控区域内的停留时间;
对于所述第三类车辆,将车辆离开管控区域的时间减去目标收费站出口时间,得到所述第三类车辆在所述管控区域内的停留时间;
对于所述第四类车辆,将车辆离开管控区域的时间减去车辆进入管控区域的时间,得到所述第四类车辆在所述管控区域内的时间。
第二方面,本申请实施例提供了一种车辆管控区域行程识别装置,所述装置包括:
获取模块,用于获取高速公路收费明细数据、车辆定位数据、高速公路收费站定位数据以及管控区域的定位数据;
第一确定模块,用于基于所述高速公路收费站定位数据以及所述管控区域的定位数据,确定目标收费站,其中,所述目标收费站为属于所述管控区域的高速公路收费站;
第二确定模块,用于基于所述车辆定位数据以及所述目标收费站的高速公路收费明细数据,确定待分析车辆,其中,所述待分析车辆为经过所述管控区域的车辆;
第三确定模块,用于获取所述待分析车辆在所述管控区域内的停留时间,将所述停留时间超过预设时长的车辆确定为所述目标车辆。
根据本申请实施例的一种具体实施方式,所述第一确定模块,具体用于根据预设GEOHASH算法识别待分析收费站,其中,所述待分析收费站的预设距离范围内包括管控区域;基于所述待分析收费站的定位数据、所述待分析收费站连接的高速公路的定位数据、以及所述管控区域的定位数据,判断各待分析收费站的定位数据是否属于所述管控区域;若所述待分析收费站的定位数据属于所述管控区域,将所述待分析收费站确定为所述目标收费站。
根据本申请实施例的一种具体实施方式,所述装置还包括:
分类模块,用于基于各待分析车辆关联的高速公路收费明细数据以及车辆定位数据,对待分析车辆进行分类划分,以得到第一类车辆、第二类车辆、第三类车辆及第四类车辆,其中,所述第一类车辆为包括出口收费明细数据和入口收费明细数据的车辆,所述第二类车辆为包括入口收费明细数据不包括出口收费明细数据的车辆,所述第三类车辆为包括出口收费明细数据不包括入口收费明细数据的车辆,所述第四类车辆为不包括高速公路收费明细数据的车辆;
所述第三确定模块,具体用于根据预设时间计算方法分别计算每一类待分析车辆在所述管控区域内的停留时间。
第三方面,本申请实施例提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行前述第一方面及第一方面任一实施方式所述的车辆管控区域行程识别方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序在处理器上运行时执行前述第一方面及第一方面任一实施方式所述的车辆管控区域行程识别方法。
本申请实施例提供了一种车辆管控区域行程识别方法、装置、电子设备及存储介质,所述方法包括:获取高速公路收费明细数据、车辆定位数据、高速公路收费站定位数据以及所述管控区域的定位数据;基于所述高速公路收费站定位数据以及所述管控区域的定位数据,确定目标收费站,其中,所述目标收费站为属于所述管控区域的高速公路收费站;基于所述车辆定位数据以及所述目标收费站的高速公路收费明细数据,确定待分析车辆,其中,所述待分析车辆为经过所述管控区域的车辆;获取所述待分析车辆在所述管控区域内的停留时间,将所述停留时间超过所述预设时长的车辆确定为所述目标车辆。本发明通过自动获取高速公路相关数据和车辆相关数据,自动识别车辆是否经过管控区域,并根据车辆在管控区域停留时间对目标车辆进行精确识别,有效提升了目标车辆识别的效率和准确性。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的一种车辆管控区域行程识别方法的方法流程示意图;
图2示出了本申请实施例提供的一种车辆管控区域行程识别方法中确定目标收费站步骤的应用示意图之一;
图3本申请实施例提供的一种车辆管控区域行程识别方法中确定目标收费站步骤的应用示意图之二;
图4本申请实施例提供的一种车辆管控区域行程识别方法中确定目标收费站步骤的应用示意图之三;
图5本申请实施例提供的一种车辆管控区域行程识别方法中确定目标收费站步骤的应用示意图之四;
图6本申请实施例提供的一种车辆管控区域行程识别方法中确定目标收费站步骤的应用示意图之五;
图7示出了本申请实施例提供的一种车辆管控区域行程识别装置的装置模块示意图之一;
图8示出了本申请实施例提供的一种车辆管控区域行程识别装置的装置模块示意图之二。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
参考图1,为本申请实施例提供的一种车辆管控区域行程识别方法的方法流程示意图,本申请实施例提供的车辆管控区域行程识别方法,如图1所示,所述车辆管控区域行程识别方法包括:
步骤S101,获取高速公路收费明细数据、车辆定位数据、高速公路收费站定位数据以及所述管控区域的定位数据;
在具体实施例中,当用户需要识别一种经过管控区域的指定类型的车辆时,获取高速公路相关数据、车辆相关数据以及管控区域的相关数据。
所述高速公路收费明细数据包括指定区域内的高速公路收费站的出口明细数据和入口明细数据,其中,每一条高速公路收费明细数据均包括车牌号及车辆通过时间。所述指定区域可以为全国范围,也可以为省级范围,根据实际应用场景进行自适应设置。
所述车辆定位数据包括车辆的车牌号、经纬度信息以及在每一经纬度位置对应的时间信息。
所述高速公路收费站定位数据包括高速公路收费站的经纬度信息。
所述管控区域可以为疫情防控区域,例如中高风险地区,也可以为用户自适应设置的指定区域。所述管控区域的定位数据包括指定区域的经纬度信息。在本实施例中,所述管控地区以中高风险地区作为示例进行说明,本实施例提供的车辆管控区域行程识别方法可适应性的用于识别经过任意指定区域的目标车辆。
本实施例提出的车辆管控区域行程识别装置可以从指定的高速公路数据库获取所述高速公路收费明细数据和所述高速公路收费站定位数据,从北斗导航系统数据中心或全球定位系统(Global Positioning System,简称GPS)数据中心获取所述车辆定位数据,从官方中高风险地区名单中获取所述管控区域的定位数据。
本实施例对各项数据的获取方式及获取途径不作具体限定,可根据实际应用场景选择合适的获取方式及获取途径。
步骤S102,基于所述高速公路收费站定位数据以及所述管控区域的定位数据,确定目标收费站,其中,所述目标收费站为属于所述管控区域的高速公路收费站;
具体的,本实施例在识别经过中高风险区域的车辆之前,首先需要判断各高速公路收费站是否在所述中高风险区域内,即确定属于所述管控区域的目标收费站。
在具体实施例中,确定目标收费站的方式主要是通过空间索引算法识别各高速公路收费站附近的中高风险区域,再根据高速公路收费站关联高速公路路径的定位数据以及附近的中高风险区域的定位数据,识别判断所述高速公路收费站是否处于所述中高风险区域之中。
根据本申请实施例的一种具体实施方式,所述基于所述高速公路收费站定位数据以及所述管控区域定位数据,确定目标收费站的步骤,包括:
根据预设GEOHASH算法识别待分析收费站,其中,所述待分析收费站的预设距离范围内包括管控区域;
基于所述待分析收费站的定位数据、所述待分析收费站连接的高速公路的定位数据、以及所述管控区域的定位数据,判断各待分析收费站的定位数据是否属于所述管控区域;
若所述待分析收费站的定位数据属于所述管控区域,将所述待分析收费站确定为所述目标收费站。
在具体实施例中,本实施例采用GEOHASH算法来提取高速公路收费站附近的中高风险地区。
具体的,所述GEOHASH算法为空间索引算法中的一种,其基本原理是将地球理解成一个二维平面,将平面递归分解成更小的子块,每个子块在一定经纬度范围内拥有相同的编码。
所述GEOHASHI算法可以将二维的经纬度转换为字符串,一个字符串代表了一个矩形区域。本实施例通过将所述高速公路收费站的定位数据和所述管控区域的定位数据转换为字符串,从而快速检索到高速公路收费站附近的中高风险区域。
当某一高速公路收费站的GEOHASH和某一个中高风险区域的GEOHASH相同,则表示为所述高速公路收费站匹配到了附近的所有中高风险地区,将所述高速公路收费站划分为待分析收费站,并进一步判断所述待分析收费站是否在各中高风险地区之中。
本实施例基于空间索引方法同时匹配高速公路收费站和中高风险区域的定位数据,无需遍历全部中高风险区域的定位数据,有效节省了目标车辆识别的计算时间,提高了目标收费站识别的计算效率。
进一步的,在获取各待分析收费站后,需要继续判断待分析收费站是否处于中高风险区域内。
本实施例通过射线法判定待分析收费站是否处于中高风险区域内。
如图2所示,从目标点引出一条水平向右的射线,如果该射线与多边形所有边的交点数目为奇数,那么说明目标点在多边形内部;如果该射线与多边形所有边的交点数目为偶数,那么说明目标点在多边形外部。
其中,所述目标点为待分析收费站,所述射线为所述待分析收费站关联的高速公路路线情况,所述多边形为中高风险区域,所述多边形的各条边为所述中高风险区域的边界。
示例性的,在具体判断过程中,还包括以下多种识别处理情况:
情况1,判断目标点是否在多边形的外接四边形外部。
如果目标点处在多边形的外接四边形外部,则目标点一定在多边形外部,其中,所述外接四边形即由多边形的最小横坐标、最大横坐标、最小纵坐标、最大纵坐标构成的四边形。
设目标点为(x0,y0),最小横坐标minx,最大横坐标maxx,最小纵坐标miny,最大纵坐标maxy,如果目标点(x0,y0)满足x0<minx、x0>maxx、y0<miny以及y0>maxy,则说明所述目标点(x0,y0)不在多边形内部,此时无需进行下一步判断;否则可以进一步判断目标点是否在多边形内部。
情况2,判断目标点是否在多边形边界上。
如图3所示,目标点在多边形边界上的情况具体可以分为如下两种情况,一是判断目标点是否在多边形顶点上,如果目标点与多边形的某个顶点重合,则目标点在多边形顶点上;
