CN115995151A - 应用于城市管理的网约车异常行为检测方法 - Google Patents
应用于城市管理的网约车异常行为检测方法 Download PDFInfo
- Publication number
- CN115995151A CN115995151A CN202310205964.9A CN202310205964A CN115995151A CN 115995151 A CN115995151 A CN 115995151A CN 202310205964 A CN202310205964 A CN 202310205964A CN 115995151 A CN115995151 A CN 115995151A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- network
- track
- feature
- 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.)
- Granted
Links
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 title abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 13
- 238000007667 floating Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002243 precursor Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000011161 development Methods 0.000 description 3
- 101000606504 Drosophila melanogaster Tyrosine-protein kinase-like otk Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种应用于城市管理的网约车异常行为检测方法，包括：基于实时接收到的车辆位置数据确定网约车辆当前的行驶轨迹，基于目标订单用户的行程信息以及与目标订单用户具有相似行程信息的若干订单任务为网约车辆生成相应的相邻任务集合；基于网约车辆的相邻任务集合和网约车辆的推荐行驶路线确定网约车辆当前的行驶轨迹是否产生偏离；若是，获取当前道路的若干第一模态数据集和当前道路依赖的前向道路的若干第二模态数据集；基于归一化处理后的第一模态数据集和第二模态数据集确定网约车辆的离道行为是否为异常离道行为。
Description
技术领域
本发明涉及智慧城市和大数据领域，尤其涉及一种应用于城市管理的网约车异常行为检测方法。
背景技术
网约车是网络预约出租汽车的简称，乘客可以通过移动设备在网上直接与司机进行预约，网约车司机接单后到指定地点接乘客到目的地，网约车的司机和车辆也经过登记和审核，目前，网约车非常常见，如出租车、专车、顺风车、快车等，满足用户多样化的出行需求。随着通信技术的发展，共享经济逐步延伸到各个领域，给人们的生活带很多便利。
在共享经济不断发展的大背景下，网约用车模式的便利性使其必然成为一种被大众广为接受的新型用车模式。但当前网约用车模式还存在很多问题，监管困难。不仅会对网约用车服务提供商带来很大的隐患，还直接制约了网约用车模式的发展。例如，相关平台对网约车辆的监管力度不够，导致乘客在打车的时候，司机有意或无意的没有按照推荐的行驶路线行驶，造成乘客行程时间紧张，乘客体验乘车体验较差，甚至导致悲剧事件的发生。因此，还需加强对网约车辆行驶轨迹的监控，消除车辆轨迹偏离所带来的此类安全隐患。
发明内容
为了解决上述问题，本发明提供了一种应用于城市管理的网约车异常行为检测方法，包括：
基于实时接收到的车辆位置数据确定网约车辆当前的行驶轨迹，基于目标订单用户的行程信息以及与目标订单用户具有相似行程信息的若干订单任务确定第一有向道路图和第二有向道路图，并根据所述第一有向道路图和第二有向道路图为网约车辆生成相应的相邻任务集合，其中，所述车辆位置数据包括车辆编号、定位时间戳和车辆位置信息；
基于网约车辆的相邻任务集合和网约车辆的推荐行驶路线确定网约车辆当前的行驶轨迹是否产生偏离，其中，所述推荐行驶路线由系统根据目标订单用户的行程信息自动生成；
若是，分别向网约车辆偏离的当前道路的路边单元和当前道路依赖的前向道路的路边单元发送模态数据请求以获取若干第一模态数据集和若干第二模态数据集，并分别根据每个第一模态数据集的第一模态特征矩阵和每个第二模态数据集的第二模态特征矩阵对所有第一模态数据集和所有第二模态数据集进行归一化处理；
基于归一化处理后的第一模态数据集和第二模态数据集分析得到当前道路的第一通行特征和前向道路的第二通行特征，并基于当前道路的第一通行特征和前向道路的第二通行特征确定网约车辆的离道行为是否为异常离道行为。
根据一个优选实施方式，基于实时接收到的车辆位置数据确定网约车辆当前的行驶轨迹包括：
将各个定位时间戳下的车辆位置信息映射至城市地图的相应位置点上以判断所述定位时间戳下的车辆位置点是否为浮动位置点，并删除网约车辆的所有浮动位置点；
获取预设数量的每个车辆位置点的前向位置点和后向位置点，根据所有前向位置点的坐标值分析得到对应车辆位置点的前驱方向矢量，根据所有后向位置点的坐标值分析得到对应车辆位置点的后驱方向矢量；
根据车辆位置点的前驱方向矢量和后驱方向矢量确定对应车辆位置点的方向夹角，对所有车辆位置点方向夹角的夹角变量取极值，并以各个极值点为中心对所有车辆位置点进行聚类以生成相应的位置点域；
根据每个车辆位置点的定位时间戳识别位置点域中的车辆滞留点，并删除网约车辆的所有车辆滞留点，然后对位置点域中的车辆位置点进行线性拟合以得到网约车辆当前的行驶轨迹。
根据一个优选实施方式，所述前驱方向矢量为所有前向位置点的轨迹向量矢量之和，所述后驱方向矢量为所有后向位置点的轨迹向量矢量之和。
根据一个优选实施方式，所述基于目标订单用户的行程信息以及与目标订单用户具有相似行程信息的若干订单任务确定第一有向道路图和第二有向道路图包括：
基于目标订单用户的行程信息从城市地图中为网约车辆匹配推荐行驶路线中的多个道路节点，获取每个道路节点的分支结构，并对所有道路节点的分支结构进行排序以构造第一有向道路图；
基于目标订单用户的行程信息从数据库中获取与目标订单用户具有相似行程信息的若干订单任务，获取对应网约车辆完成相应订单任务时经过的所有道路节点以确定对应订单任务的第二有向道路图。
根据一个优选实施方式，所述根据所述第一有向道路图和第二有向道路图为网约车辆生成相应的相邻任务集合包括：
分别提取第一有向道路图和第二有向道路图中各个道路节点的基础特征，并对每个道路节点的分支结构所包含的所有道路节点的基础特征进行聚集分析以得到每个道路节点的递归特征，其中，所述基础特征为对应道路节点的局部结构特征，其包括由对应道路节点与其分支道路节点所组成的道路网络的节点数量、形状特征和位置特征；
基于第一有向道路图中各个道路节点的节点特征向量和第二有向道路图中各个道路节点的节点特征向量对第一有向道路图和第二有向道路图进行特征匹配以得到对应第二有向道路图与第一有向道路图之间的特征相似度，并根据所述特征相似度确定网约车辆的相邻任务集合，其中，所述节点特征向量由对应道路节点的基础特征和递归特征融合处理所得。
根据一个优选实施方式，所述递归特征为对应局部结构特征中的各个特征求和以及求平方递归产生的新特征。
根据一个优选实施方式，基于网约车辆的相邻任务集合和网约车辆的推荐行驶路线确定网约车辆当前的行驶轨迹是否产生偏离包括：
提取网约车辆当前的行驶轨迹的轨迹特征，将其与推荐行驶路线的轨迹特征进行比较以确定所述网约车辆当前的行驶轨迹是否与推荐行驶路线产生偏离；
若是，基于网约车辆的相邻任务集合对应的所有第二有向道路图和目标订单用户的订单任务对应的第一有向道路图构造长度为1的第一轨迹集合，基于所述第一有向道路图和所述第二有向道路图中各个道路节点的分支结构构造长度为1的第二轨迹集合，并基于关联规则分别对所述第一轨迹集合和所述第二轨迹集合进行频繁项集挖掘，得到所述网越车辆在执行当前订单任务时的第一局部频繁轨迹集合和第二局部频繁轨迹集合；
将第一局部频繁轨迹集合中的频繁轨迹作为第二局部频繁轨迹中的频繁轨迹的前序轨迹序列，以对第一局部频繁轨迹集合和第二局部频繁轨迹集合进行频繁项集拼接，得到若干长度为2的第三局部频繁轨迹集合；
重复上述步骤，得到所有满足最小支持长度阈值的局部频繁轨迹集合，将网约车辆当前的行驶轨迹与局部频繁轨迹集合中每个满足长度的频繁轨迹进行匹配以确定网约车辆当前的行驶轨迹是否产生偏离。
根据一个优选实施方式，所述分别根据每个第一模态数据集的第一模态特征矩阵和每个第二模态数据集的第二模态特征矩阵对所有第一模态数据集和所有第二模态数据集进行归一化处理包括：
将第一模态数据集中的所有模态特征数据转化为对应的模态特征矢量，以为所述第一模态数据集构建相应的第一模态特征矩阵；
基于所述第一模态数据集中每个模态特征数据的时段属性和路段属性为所述第一模态特征矩阵构建相应的模态特征空间，并将所述第一模态特征矩阵中的模态特征矢量映射至所述模态特征空间中以得到每个模态特征矢量的关键特征矢量，其中，所述时段属性用于表征对应模态特征数据的采集时间特征，所述路段属性用于表征对应模态特征数据的采集位置特征；
根据上述步骤获取每个第一模态数据集对应的所有关键特征矢量，并对每个第一模态数据集对应的多个关键特征矢量进行特征匹配以将特征距离小于距离阈值的每对关键特征矢量对应的模态特征数据作为对应第一模态数据集之间的相似数据集；
根据相似数据集对所有第一模态数据集进行归一化处理以将来自不同网约车辆的多源模态数据进行融合。
根据一个优选实施方式，基于当前道路的第一通行特征和前向道路的第二通行特征确定网约车辆的离道行为是否为异常离道行为包括：
基于所述第二通行特征对前向道路的车流速度和人流速度进行分析以确定前向道路是否发生交通拥堵；
若是，基于所述第一通行特征对当前道路的车流速度和人流速度进行分析以确定当前道路是否发生交通拥堵，若否，将网约车辆当前的离道行为标记为异常离道行为。
根据一个优选实施方式，所述第一通行特征用于表征当前道路的交通特征，其包括车道数量、车辆间距、车辆行驶速度、行人数量和行人移动速度；所述第二通行特征用于表征前向道路的交通特征，其包括车道数量、车辆间距、车辆行驶速度、行人数量和行人移动速度。
本发明具有以下有益效果：
本发明提供的应用于城市管理的网约车异常行为检测方法通过对网约车辆的行驶轨迹进行实时分析，以确定网约车辆当前的行驶轨迹是否产生偏离，并根据与网约车辆当前订单任务的行程信息相似的历史订单任务确定网约车辆偏离的当前道路是否为网约车司机常用的通行道路，并对当前道路和当前道路的前向道路的交通状态进行分析，以判断网约车司机做出的离道行为是否正常，大幅提高异常离道行为检测的准确性。
同时，本发明可对车辆行驶异常的初期进行快速检测，及时进行警告与行为约束，显著降低事故发生率，提升相关平台对网页车辆的监管力度，提高工作效率。
附图说明
图1为一示例性实施例提供的应用于城市管理的网约车异常行为检测方法的流程图。
具体实施方式
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
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。
参见图1，在一个实施例中，应用于城市管理的网约车异常行为检测方法可以包括：
S1、基于实时接收到的车辆位置数据确定网约车辆当前的行驶轨迹，基于目标订单用户的行程信息以及与目标订单用户具有相似行程信息的若干订单任务确定第一有向道路图和第二有向道路图，并根据所述第一有向道路图和第二有向道路图为网约车辆生成相应的相邻任务集合，其中，所述车辆位置数据包括车辆编号、定位时间戳和车辆位置信息。
可选地，所述车辆编号为网约车辆的车牌号，用于对网约车辆进行唯一标识；所述车辆位置信息用于指示车辆的经纬度信息。所述行程信息用于表征目标订单用户的打车地点和目标地点。
具体地，基于实时接收到的车辆位置数据确定网约车辆当前的行驶轨迹包括：
将各个定位时间戳下的车辆位置信息映射至城市地图的相应位置点上以判断所述定位时间戳下的车辆位置点是否为浮动位置点，并删除网约车辆的所有浮动位置点，其中，所述浮动位置点即为不存在于城市地图对应道路路径中的位置点；
获取预设数量的每个车辆位置点的前向位置点和后向位置点，根据所有前向位置点的坐标值分析得到对应车辆位置点的前驱方向矢量，根据所有后向位置点的坐标值分析得到对应车辆位置点的后驱方向矢量；
根据车辆位置点的前驱方向矢量和后驱方向矢量确定对应车辆位置点的方向夹角，对所有车辆位置点方向夹角的夹角变量取极值，并以各个极值点为中心对所有车辆位置点进行聚类以生成相应的位置点域；
根据每个车辆位置点的定位时间戳识别位置点域中的车辆滞留点，并删除网约车辆的所有车辆滞留点，然后对位置点域中的车辆位置点进行线性拟合以得到网约车辆当前的行驶轨迹。
可选地，所述前驱方向矢量为所有前向位置点的轨迹向量矢量之和，所述后驱方向矢量为所有后向位置点的轨迹向量矢量之和；所述轨迹向量矢量由网约车辆在对应前向位置点的行驶方向分析所得。
可选地，所述基于目标订单用户的行程信息以及与目标订单用户具有相似行程信息的若干订单任务确定第一有向道路图和第二有向道路图包括：
基于目标订单用户的行程信息从城市地图中为网约车辆匹配推荐行驶路线中的多个道路节点，获取每个道路节点的分支结构，并对所有道路节点的分支结构进行排序以构造第一有向道路图，其中，所述推荐行驶路线由系统根据目标订单用户的行程信息自动生成；
基于目标订单用户的行程信息从数据库中获取与目标订单用户具有相似行程信息的若干订单任务，获取对应网约车辆完成相应订单任务时经过的所有道路节点以确定对应订单任务的第二有向道路图。
可选地，所述与目标订单用户具有相似行程信息的订单任务即为与目标订单用户的打车地点和目标地点均在预设距离范围内的订单任务，所述预设距离范围可设置在五百米内。
具体地，所述根据所述第一有向道路图和第二有向道路图为网约车辆生成相应的相邻任务集合包括：
分别提取第一有向道路图和第二有向道路图中各个道路节点的基础特征，并对每个道路节点的分支结构所包含的所有道路节点的基础特征进行聚集分析以得到每个道路节点的递归特征，其中，所述基础特征为对应道路节点的局部结构特征，其包括由对应道路节点与其分支道路节点所组成的道路网络的节点数量、形状特征和位置特征；
基于第一有向道路图中各个道路节点的节点特征向量和第二有向道路图中各个道路节点的节点特征向量对第一有向道路图和第二有向道路图进行特征匹配以得到对应第二有向道路图与第一有向道路图之间的特征相似度，并根据所述特征相似度确定网约车辆的相邻任务集合，其中，所述节点特征向量由对应道路节点的基础特征和递归特征融合处理所得。
可选地，所述递归特征为对应局部结构特征中的各个特征求和以及求平方递归产生的新特征。
S2、基于网约车辆的相邻任务集合和网约车辆的推荐行驶路线确定网约车辆当前的行驶轨迹是否产生偏离，其中，所述推荐行驶路线由系统根据目标订单用户的行程信息自动生成。
具体地，基于网约车辆的相邻任务集合和网约车辆的推荐行驶路线确定网约车辆当前的行驶轨迹是否产生偏离包括：
提取网约车辆当前的行驶轨迹的轨迹特征，将其与推荐行驶路线的轨迹特征进行比较以确定所述网约车辆当前的行驶轨迹是否与推荐行驶路线产生偏离；
若是，基于网约车辆的相邻任务集合对应的所有第二有向道路图和目标订单用户的订单任务对应的第一有向道路图构造长度为1的第一轨迹集合，基于所述第一有向道路图和所述第二有向道路图中各个道路节点的分支结构构造长度为1的第二轨迹集合，并基于关联规则分别对所述第一轨迹集合和所述第二轨迹集合进行频繁项集挖掘，得到所述网越车辆在执行当前订单任务时的第一局部频繁轨迹集合和第二局部频繁轨迹集合；
将第一局部频繁轨迹集合中的频繁轨迹作为第二局部频繁轨迹中的频繁轨迹的前序轨迹序列，以对第一局部频繁轨迹集合和第二局部频繁轨迹集合进行频繁项集拼接，得到若干长度为2的第三局部频繁轨迹集合；
重复上述步骤，得到所有满足最小支持长度阈值的局部频繁轨迹集合，将网约车辆当前的行驶轨迹与局部频繁轨迹集合中每个满足长度的频繁轨迹进行匹配以确定网约车辆当前的行驶轨迹是否产生偏离。
可选地，所述关联规则是指通过给定的最小置信度，在每个最大频繁项集中寻找置信度不小于用户设定的最小置信度的规则。在关联规则中，置信度用于表征为一个数据出现后，另一个数据出现的概率；支持度用于表征几个关联的数据在数据集中出现的次数占总数据集的比重。
可选地，所述第一轨迹集合包括若干长度为1的局部轨迹，即经过两个道路节点的局部轨迹；所述第二轨迹集合包括若干长度为1的局部轨迹，其中，第二轨迹集合中的每条局部轨迹的前序轨迹序列为第一轨迹集合中的局部轨迹。
可选地，将网约车辆当前的行驶轨迹与局部频繁轨迹集合中每个满足长度的频繁轨迹进行匹配，其中，所述长度即为经过的道路节点的节点数量。
可选地，所述最小支持长度阈值为系统预先设置的用于判断经过若干道路节点的局部轨迹是否为频繁轨迹的数值。
S3、若是，分别向网约车辆偏离的当前道路的路边单元和当前道路依赖的前向道路的路边单元发送模态数据请求以获取若干第一模态数据集和若干第二模态数据集，并分别根据每个第一模态数据集的第一模态特征矩阵和每个第二模态数据集的第二模态特征矩阵对所有第一模态数据集和所有第二模态数据集进行归一化处理。
可选地，所述模态数据请求用于获取与道路交通状况相关的模态数据集。
具体地，所述分别根据每个第一模态数据集的第一模态特征矩阵和每个第二模态数据集的第二模态特征矩阵对所有第一模态数据集和所有第二模态数据集进行归一化处理包括：
将第一模态数据集中的所有模态特征数据转化为对应的模态特征矢量，以为所述第一模态数据集构建相应的第一模态特征矩阵；
基于所述第一模态数据集中每个模态特征数据的时段属性和路段属性为所述第一模态特征矩阵构建相应的模态特征空间，并将所述第一模态特征矩阵中的模态特征矢量映射至所述模态特征空间中以得到每个模态特征矢量的关键特征矢量，其中，所述时段属性用于表征对应模态特征数据的采集时间特征，所述路段属性用于表征对应模态特征数据的采集位置特征；
根据上述步骤获取每个第一模态数据集对应的所有关键特征矢量，并对每个第一模态数据集对应的多个关键特征矢量进行特征匹配以将特征距离小于距离阈值的每对关键特征矢量对应的模态特征数据作为对应第一模态数据集之间的相似数据集；
根据相似数据集对所有第一模态数据集进行归一化处理以将来自不同网约车辆的多源模态数据进行融合。
可选地，根据上述步骤可对第二模态数据集做出相同处理得到归一化后的第二模态数据集。所述距离阈值为系统预先设置的用于判断对应模态特征数据之间是否相似的数值。
S4、基于归一化处理后的第一模态数据集和第二模态数据集分析得到当前道路的第一通行特征和前向道路的第二通行特征，并基于当前道路的第一通行特征和前向道路的第二通行特征确定网约车辆的离道行为是否为异常离道行为。
可选地，基于当前道路的第一通行特征和前向道路的第二通行特征确定网约车辆的离道行为是否为异常离道行为包括：
基于所述第二通行特征对前向道路的车流速度和人流速度进行分析以确定前向道路是否发生交通拥堵；
若是，基于所述第一通行特征对当前道路的车流速度和人流速度进行分析以确定当前道路是否发生交通拥堵，若否，将网约车辆当前的离道行为标记为异常离道行为。
可选地，所述第一通行特征用于表征当前道路的交通特征，其包括车道数量、车辆间距、车辆行驶速度、行人数量和行人移动速度；所述第二通行特征用于表征前向道路的交通特征，其包括车道数量、车辆间距、车辆行驶速度、行人数量和行人移动速度。
在另一个实施例中，步骤S4还包括：在确定所述网约车辆的离道行为为异常离道行为时，根据所述网约车辆的车主信息、车辆特征信息和轨迹信息生成预警信息，将其发送至相应的管理终端进行自动预警。
可选地，所述车辆特征信息包括网约车辆的车牌号、车辆品牌、车辆类型和车辆颜色；所述车主信息包括车主名称、联系电话和家庭住址。
本发明提供的应用于城市管理的网约车异常行为检测方法通过对网约车辆的行驶轨迹进行实时分析，以确定网约车辆当前的行驶轨迹是否产生偏离，并根据与网约车辆当前订单任务的行程信息相似的历史订单任务确定网约车辆偏离的当前道路是否为网约车司机常用的通行道路，并对当前道路和当前道路的前向道路的交通状态进行分析，以判断网约车司机做出的离道行为是否正常，大幅提高异常离道行为检测的准确性。
同时，本发明可对车辆行驶异常的初期进行快速检测，及时进行警告与行为约束，显著降低事故发生率，提升相关平台对网页车辆的监管力度，提高工作效率。
本申请对现有技术做出贡献的部分或者该技术方案的全部或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台终端设备执行本申请各个实施例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(Read-Only Memory,R0M)、随机存取存储器(Random Access Memory,RAMD、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种应用于城市管理的网约车异常行为检测方法，其特征在于，所述方法包括：
基于实时接收到的车辆位置数据确定网约车辆当前的行驶轨迹，基于目标订单用户的行程信息以及与目标订单用户具有相似行程信息的若干订单任务确定第一有向道路图和第二有向道路图，并根据所述第一有向道路图和第二有向道路图为网约车辆生成相应的相邻任务集合，其中，所述车辆位置数据包括车辆编号、定位时间戳和车辆位置信息；
基于网约车辆的相邻任务集合和网约车辆的推荐行驶路线确定网约车辆当前的行驶轨迹是否产生偏离，其中，所述推荐行驶路线由系统根据目标订单用户的行程信息自动生成；
若是，分别向网约车辆偏离的当前道路的路边单元和当前道路依赖的前向道路的路边单元发送模态数据请求以获取若干第一模态数据集和若干第二模态数据集，并分别根据每个第一模态数据集的第一模态特征矩阵和每个第二模态数据集的第二模态特征矩阵对所有第一模态数据集和所有第二模态数据集进行归一化处理；
基于归一化处理后的第一模态数据集和第二模态数据集分析得到当前道路的第一通行特征和前向道路的第二通行特征，并基于当前道路的第一通行特征和前向道路的第二通行特征确定网约车辆的离道行为是否为异常离道行为。
2.根据权利要求1所述的方法，其特征在于，基于实时接收到的车辆位置数据确定网约车辆当前的行驶轨迹包括：
将各个定位时间戳下的车辆位置信息映射至城市地图的相应位置点上以判断所述定位时间戳下的车辆位置点是否为浮动位置点，并删除网约车辆的所有浮动位置点；
获取预设数量的每个车辆位置点的前向位置点和后向位置点，根据所有前向位置点的坐标值分析得到对应车辆位置点的前驱方向矢量，根据所有后向位置点的坐标值分析得到对应车辆位置点的后驱方向矢量；
根据车辆位置点的前驱方向矢量和后驱方向矢量确定对应车辆位置点的方向夹角，对所有车辆位置点方向夹角的夹角变量取极值，并以各个极值点为中心对所有车辆位置点进行聚类以生成相应的位置点域；
根据每个车辆位置点的定位时间戳识别位置点域中的车辆滞留点，并删除网约车辆的所有车辆滞留点，然后对位置点域中的车辆位置点进行线性拟合以得到网约车辆当前的行驶轨迹。
3.根据权利要求2所述的方法，其特征在于，所述前驱方向矢量为所有前向位置点的轨迹向量矢量之和，所述后驱方向矢量为所有后向位置点的轨迹向量矢量之和。
4.根据权利要求3所述的方法，其特征在于，所述基于目标订单用户的行程信息以及与目标订单用户具有相似行程信息的若干订单任务确定第一有向道路图和第二有向道路图包括：
基于目标订单用户的行程信息从城市地图中为网约车辆匹配推荐行驶路线中的多个道路节点，获取每个道路节点的分支结构，并对所有道路节点的分支结构进行排序以构造第一有向道路图；
基于目标订单用户的行程信息从数据库中获取与目标订单用户具有相似行程信息的若干订单任务，获取对应网约车辆完成相应订单任务时经过的所有道路节点以确定对应订单任务的第二有向道路图。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一有向道路图和第二有向道路图为网约车辆生成相应的相邻任务集合包括：
分别提取第一有向道路图和第二有向道路图中各个道路节点的基础特征，并对每个道路节点的分支结构所包含的所有道路节点的基础特征进行聚集分析以得到每个道路节点的递归特征，其中，所述基础特征为对应道路节点的局部结构特征，其包括由对应道路节点与其分支道路节点所组成的道路网络的节点数量、形状特征和位置特征；
基于第一有向道路图中各个道路节点的节点特征向量和第二有向道路图中各个道路节点的节点特征向量对第一有向道路图和第二有向道路图进行特征匹配以得到对应第二有向道路图与第一有向道路图之间的特征相似度，并根据所述特征相似度确定网约车辆的相邻任务集合，其中，所述节点特征向量由对应道路节点的基础特征和递归特征融合处理所得。
6.根据权利要求5所述的方法，其特征在于，所述递归特征为对应局部结构特征中的各个特征求和以及求平方递归产生的新特征。
7.根据权利要求6所述的方法，其特征在于，基于网约车辆的相邻任务集合和网约车辆的推荐行驶路线确定网约车辆当前的行驶轨迹是否产生偏离包括：
提取网约车辆当前的行驶轨迹的轨迹特征，将其与推荐行驶路线的轨迹特征进行比较以确定所述网约车辆当前的行驶轨迹是否与推荐行驶路线产生偏离；
若是，基于网约车辆的相邻任务集合对应的所有第二有向道路图和目标订单用户的订单任务对应的第一有向道路图构造长度为1的第一轨迹集合，基于所述第一有向道路图和所述第二有向道路图中各个道路节点的分支结构构造长度为1的第二轨迹集合，并基于关联规则分别对所述第一轨迹集合和所述第二轨迹集合进行频繁项集挖掘，得到所述网越车辆在执行当前订单任务时的第一局部频繁轨迹集合和第二局部频繁轨迹集合；
将第一局部频繁轨迹集合中的频繁轨迹作为第二局部频繁轨迹中的频繁轨迹的前序轨迹序列，以对第一局部频繁轨迹集合和第二局部频繁轨迹集合进行频繁项集拼接，得到若干长度为2的第三局部频繁轨迹集合；
重复上述步骤，得到所有满足最小支持长度阈值的局部频繁轨迹集合，将网约车辆当前的行驶轨迹与局部频繁轨迹集合中每个满足长度的频繁轨迹进行匹配以确定网约车辆当前的行驶轨迹是否产生偏离。
8.根据权利要求7所述的方法，其特征在于，所述分别根据每个第一模态数据集的第一模态特征矩阵和每个第二模态数据集的第二模态特征矩阵对所有第一模态数据集和所有第二模态数据集进行归一化处理包括：
将第一模态数据集中的所有模态特征数据转化为对应的模态特征矢量，以为所述第一模态数据集构建相应的第一模态特征矩阵；
基于所述第一模态数据集中每个模态特征数据的时段属性和路段属性为所述第一模态特征矩阵构建相应的模态特征空间，并将所述第一模态特征矩阵中的模态特征矢量映射至所述模态特征空间中以得到每个模态特征矢量的关键特征矢量，其中，所述时段属性用于表征对应模态特征数据的采集时间特征，所述路段属性用于表征对应模态特征数据的采集位置特征；
根据上述步骤获取每个第一模态数据集对应的所有关键特征矢量，并对每个第一模态数据集对应的多个关键特征矢量进行特征匹配以将特征距离小于距离阈值的每对关键特征矢量对应的模态特征数据作为对应第一模态数据集之间的相似数据集；
根据相似数据集对所有第一模态数据集进行归一化处理以将来自不同网约车辆的多源模态数据进行融合。
9.根据权利要求8所述的方法，其特征在于，基于当前道路的第一通行特征和前向道路的第二通行特征确定网约车辆的离道行为是否为异常离道行为包括：
基于所述第二通行特征对前向道路的车流速度和人流速度进行分析以确定前向道路是否发生交通拥堵；
若是，基于所述第一通行特征对当前道路的车流速度和人流速度进行分析以确定当前道路是否发生交通拥堵，若否，将网约车辆当前的离道行为标记为异常离道行为。
10.根据权利要求9所述的方法，其特征在于，所述第一通行特征用于表征当前道路的交通特征，其包括车道数量、车辆间距、车辆行驶速度、行人数量和行人移动速度；所述第二通行特征用于表征前向道路的交通特征，其包括车道数量、车辆间距、车辆行驶速度、行人数量和行人移动速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310205964.9A CN115995151B (zh) | 2023-03-06 | 2023-03-06 | 应用于城市管理的网约车异常行为检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310205964.9A CN115995151B (zh) | 2023-03-06 | 2023-03-06 | 应用于城市管理的网约车异常行为检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115995151A true CN115995151A (zh) | 2023-04-21 |
| CN115995151B CN115995151B (zh) | 2023-12-22 |
Family
ID=85990520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310205964.9A Active CN115995151B (zh) | 2023-03-06 | 2023-03-06 | 应用于城市管理的网约车异常行为检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115995151B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765726A (zh) * | 2023-12-11 | 2024-03-26 | 广东蓝鱼物联科技有限公司 | 一种车联网运营数据管理方法及系统 |
| CN117765726B (zh) * | 2023-12-11 | 2024-05-28 | 广东蓝鱼物联科技有限公司 | 一种车联网运营数据管理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700646A (zh) * | 2015-03-31 | 2015-06-10 | 南京大学 | 一种基于在线gps数据的出租车异常轨迹实时检测方法 |
| CN110298500A (zh) * | 2019-06-19 | 2019-10-01 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
| US20190391580A1 (en) * | 2018-06-25 | 2019-12-26 | Mitsubishi Electric Research Laboratories, Inc. | Systems and Methods for Safe Decision Making of Autonomous Vehicles |
| CN112183245A (zh) * | 2020-09-11 | 2021-01-05 | 广州宸祺出行科技有限公司 | 一种监测网约车司机异常行为并告警的方法、装置及电子设备 |
| CN114493191A (zh) * | 2022-01-07 | 2022-05-13 | 东南大学 | 一种基于网约车数据的驾驶行为建模分析方法 |
-
2023
- 2023-03-06 CN CN202310205964.9A patent/CN115995151B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700646A (zh) * | 2015-03-31 | 2015-06-10 | 南京大学 | 一种基于在线gps数据的出租车异常轨迹实时检测方法 |
| US20190391580A1 (en) * | 2018-06-25 | 2019-12-26 | Mitsubishi Electric Research Laboratories, Inc. | Systems and Methods for Safe Decision Making of Autonomous Vehicles |
| CN110298500A (zh) * | 2019-06-19 | 2019-10-01 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
| CN112183245A (zh) * | 2020-09-11 | 2021-01-05 | 广州宸祺出行科技有限公司 | 一种监测网约车司机异常行为并告警的方法、装置及电子设备 |
| CN114493191A (zh) * | 2022-01-07 | 2022-05-13 | 东南大学 | 一种基于网约车数据的驾驶行为建模分析方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765726A (zh) * | 2023-12-11 | 2024-03-26 | 广东蓝鱼物联科技有限公司 | 一种车联网运营数据管理方法及系统 |
| CN117765726B (zh) * | 2023-12-11 | 2024-05-28 | 广东蓝鱼物联科技有限公司 | 一种车联网运营数据管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115995151B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091720B (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
| CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
| US6577946B2 (en) | Traffic information gathering via cellular phone networks for intelligent transportation systems | |
| Chen et al. | Analysis of factors affecting the severity of automated vehicle crashes using XGBoost model combining POI data | |
| CN108848460B (zh) | 基于rfid和gps数据的人车关联方法 | |
| CN105144259A (zh) | 交通监察和指导系统 | |
| CN111949896B (zh) | 基于轨迹大数据的轨迹异常检测方法 | |
| EP2603770A1 (en) | Parking lot detection using probe data | |
| CN111127949B (zh) | 车辆高危路段预警方法、装置及存储介质 | |
| CN113847925A (zh) | 基于轨迹数据检测车辆偏航的方法、装置、设备及介质 | |
| EP2630443A1 (en) | Method of determining and validating navigational priority settings utilizing probe data | |
| Khattak et al. | Comparative analysis of spatial knowledge and en route diversion behavior in Chicago and San Francisco: implications for advanced traveler information systems | |
| CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
| CN114664087A (zh) | 基于轨迹识别车辆上下高速的方法、装置、设备及介质 | |
| CN116913073A (zh) | 道路拥堵预测方法、装置、设备及计算机存储介质 | |
| Alrassy et al. | Driver behavior indices from large-scale fleet telematics data as surrogate safety measures | |
| CN114511938A (zh) | 一种智慧停车管理方法和平台 | |
| CN115995151B (zh) | 应用于城市管理的网约车异常行为检测方法 | |
| Tian et al. | Identifying residential and workplace locations from transit smart card data | |
| CN116071930B (zh) | 基于乘客安全的车辆自动预警系统 | |
| Prezioso et al. | Machine Learning Insights for Behavioral Data Analysis Supporting the Autonomous Vehicles Scenario | |
| Hiller et al. | Aggregation of road characteristics from online maps and evaluation of datasets | |
| CN114140985B (zh) | 基于知识图谱的车辆疲劳预警方法、装置、设备及介质 | |
| Weinberger et al. | Parking-cruising caused congestion | |
| CN113903169B (zh) | 一种交通优化方法、装置、电子设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231130 Address after: 100102 H01, 3 / F, building 6, courtyard 6, Wangjing East Road, Chaoyang District, Beijing Applicant after: Beijing Bailong Mayun Technology Co.,Ltd. Address before: No. 1 Haitun Road, Wuhua District, Kunming City, Yunnan Province, 650033 Applicant before: Kunming Fuhaiyao Network Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |