发明内容
本发明的目的在于提供一种网约车异常轨迹实时检测和安全预警方法、系统,本发明的基本思想是融合车辆轨迹数据和地理环境数据,检测异常轨,计算异常轨迹的异常分并进行安全预警。
本发明的一方面提供了一种网约车异常轨迹实时检测和安全预警方法,包括如下步骤:
c1、路网网格化处理:将矩形检测区域内的道路网进行网格化处理;
c2、常规路径集获取:获取地图API的最优路径和车辆历史轨迹中的正常路径,将其作为常规路径,用以异常轨迹检测;
c3、异常轨迹的异常分数计算:依据常规轨迹集,判断车辆实时轨迹是否异常,并计算其异常分数;
c4、基于异常轨迹的安全预警:根据轨迹的异常分数进行预警。
可选地,步骤c1中检测区域由Ny×Nx个网格构成,用Ny×Nx矩阵M表示,过程包括:
c11、根据区域边界点集B={Bbl,Bbr,Btl,Btr}和最小像元大小dmin,确定矩阵维度Nx、Ny,
式中,Bbl、Bbr、Btl、Btr分别表示检测区域左下边界点、左上边界点、右下边界点和右上边界点;对应经纬度坐标分别表示为(xbl,ybl)、(xbr,ybr)、(xtl,ytl)、(xtr,ytr);Ly表示矩形检测区域的南北向长度,Lx表示矩形检测区域的东西向长度;R为地球半径。
c12、计算每个网格中心点Mi,j的经纬度坐标(xi,j,yi,j),继而构造矩阵M,具体如下,
式中,Mi,j是指第i行第j列个网格的中心点,Δx表示单个网格的经度差,Δy表示单个网格的纬度差。
可选地,步骤c2过程包括:
c21、利用高德地图API获取某一OD内的最优路径,包括不同日期下各个时段内的距离最短路径、时间最短路径、收费最小路径、红绿灯最少路径、躲避拥堵路径等,去除重复路径,得到最优路线集p代表最优路径的总数,OP1、OP2、分别表示OP中的第1、2和N1个最优路径。
c22、根据出租车和网约车的历史轨迹数据,确定同一OD内的历史轨迹集,采用聚类方法,得到正常轨迹集
c23、将最优路线集OP与正常轨迹集NT,进行去重处理,得到常规轨迹集P,
P=OP∩NT={P1,P2,…,Pp}。
c24、将常规轨迹集中的轨迹进行网格化处理,将由坐标点组成的有序集转化为由经过的网格编号组成的有序集。
可选地,步骤c3过程包括:
c31、根据网格化实时轨迹T={g1,g2,…,gt}与常规轨迹集判断网格化实时轨迹T是否偏航,具体如下,
FP(Ti,PG)={PGj|Ti∈PGj,0<j<N2,1<i<nt}
式中,Ti是T的第i个子片段,nt是子片段个数;δ指网格化实时轨迹T的偏航判别指标,δi是Ti的偏航判别指标;FP(Ti,PG)是Ti的遵循轨迹数,即常规轨迹集PG中完全包含Ti的轨迹个数;Ti∈PGj是指PGj完全包含Ti。
c32、对T进行切分。
c33、当网格化实时轨迹T发生偏航时,计算轨迹异常分数。
可选的步骤c4过程如下:
c41、如果AST>|T|,则对轨迹T进行三级监测;
c42、如果AST>Q1=min(max(|PGi|),1.5|T|),则对轨迹T进行二级监测;
c43、如果AST>Q2=max(max(|PGi|),1.5|T|),则对轨迹T进行安全预警。
本发明的另一方面提供了一种网约车异常轨迹实时检测和安全预警系统,包括:
路网网格化处理模块,用于将矩形检测区域内的道路网进行网格化处理;
常规路径集获取模块,用于获取地图API的最优路径和车辆历史轨迹中的正常路径,将其作为常规路径,用以异常轨迹检测;
异常轨迹的异常分数计算模块,用于依据常规轨迹集,判断车辆实时轨迹是否异常,并计算其异常分数;
基于异常轨迹的安全预警模块,用于根据轨迹的异常分数进行预警。
本发明的再一方面提供了一种网约车异常轨迹实时检测和安全预警装置,所述装置包括处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述方法。
本发明的有益效果:本发明基于轨迹时空聚类算法、核密度分析,从异常轨迹具体情况、环境实时风险角度出发,对地图API数据、轨迹数据等进行深入挖掘,实现对轨迹的实时检测和安全预警,能够提高安全预警的科学合理性;同时,网格化的处理,能够提高计算效率、降低计算成本和预警滞后性。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
图1为本申请一个实施例提供的基于异常轨迹检测及安全预警流程图,包括如下步骤:
步骤一,将矩形检测区域内的道路网进行网格化处理,检测区域由Ny×Nx个网格构成,如图2所示。
首先根据区域边界点集B={Bbl,Bbr,Btl,Btr}和最小像元大小dmin,确定矩阵维度Nx、Ny,
式中,Bbl、Bbr、Btl、Btr分别表示检测区域左下边界点、左上边界点、右下边界点和右上边界点;对应经纬度坐标分别表示为(xbl,ybl)、(xbr,ybr)、(xtl,ytl)、(xtr,ytr);Ly表示矩形检测区域的南北向长度,Lx表示矩形检测区域的东西向长度;dmin一般取值10m,可视化效果最佳;R为地球半径,取值为6371000m。
其次,计算每个网格中心点Mi,j的经纬度坐标(xi,j,yi,j),继而构造矩阵M,具体如下,
式中,Mi,j是指第i行第j列个网格的中心点,Δx表示单个网格的经度差,Δy表示单个网格的纬度差。
步骤二,获取地图API的最优路径和车辆历史轨迹中的正常路径,将其作为常规路径,得到常规路径集P。
首先,利用高德地图API获取某一OD内的最优路径,包括不同日期下各个时段内的距离最短路径、时间最短路径、收费最小路径、红绿灯最少路径、躲避拥堵路径等。去除重复路径,得到最优路线集p代表最优路径的总数,OP1、OP2、分别表示OP中的第1、2和N1个最优路径。
其次,根据出租车和网约车的历史轨迹数据,确定同一OD内的历史轨迹集,采用聚类方法,得到正常轨迹集
(1)计算任意历史轨迹R转化为任意历史轨迹S的编辑距离ED(R,S),编辑距离ED的计算公式如下,
CD(de(ri))=|ri-sj|
CD(in(sj))=|sj-sj-1|
式中,R和S是指两个任意历史轨迹,分别表示为R={r1,r2,…,rm,},S={s1,s2,…,sn,};re(R)和re(S)是指剔除当前点后的剩余轨迹,分别表示为re(R)={r1,r1,…,rm-1,},re(S)={s1,s1,…,sn-1,};CD(de(rm))和CD(de(ri))分别是指删除rm和ri操作的代价值;CD(in(sn))和CD(in(sj))分别是指插入sn和sj操作的代价值;rm和ri分别是指轨迹R中的第m个和第i个点,对应的坐标为(xm,ym)和(xi,yi);sn和sj分别是指轨迹S中的第n个和第j个点,对应的坐标为(xn,yn)和(xj,yj);CD(rp(rm,sn))是指将ri和sj进行替换操作的代价值。
(2)将编辑距离ED作为相似度指标,利用层次聚类方法,得到历史轨迹的聚类结果C={C1,C2,…,Cc},将样本个数大于Nmin的簇作为正常轨迹簇,具体如下,
CNT={Ci|N(Ci)>Nmin}
Nmin=5%×Nw/c
式中,C1和Ci分别表示聚类结果中的第一个簇,c表示簇的总数,CNT表示正常轨迹簇,N(Ci)表示第i个簇内样本轨迹的个数,Nmin表示异常轨迹簇的判别阈值,Nw表示同一OD内历史轨迹的总数。
(3)将CNT内所有类别的轨迹,进行去重,得到正常轨迹集
然后,将最优路线集OP与正常轨迹集NT,进行去重处理,得到常规轨迹集P:
P=OP∩NT={P1,P2,…,Pp}。
其次,将常规轨迹集中的轨迹进行网格化处理,将由坐标点组成的有序集转化为由经过的网格编号组成的有序集,过程包括:
(1)计算任意常规轨迹Pi={pt1,pt2,…,ptZ}中任意点ptz与任意网格中心点Mi,j的距离,根据距离判断坐标点ptz所属网格,具体如下:
ptz∈G,G=(i,j),if|ptz-Mi,j|<0.5dmin
式中,Z是指任意正常轨迹Pi的长度,即点的个数;G用(i,j)表示(i,j),是指网格化地图中第i行第j个网格;|ptz-Mi,j|是指任意点ptz与任意网格中心点Mi,j的距离。
(2)根据(1)中的判别结果,得到任意常规轨迹Pi的网格化有序集PGi={G1,G2,…,GZ},继而得到网格化常规轨迹集 如图3。
步骤三,指依据常规轨迹集,判断车辆实时轨迹是否异常,并计算其异常分数。
首先,如图4,根据网格化实时轨迹T={g1,g2,…,gt}与常规轨迹集判断网格化实时轨迹T是否偏航,具体如下,
FP(Ti,PG)={Pj|Ti∈PGj,0<j<N2,1<i<nt}
式中,Ti是T的第i个子片段,nt是子片段个数;δ指网格化实时轨迹T的偏航判别指标,δi是Ti的偏航判别指标;FP(Ti,PG)是Ti的遵循轨迹数,即常规轨迹集PG中完全包含Ti的轨迹个数;Ti∈PGj是指PGj完全包含Ti。
其次,如图5所示,对T进行切分,步骤如下,
Step1.初始化:T={g1,g2,…,gt},i=1;
Step2.判断PGj是否完全包含Ti,
式中,是指Ti中第e个点在PGj中对应的位置。
Step3.根据δi,判断是否划分T,δi=1则切分1次;
式中,是第i个子片段Ti的有序集,ti是第i个子片段Ti的结束点。
然后,当网格化实时轨迹T发生偏航时,计算轨迹异常分数。
(1)根据环境风险指标、异常停车指标、正常偏离指标来计算轨迹异常分数,
式中,AST是轨迹T的异常分数,λi是子片段Ti的异常系数,代表网格/>处的环境风险,/>代表区域环境风险的均值,Sti代表子片段Ti的异常停车长度,即相邻网格相同的点的个数。
(2)环境风险指标的计算方法是对提取的POI数据进行核密度计算,得到各个网格中心点的核密度值,具体如下,
式中,表示任意POI点与网格点/>的距离,NP是兴趣点的个数。
步骤四,根据轨迹的异常分数进行预警,具体为:
Step1.如果AST>|T|,则对轨迹T进行三级监测;
Step2.如果AST>Q1=min(max(|PGi|),1.5|T|),则对轨迹T进行二级监测;
Step3.如果AST>Q2=max(max(|PGi|),1.5|T|),则对轨迹T进行安全预警。
本申请还公开了一种网约车异常轨迹实时检测和安全预警系统,如图6所示,该系统包括:
路网网格化处理模块,用于将矩形检测区域内的道路网进行网格化处理;
常规路径集获取模块,用于获取地图API的最优路径和车辆历史轨迹中的正常路径,将其作为常规路径,用以异常轨迹检测;
异常轨迹的异常分数计算模块,用于依据常规轨迹集,判断车辆实时轨迹是否异常,并计算其异常分数;
基于异常轨迹的安全预警模块,用于根据轨迹的异常分数进行预警。
本申请装置执行的过程与上述方法一致,在此不再赘述。
图7为本申请一个实施例提供的一种网约车异常轨迹实时检测和安全预警装置结构示意图,如图7所示,该装置包括处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如上所述方法。
在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成网约车异常轨迹实时检测和安全预警装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
路网网格化处理:将矩形检测区域内的道路网进行网格化处理;常规路径集获取:获取地图API的最优路径和车辆历史轨迹中的正常路径,将其作为常规路径,用以异常轨迹检测;异常轨迹的异常分数计算:依据常规轨迹集,判断车辆实时轨迹是否异常,并计算其异常分数;基于异常轨迹的安全预警:根据轨迹的异常分数进行预警。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述,仅为本发明的具体实施方式,在本发明的上述教导下,本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白,上述的具体描述只是更好的解释本发明的目的,本发明的保护范围应以权利要求的保护范围为准。