二是判断目标点是否在多边形边上,如果目标点处在多边形某条边的横向投影内和纵向投影内,并且目标点分别与该边两端点构成的线段的斜率相等,则目标点在多边形上。具体的数学表达如下:
设目标点(x0,y0),多边形的一条边由(x1,y1)和(x2,y2)连接的线段构成,如果满足x0>x1&&x0<x2&&y0>y1&&y0<y2,并且(y0-y1)/(x0-x1)=(y0-y2)/(x0-x2),那么目标点在多边形的边上。
情况3,排除无效的多边形边。
如图4所示,从目标点向右水平引出射线,多边形内存在一些边无法与射线相交,设目标点为(x0,y0),多边形的一条边由(x1,y1)和(x2,y2)连接的线段构成,射线与边无相交的情况如下:1)一条边位于射线左侧,x0>max(x1,x2);2)一条边位于射线上方或者下方,y0>max(y1,y2)或者y0<min(y1,y2)。
如果目标点水平射线与多边形内一条边重合,将产生无数个交点,在这种情况下,处理方法是忽略这条边。
情况4,对目标点引射线穿过多边形顶点的情况进行特别判定。
目标点穿过多边形顶点存在两种情况,第一种如图5所示,共享该顶点的两条边分列于射线的两侧,此时射线分别与这两条边发生相交,如果交点计为2,则目标点会被判定为在多边形外部,但是实际上目标点在多边形内部,因此判断错误,所以针对这种情况的判定方法是只认为一条边的较高顶点与目标点引射线的交点为有效交点。
第二种情况如图6所示,目标点引射线经过多边形顶点,针对这种情况,依然采取一条边的较高顶点与目标点引射线的交点为有效交点的判定方法。如图6左图所示,目标点引射线分别与a、b、c、d边的顶点相交,只有d边的较高顶点与目标点引射线相交,因此只有1个有效交点;如图6右图所示,目标点引射线分别与a、b、c、d边的顶点相交,其中a、b、c边的较高顶点与目标点引射线相交,因此总共有3个有效交点。
情况5,对剩余多边形的边进行判定。
如果目标点的纵坐标在多边形某条边两个端点的纵坐标之间,那么目标点引射线必定与该条边相交。设目标点为(x0,y0),多边形的一条边由(x1,y1)和(x2,y2)连接的线段构成,如果y0>y1&&y0<y2,那么(x0,y0)引射线与该条边相交。
在具体实施例中,经过上述各种情况的判定,可以识别出所述待分析收费站中属于中高风险区域的所有目标收费站。本申请通过所述GEOHASH算法和射线法结合,能够高效且准确的识别出属于中高风险区域的所有目标收费站。
根据本申请实施例的一种具体实施方式,本申请基于车辆定位数据判断车辆是否经过中高风险区域的判断方法,也可以采用上述实施例中举例说明的射线法进行判断。将车辆作为目标点,将车辆移动轨迹点作为射线进行适应性替换即可。此处不再一一赘述。
步骤S103,基于所述车辆定位数据以及所述目标收费站的高速公路收费明细数据,确定待分析车辆,其中,所述待分析车辆为经过所述管控区域的车辆;
在具体实施例中,在识别出所述目标收费站后,需要进一步识别在中高风险区域停留过的待分析车辆,若所述待分析车辆在中高风险区域停留的时间超过预设时间值,则认为待分析车辆为需要识别的目标车辆。
具体的,车辆如果具有所述目标收费站的高速公路收费明细数据,或根据所述车辆的车辆定位数据识别出车辆的经纬度在中高风险区域内,则可以判断该车辆为在中高风险区域停留过的待分析车辆。
根据本申请实施例的一种具体实施方式,所述高速公路收费明细数据包括出口明细数据和入口明细数据,所述基于所述车辆定位数据以及所述目标收费站的高速公路收费明细数据,确定待分析车辆的步骤之后,所述方法还包括:
基于各待分析车辆关联的高速公路收费明细数据以及车辆定位数据,对待分析车辆进行分类划分,以得到第一类车辆、第二类车辆、第三类车辆及第四类车辆,其中,所述第一类车辆为包括出口收费明细数据和入口收费明细数据的车辆,所述第二类车辆为包括入口收费明细数据不包括出口收费明细数据的车辆,所述第三类车辆为包括出口收费明细数据不包括入口收费明细数据的车辆,所述第四类车辆为不包括高速公路收费明细数据的车辆;
所述获取所述待分析车辆在所述管控区域内的停留时间的步骤,还包括:
根据预设时间计算方法分别计算每一类待分析车辆在所述管控区域内的停留时间。
在具体实施例中,在识别出待分析车辆后,还需进一步评估待分析车辆在中高风险区域内的停留时间,停留时间的计算为目标车辆识别的关键特征,为提高停留时间的计算效率,本实施例将全部待分析车辆划分为四类车辆,并分别对每一类车辆进行停留时间的计算。
具体的,所述第一类车辆存在从某中高风险区域收费站下高速的记录,且在一定时间T内的下一条高速公路收费明细数据为该中高风险地区收费站上高速的记录。
具体的,所述第一类车辆的出口收费明细数据和入口收费明细数据可以为一个目标收费站的高速公路收费明细数据,也可以为同一个中高风险区域内不同目标收费站的高速公路收费明细数据,根据实际应用场景进行自适应替换。
所述第一类车辆一般为在中高风险区域下高速后,经过一段时间停留,再通过高速从该中高风险区域离开。
所述第二类车辆只存在从中高风险区域上高速的记录,所述第二类车辆一般为未通过高速公路进入中高风险地区,经过一段时间停留,通过高速公路从该中高风险区域离开。
所述第三类车辆只存在从中高风险区域下高速的记录,所述第三类车辆一般为在中高风险区域下高速后,经过一段时间停留,未通过高速公路离开该中高风险区域。
第四类车辆不存在中高风险区域上下高速的记录,但定位数据中经纬度曾出现在中高风险区域内。第四类车辆一般为未通过高速公路进入或离开中高风险区域。
根据本申请实施例的一种具体实施方式,所述基于各待分析车辆关联的高速公路收费明细数据以及车辆定位数据,对待分析车辆进行分类划分,以得到第一类车辆、第二类车辆、第三类车辆及第四类车辆的步骤,包括:
若待分析车辆包括目标收费站的出口收费明细数据和入口收费明细数据,将所述待分析车辆划分为第一类车辆;
若所述待分析车辆包括目标收费站的入口收费明细数据不包括目标收费站的出口收费明细记录,且所述待分析车辆的车辆定位数据中包括进入所述管控区域的轨迹点,将所述待分析车辆划分为第二类车辆;
若所述待分析车辆包括目标收费站的出口收费明细数据不包括目标收费站的入口收费明细数据,且所述待分析车辆的车辆定位数据包括离开所述管控区域的轨迹点,将所述待分析车辆划分为第三类车辆;
若所述待分析车辆不包括目标收费站的高速公路收费明细数据,且所述待分析车辆的车辆定位数据包括进入所述管控区域的轨迹点和离开所述管控区域的轨迹点,将所述待分析车辆划分为第四类车辆。
在具体实施例中,所述分类方法的具体执行步骤如下:
步骤1:将高速公路出口收费明细数据以及入口收费明细数据按车牌号进行聚合,得到一定时间内各车辆的高速公路行驶记录,并将记录中涉及中目标收费站的高速公路行驶记录提取出来。
步骤2:按照时间对各车辆的高速公路行驶记录进行排序,根据出口时间、入口时间以及目标收费站位置进行配对,将全部配对成功的车辆数据分到第一类车辆中。将未成功配对出口数据的车辆数据分到第二类车辆中。将未成功配对的入口数据的车辆数据分到第三类车辆中。
步骤3:提取车辆定位数据与中高风险区域的定位数据存在重合的车辆,且在一定时间内没有高速行驶记录,将这部分的车辆数据分到第四类车辆中。
步骤S104,获取所述待分析车辆在所述管控区域内的停留时间,将所述停留时间超过所述预设时长的车辆确定为所述目标车辆。
在具体实施例中,所述预设时长可以根据实际应用场景进行自适应设置,此处不作具体限定。
若待分析车辆在中高风险地区停留超过预设时长,则说明车辆具备疫情防控风险,则需要将所述待分析车辆标记为目标车辆,在下一检测点对所述目标车辆进行拦截处理。
在具体实施例中,可以针对待分析车辆的车牌号与预设时长进行关联分数计算,预设时长越长,所述待分析车辆的风险分数越高,风险分数高于预设风险阈值的车辆,确定为目标车辆。
所述目标车辆的确定也可以采用其它处理方法,此处不作唯一限定。
根据本申请实施例的一种具体实施方式,所述根据预设时间计算方法分别计算每一类待分析车辆在所述管控区域内的停留时间的步骤,包括:
对于所述第一类车辆,将目标收费站入口时间减去目标收费站出口时间,得到所述第一类车辆在所述管控区域内的停留时间;
对于所述第二类车辆,将目标收费站入口时间减去车辆进入管控区域的时间,得到所述第二类车辆在所述管控区域内的停留时间;
对于所述第三类车辆,将车辆离开管控区域的时间减去目标收费站出口时间,得到所述第三类车辆在所述管控区域内的停留时间;
对于所述第四类车辆,将车辆离开管控区域的时间减去车辆进入管控区域的时间,得到所述第四类车辆在所述管控区域内的时间。
在具体实施例中,根据车辆划分情况,分别计算车辆在中高风险区域的停留时间。
对于第一类车辆,此类车辆在中高风险地区的停留时间t=该车辆上高速的时间t2-该车辆下高速的时间t1。
对于第二类车辆,提取该车辆下高速时的时间t1,提取时间t1后一定时间T内的车辆定位数据;按时间顺序遍历所述车辆定位数据中的各轨迹点,提取第一个出现在中高风险地区外的轨迹点时间t2;此类车辆在中高风险地区的停留时间t=第一个出现在中高风险地区外的轨迹点时间t2-该车辆下高速的时间t1。
对于第三类车辆,提取该车辆上高速时的时间t2,提取时间t2前一定时间T内的车辆定位数据;按时间遍历所述车辆定位数据中的各轨迹点,提取第一个出现在中高风险地区外的轨迹点时间t1;此类车辆在中高风险地区的停留时间t=该车辆上高速的时间t2-第一个出现在中高风险地区外的轨迹点时间t1。
对于第四类车辆,去除前3类车辆的定位数据,提取定位数据中曾出现在中高风险地区的剩余车辆数据;遍历剩余车辆数据的定位轨迹点,判断该轨迹点所属车辆之前是否进入某个中高风险地区。如果该轨迹点所属车辆之前进入某个中高风险地区,则判断该轨迹点是否离开该中高风险地区,如果离开中高风险地区,那么该车辆构成一次途径中高风险地区行为,停留时间t=第一个出现在中高风险地区外的轨迹点时间t2-第一个出现在中高风险地区外的轨迹点时间t1;如果没有离开中高风险地区,则抛弃该轨迹点;
如果该轨迹点所属车辆之前未进入某个中高风险地区,则判断该轨迹点是否进入某个中高风险地区,如果进入某个中高风险地区,那么该轨迹点为进入该中高风险地区的首个轨迹点,反之,抛弃该轨迹点;直至遍历完该车辆的所有轨迹点。
综上,本申请实施例提供了一种车辆管控区域行程识别方法,通过获取多种数据源,综合判断车辆是否经过预设管控区域,并对经过预设管控区域的车辆进行分类判定,对于不同类型的车辆采用不同的方法统计在管控区域内停留的时间,能够在保证高效识别目标车辆的同时,确保目标车辆的识别准确性。
另外,本申请不需要额外的硬件设备成本,即可以辅助判别车辆是否途径中高风险地区并计算停留时间,节省了人力物力,提高对有中高风险地区行程车辆排查的针对性、精准性,提高检查效率,减少检查点周边道路拥堵。
参考图7,为本申请实施例提供的一种车辆管控区域行程识别装置700的装置模块示意图,本申请实施例提供的车辆管控区域行程识别装置700,如图7所示,所述车辆管控区域行程识别装置700包括:
获取模块701,用于获取高速公路收费明细数据、车辆定位数据、高速公路收费站定位数据以及所述管控区域的定位数据;
第一确定模块702,用于基于所述高速公路收费站定位数据以及所述管控区域的定位数据,确定目标收费站,其中,所述目标收费站为属于所述管控区域的高速公路收费站;
第二确定模块703,用于基于所述车辆定位数据以及所述目标收费站的高速公路收费明细数据,确定待分析车辆,其中,所述待分析车辆为经过所述管控区域的车辆;
第三确定模块704,用于获取所述待分析车辆在所述管控区域内的停留时间,将所述停留时间超过所述预设时长的车辆确定为所述目标车辆。
根据本申请实施例的一种具体实施方式,所述第一确定模块702,具体用于根据预设GEOHASH算法识别待分析收费站,其中,所述待分析收费站的预设距离范围内包括管控区域;基于所述待分析收费站的定位数据、所述待分析收费站连接的高速公路的定位数据、以及所述管控区域的定位数据,判断各待分析收费站的定位数据是否属于所述管控区域;若所述待分析收费站的定位数据属于所述管控区域,将所述待分析收费站确定为所述目标收费站。
根据本申请实施例的一种具体实施方式,如图8所示,本实施例提出的所述高速公路车辆识别装置700还包括:
分类模块705,用于基于各待分析车辆关联的高速公路收费明细数据以及车辆定位数据,对待分析车辆进行分类划分,以得到第一类车辆、第二类车辆、第三类车辆及第四类车辆,其中,所述第一类车辆为包括出口收费明细数据和入口收费明细数据的车辆,所述第二类车辆为包括入口收费明细数据不包括出口收费明细数据的车辆,所述第三类车辆为包括出口收费明细数据不包括入口收费明细数据的车辆,所述第四类车辆为不包括高速公路收费明细数据的车辆;
所述第三确定模块704,具体用于根据预设时间计算方法分别计算每一类待分析车辆在所述管控区域内的停留时间。
另外,本申请实施例还提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行前述实施例中的车辆管控区域行程识别方法。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序在处理器上运行时执行前述实施例中的车辆管控区域行程识别方法。
综上所述,本申请实施例提供了一种车辆管控区域行程识别方法、装置、电子设备及存储介质,本申请结合高速公路收费明细数据以及车辆定位数据,对车辆途径地区进行追踪,可供各地疫情防控部门对到达本地的车辆进行分类筛查,提高对有中高风险地区行程车辆排查的针对性、精准性,提高检查效率,减少车辆检查点周边道路拥堵。另外,上述实施例中提到的车辆管控区域行程识别装置、电子设备及计算机可读存储介质的具体实施过程,可以参见上述方法实施例的具体实施过程,在此不再一一赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种车辆管控区域行程识别方法,其特征在于,所述方法包括:
获取高速公路收费明细数据、车辆定位数据、高速公路收费站定位数据以及管控区域的定位数据;
基于所述高速公路收费站定位数据以及所述管控区域的定位数据,确定目标收费站,其中,所述目标收费站为属于所述管控区域的高速公路收费站;
基于所述车辆定位数据以及所述目标收费站的高速公路收费明细数据,确定待分析车辆,其中,所述待分析车辆为经过所述管控区域的车辆,所述高速公路收费明细数据包括出口明细数据和入口明细数据;
获取所述待分析车辆在所述管控区域内的停留时间,将所述停留时间超过预设时长的车辆确定为所述目标车辆;
所述基于所述车辆定位数据以及所述目标收费站的高速公路收费明细数据,确定待分析车辆的步骤之后,所述方法还包括:
基于各待分析车辆关联的高速公路收费明细数据以及车辆定位数据,对待分析车辆进行分类划分,以得到第一类车辆、第二类车辆、第三类车辆及第四类车辆,其中,所述第一类车辆为包括出口收费明细数据和入口收费明细数据的车辆,所述第二类车辆为包括入口收费明细数据不包括出口收费明细数据的车辆,所述第三类车辆为包括出口收费明细数据不包括入口收费明细数据的车辆,所述第四类车辆为不包括高速公路收费明细数据的车辆;
所述获取所述待分析车辆在所述管控区域内的停留时间的步骤,还包括:
根据预设时间计算方法分别计算每一类待分析车辆在所述管控区域内的停留时间;
所述基于所述高速公路收费站定位数据以及所述管控区域定位数据,确定目标收费站的步骤,包括:
根据预设GEOHASH算法识别待分析收费站,其中,所述待分析收费站的预设距离范围内包括管控区域;
基于所述待分析收费站的定位数据、所述待分析收费站连接的高速公路的定位数据、以及所述管控区域的定位数据,判断各待分析收费站的定位数据是否属于所述管控区域;
若所述待分析收费站的定位数据属于所述管控区域,将所述待分析收费站确定为所述目标收费站。
2.根据权利要求1所述的方法,其特征在于,所述基于各待分析车辆关联的高速公路收费明细数据以及车辆定位数据,对待分析车辆进行分类划分,以得到第一类车辆、第二类车辆、第三类车辆及第四类车辆的步骤,包括:
若待分析车辆包括目标收费站的出口收费明细数据和入口收费明细数据,将所述待分析车辆划分为第一类车辆;
若所述待分析车辆包括目标收费站的入口收费明细数据不包括目标收费站的出口收费明细记录,且所述待分析车辆的车辆定位数据中包括进入所述管控区域的轨迹点,将所述待分析车辆划分为第二类车辆;
若所述待分析车辆包括目标收费站的出口收费明细数据不包括目标收费站的入口收费明细数据,且所述待分析车辆的车辆定位数据包括离开所述管控区域的轨迹点,将所述待分析车辆划分为第三类车辆;
若所述待分析车辆不包括目标收费站的高速公路收费明细数据,且所述待分析车辆的车辆定位数据包括进入所述管控区域的轨迹点和离开所述管控区域的轨迹点,将所述待分析车辆划分为第四类车辆。
3.根据权利要求2所述的方法,其特征在于,所述根据预设时间计算方法分别计算每一类待分析车辆在所述管控区域内的停留时间的步骤,包括:
对于所述第一类车辆,将目标收费站入口时间减去目标收费站出口时间,得到所述第一类车辆在所述管控区域内的停留时间;
对于所述第二类车辆,将目标收费站入口时间减去车辆进入管控区域的时间,得到所述第二类车辆在所述管控区域内的停留时间;
对于所述第三类车辆,将车辆离开管控区域的时间减去目标收费站出口时间,得到所述第三类车辆在所述管控区域内的停留时间;
对于所述第四类车辆,将车辆离开管控区域的时间减去车辆进入管控区域的时间,得到所述第四类车辆在所述管控区域内的时间。
4.一种车辆管控区域行程识别装置,其特征在于,所述装置包括:
获取模块,用于获取高速公路收费明细数据、车辆定位数据、高速公路收费站定位数据以及管控区域的定位数据;
第一确定模块,用于基于所述高速公路收费站定位数据以及所述管控区域的定位数据,确定目标收费站,其中,所述目标收费站为属于所述管控区域的高速公路收费站;
第二确定模块,用于基于所述车辆定位数据以及所述目标收费站的高速公路收费明细数据,确定待分析车辆,其中,所述待分析车辆为经过所述管控区域的车辆,所述高速公路收费明细数据包括出口明细数据和入口明细数据;
分类模块,用于基于各待分析车辆关联的高速公路收费明细数据以及车辆定位数据,对待分析车辆进行分类划分,以得到第一类车辆、第二类车辆、第三类车辆及第四类车辆,其中,所述第一类车辆为包括出口收费明细数据和入口收费明细数据的车辆,所述第二类车辆为包括入口收费明细数据不包括出口收费明细数据的车辆,所述第三类车辆为包括出口收费明细数据不包括入口收费明细数据的车辆,所述第四类车辆为不包括高速公路收费明细数据的车辆;
第三确定模块,用于获取所述待分析车辆在所述管控区域内的停留时间,将所述停留时间超过预设时长的车辆确定为所述目标车辆;
所述第三确定模块,具体用于根据预设时间计算方法分别计算每一类待分析车辆在所述管控区域内的停留时间;
所述第一确定模块,具体用于根据预设GEOHASH算法识别待分析收费站,其中,所述待分析收费站的预设距离范围内包括管控区域;基于所述待分析收费站的定位数据、所述待分析收费站连接的高速公路的定位数据、以及所述管控区域的定位数据,判断各待分析收费站的定位数据是否属于所述管控区域;若所述待分析收费站的定位数据属于所述管控区域,将所述待分析收费站确定为所述目标收费站。
5.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行权利要求1至3任一项所述的车辆管控区域行程识别方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至3中任一项所述的车辆管控区域行程识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009454.6A CN115082277B (zh) | 2022-08-23 | 2022-08-23 | 车辆管控区域行程识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009454.6A CN115082277B (zh) | 2022-08-23 | 2022-08-23 | 车辆管控区域行程识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082277A CN115082277A (zh) | 2022-09-20 |
CN115082277B true CN115082277B (zh) | 2022-11-11 |
Family
ID=83245269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211009454.6A Active CN115082277B (zh) | 2022-08-23 | 2022-08-23 | 车辆管控区域行程识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082277B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238024B (zh) * | 2022-09-26 | 2022-12-20 | 交通运输部科学研究院 | 高速公路设施定位方法、装置、电子设备及存储介质 |
CN115294778A (zh) * | 2022-09-28 | 2022-11-04 | 四川科泰智能电子有限公司 | 一种区域车辆进出统计方法和系统 |
CN115862337B (zh) * | 2023-03-01 | 2023-05-23 | 杭州三一谦成科技有限公司 | 一种基于云端的车辆行程检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777004A (zh) * | 2018-06-25 | 2018-11-09 | 交通运输部科学研究院 | 高速公路客运车辆跨省匹配方法及装置 |
CN109615853A (zh) * | 2018-11-29 | 2019-04-12 | 重庆首讯科技股份有限公司 | 识别高速公路疑似非法营运车辆的方法及设备 |
CN112685520A (zh) * | 2020-12-22 | 2021-04-20 | 北京中交兴路信息科技有限公司 | 根据车辆轨迹判断车辆进出收费站的方法及装置 |
CN113496211A (zh) * | 2021-06-22 | 2021-10-12 | 北京格灵深瞳信息技术股份有限公司 | 目标车辆确定方法、装置、电子设备及存储介质 |
CN113838283A (zh) * | 2021-09-03 | 2021-12-24 | 北京中交兴路信息科技有限公司 | 一种车辆的位置状态标记方法、装置、存储介质及终端 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6761708B2 (ja) * | 2016-09-05 | 2020-09-30 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 駐車位置特定方法、駐車位置学習方法、駐車位置特定システム、駐車位置学習装置およびプログラム |
US20210166145A1 (en) * | 2019-12-02 | 2021-06-03 | Lyft, Inc. | Leveraging Traffic Patterns to Understand Traffic Rules |
CN113129461A (zh) * | 2021-04-06 | 2021-07-16 | 深圳市沃特沃德信息有限公司 | 高速路段的自动收费方法、装置和计算机设备 |
CN114446064B (zh) * | 2021-12-31 | 2023-04-28 | 北京掌行通信息技术有限公司 | 一种分析高速公路服务区流量的方法、装置、存储介质及终端 |
CN114664087B (zh) * | 2022-03-23 | 2023-04-14 | 北京中交兴路信息科技有限公司 | 基于轨迹识别车辆上下高速的方法、装置、设备及介质 |
CN114822050B (zh) * | 2022-03-30 | 2023-07-21 | 阿里巴巴(中国)有限公司 | 路况识别方法、电子设备及计算机程序产品 |
-
2022
- 2022-08-23 CN CN202211009454.6A patent/CN115082277B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777004A (zh) * | 2018-06-25 | 2018-11-09 | 交通运输部科学研究院 | 高速公路客运车辆跨省匹配方法及装置 |
CN109615853A (zh) * | 2018-11-29 | 2019-04-12 | 重庆首讯科技股份有限公司 | 识别高速公路疑似非法营运车辆的方法及设备 |
CN112685520A (zh) * | 2020-12-22 | 2021-04-20 | 北京中交兴路信息科技有限公司 | 根据车辆轨迹判断车辆进出收费站的方法及装置 |
CN113496211A (zh) * | 2021-06-22 | 2021-10-12 | 北京格灵深瞳信息技术股份有限公司 | 目标车辆确定方法、装置、电子设备及存储介质 |
CN113838283A (zh) * | 2021-09-03 | 2021-12-24 | 北京中交兴路信息科技有限公司 | 一种车辆的位置状态标记方法、装置、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN115082277A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082277B (zh) | 车辆管控区域行程识别方法、装置、电子设备及存储介质 | |
Tian et al. | An automatic car accident detection method based on cooperative vehicle infrastructure systems | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN112017447B (zh) | 一种基于gps位置信息判定车辆逆行违规的方法及系统 | |
CN109615853B (zh) | 识别高速公路疑似非法营运车辆的方法及设备 | |
CN107506368A (zh) | 一种类案嫌疑车辆的确定方法及装置 | |
CN111351499B (zh) | 路径识别方法、装置、计算机设备和计算机可读存储介质 | |
CN105303823A (zh) | 车辆违规监控方法和系统 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
Hardjono et al. | Vehicle counting quantitative comparison using background subtraction, viola jones and deep learning methods | |
CN107529659A (zh) | 安全带佩戴检测方法、装置及电子设备 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN113011331B (zh) | 机动车是否礼让行人的检测方法、装置、电子设备及介质 | |
CN113947743A (zh) | 车辆违章行驶检测方法、装置、计算机设备和存储介质 | |
Ali et al. | Future connected vehicles: challenges and opportunities for spatio-temporal computing | |
CN110751837B (zh) | 高速行车路径确定方法、装置、设备和存储介质 | |
CN111368868A (zh) | 确定车辆套牌的方法、装置及设备 | |
CN113160546B (zh) | 一种危险路段的识别方法及装置 | |
Song et al. | Impact of event encoding and dissimilarity measures on traffic crash characterization based on sequence of events | |
CN111754781A (zh) | 一种车辆违章检测的方法、装置、系统及摄像机 | |
CN113723316B (zh) | 一种车辆识别方法、装置、设备及存储介质 | |
CN111369800B (zh) | 让行车辆识别方法和装置 | |
CN115209342B (zh) | 一种地铁司机识别方法、系统和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |