CN116030642B - 交通流卡口过车信息中的嫌疑车辆确定方法及终端 - Google Patents
交通流卡口过车信息中的嫌疑车辆确定方法及终端 Download PDFInfo
- Publication number
- CN116030642B CN116030642B CN202310303574.5A CN202310303574A CN116030642B CN 116030642 B CN116030642 B CN 116030642B CN 202310303574 A CN202310303574 A CN 202310303574A CN 116030642 B CN116030642 B CN 116030642B
- Authority
- CN
- China
- Prior art keywords
- case
- data
- information
- suspected vehicle
- vehicle
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本发明公开了一种交通流卡口过车信息中的嫌疑车辆确定方法及终端,步骤如下:获得有效的监控卡口过车记录信息,并将数据存入监控卡口过车记录库;建立案发地点周边卡口信息参数库和案发作案时间信息参数库;计算出嫌疑车辆信息列表;建立嫌疑车辆案发概率模型和数据清洗设置规则;将嫌疑车辆信息列表中数据输入嫌疑车辆案发概率模型中进行计算,获得嫌疑车辆案发概率,形成新的嫌疑车辆信息列表;根据数据清洗设置规则对新的嫌疑车辆信息列表中数据进行清洗,得到最终的嫌疑车辆信息列表。本发明运用碰撞归集模型将两个参数库参数与海量的卡口过车记录信息进行关联分析,高效的并发处理交通流数据,更快、更早、更准确的获得嫌疑车辆信息。
Description
技术领域
本发明属于道路交通管理领域,具体涉及一种交通流卡口过车信息中的嫌疑车辆确定方法及终端。
背景技术
目前,我国公安交通领域的电子化、智能化、人文化管理水平不断提高,为社会和经济的平稳、快速发展做出了重要贡献。然而,随着经济的持续高速发展,机动车、驾驶人和公路通车里程的迅猛增长,交通信息流数据量已达到TB级甚至PB级的规模。交通信息流具有高维、时空相关性等特征,使得数据分析处理更加复杂,传统计算机系统已不能满足需求。此外,据统计,近年来越来越多的违法、犯罪活动利用机动车作案。因此,在海量交通流过车数据中主动识别嫌疑车辆(嫌疑车辆指检测在两组或以上的过车数据中重复出现的车辆。如:A地在某日凌晨2点、B地在同一日凌晨4点各发生一起违法案件,公安机关认定为同一团伙所为。对A地附近卡口在该日凌晨2点左右和B地附近卡口在凌晨4点左右产生的过车记录进行比对,重复出现的车辆为犯罪嫌疑车辆),不仅对公安交警快速锁定嫌疑人具有重要意义,更是对居民利益的最好保护。
传统的做法主要是调查取证,从大量的车辆数据信息中进行人工排除,费时费力,而且得到的结论很难验证其准确性,从而给犯罪车辆的抓捕带来很大不便。当前车牌识别技术已经十分成熟,城市内通过布设的监控点获取了大量的各路段或路口机动车通行情况,现有交通流串行处理方法在处理这些海量交通流数据时受到计算能力、存储能力等因素的影响,表现出存储空间不够、稳定性差、耗时长等诸多缺点,不能有效地通过关联分析识别嫌疑车辆。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种交通流卡口过车信息中的嫌疑车辆确定方法及终端,以解决传统技术难以实现对海量交通流数据的快速处理和精准分析,从而在最短时间内为办案警员提供有价值违法线索的问题。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种交通流卡口过车信息中的嫌疑车辆确定方法,步骤如下:
步骤1:对卡口监控设备获得的过车记录进行清洗,获得有效的监控卡口过车记录信息,并将数据存入监控卡口过车记录库;
步骤2:根据案发地点和案发作案时间分别建立案发地点周边卡口信息参数库和案发作案时间信息参数库;
步骤3:将监控卡口过车记录库、案发地点周边卡口信息参数库和案发作案时间信息参数库中数据通过碰撞归集模型,计算出嫌疑车辆信息列表;
步骤4:建立嫌疑车辆案发概率模型和数据清洗设置规则;将嫌疑车辆信息列表中数据输入嫌疑车辆案发概率模型中进行计算,获得嫌疑车辆案发概率,形成新的嫌疑车辆信息列表C;根据数据清洗设置规则对新的嫌疑车辆信息列表C中数据进行清洗,得到最终的嫌疑车辆信息列表。
进一步地,所述步骤1具体包括:在关系型数据库的海量过车记录表中,每一条交通流过车记录由序列号、车牌号码、过车时间、卡口编号、方向编号组成,删除车牌号码为空的无效记录;删除与嫌疑车辆识别无关数据维度包括但不限于序列号和方向编号,将保留车牌号码、过车时间和卡口编号三个维度的过车记录迁移到Hadoop集群的分布式数据库HBase内的监控卡口过车记录库。
进一步地,所述步骤2中的案发地点周边卡口信息参数库包含3个属性,分别为案发地点、卡口编号、离案发地点距离;案发作案时间信息参数库包含3个属性,分别为案发地点、案发开始时间、案发结束时间。
其中,案发地点周边卡口信息参数库中选定的当前案件所涉及的卡口,为案发现场周围数公里范围内所有卡口。
其中,案发作案时间信息参数库中的案发开始时间和案发结束时间需考虑冗余时间T,冗余时间T包括:车辆行驶时间和案发地车辆等待时间。
进一步地,所述步骤3中执行碰撞归集模型分别为碰撞阶段和归集阶段,具体包括:
步骤3.1:碰撞阶段采用碰撞模型P(A)∩P(B)∩P(C),将监控卡口过车记录信息列表P(A)定义为被碰撞列表A,使用案发地点周边卡口信息列表P(B)中的卡口编号与列表P(A)中的卡口编号进行碰撞关联,输出案发地点周边过车记录信息,具体条件为:监控卡口过车记录信息的卡口编号=案发地点周边卡口信息的卡口编号;使用案发地点周边卡口信息列表中数据碰撞时,采用并行执行碰撞或逐条记录递归碰撞操作,以获得案发地点周边过车记录信息;
将案发地点周边过车记录信息定义为被碰撞列表B,使用案发作案时间信息列表P(C)中数据项与被碰撞列表B中的案发地点、过车时间相关联,输出案发过车记录信息,需要同时满足以下两个条件:案发地点周边过车记录信息的案发地点=案发作案时间信息的案发地点;案发作案时间信息的案发开始时间<=案发地点周边过车记录信息的过车时间<=案发作案时间信息的案发结束时间;使用案发作案时间信息列表中数据碰撞时,采用并行执行碰撞或逐条记录递归碰撞操作,获得案发过车记录信息;
对案发过车记录信息进行重复数据清洗,车牌号码和案发地点都相同的数据只保留一条数据;
步骤3.2:归集阶段采用分组归纳法将案发过车记录信息以车牌号码为分组条件进行归集;归集同一车牌号车辆不同案发地点累计出现次数,获得碰撞归集结果数据,将碰撞归集结果中出现次数VALUE>1的数据输出为嫌疑车辆信息列表。
进一步地,所述步骤4具体包括:
步骤4.1:建立嫌疑车辆案发概率模型:E=M!/N!,其中E表示确定为嫌疑车的概率,N表示案发地点数量,M表示同一车牌号不同案发地点累计出现次数,!为阶乘符号;
步骤4.2:将嫌疑车辆信息列表中数据输入嫌疑车辆案发概率模型中进行计算,以获得各嫌疑车辆的案发概率,生成新的嫌疑车辆信息列表C;
步骤4.3:将新的嫌疑车辆信息列表C按照嫌疑车辆案发概率排序,确定嫌疑车辆排查优先序列,嫌疑车辆案发概率数值越大,犯罪嫌疑越高;
步骤4.4:建立数据清洗规则,数据清洗规则为:当新的嫌疑车辆信息列表C存在E>=1/N的数据时,对新的嫌疑车辆信息列表C中E<1/N的数据进行清洗;其中E<1/N为数据清洗公式;
步骤4.5:根据数据清洗规则对新的嫌疑车辆信息列表C中数据进行清洗,形成最终的嫌疑车辆信息列表。
本发明还提供一种嫌疑车辆确定终端,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现所述交通流卡口过车信息中的嫌疑车辆确定方法。
本发明的有益效果:
(1)本发明根据案发地点和案发作案时间,分别建立案发地点周边卡口信息参数库和案发作案时间信息参数库;在大数据集群上,运用碰撞归集模型将两个参数库参数与海量的卡口过车记录信息进行关联分析,高效的并发处理大规模交通流数据,更快、更早、更准确的获得嫌疑车辆信息;
(2)运用嫌疑车辆案发概率模型,计算出嫌疑车辆出现概率,形成车辆排查序列,为公安干警提供更精准、更有价值的线索,便于快速锁定嫌疑人。解决了公安干警目前耗费大量时间和人员在大面积排查线索上,节约大量前期梳理线索的时间,提高了办案效率;
(3)本发明构建的嫌疑车辆案发概率模型中嫌疑车辆案发的概率E利用自然数的乘积公式方法计算获得,可以更直观的表达嫌疑车辆案发概率是几何式增长状态,即嫌疑车累计出现次数越多,车辆为犯罪车的概率越大。
附图说明
图1为本发明方法的原理图。
图2为本发明方法中碰撞阶段的流程图。
图3为本发明方法中归集阶段的流程图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种交通流卡口过车信息中的嫌疑车辆确定方法,步骤如下:
步骤1:对卡口监控设备获得的过车记录进行清洗,获得有效的监控卡口过车记录信息,并将数据存入监控卡口过车记录库;
在关系型数据库Oracle内的交通流过车记录库中,每一条交通流过车记录由序列号、车牌号码、过车时间、卡口编号、方向编号组成,删除车牌号码为空的无效记录;删除与嫌疑车辆识别无关数据维度包括但不限于序列号和方向编号,将保留车牌号码、过车时间和卡口编号三个维度的过车记录迁移到Hadoop集群的分布式数据库HBase内的监控卡口过车记录库;
步骤2:根据案发地点和案发作案时间分别建立案发地点周边卡口信息参数库和案发作案时间信息参数库;
其中,案发地点周边卡口信息参数库包含3个属性,分别为案发地点、卡口编号、离案发地点距离;案发作案时间信息参数库包含3个属性,分别为案发地点、案发开始时间、案发结束时间。
其中,案发地点周边卡口信息参数库中选定的当前案件所涉及的卡口,为案发现场周围数公里范围内所有卡口。
其中,案发作案时间信息参数库中的案发开始时间和案发结束时间需考虑冗余时间T,冗余时间T包括:车辆行驶时间和案发地车辆等待时间。
示例中,A地在2014-4-1凌晨2点、B地在同一日凌晨4点各发生一起盗窃案件,作案手法相同,办案警员认定为同一团伙所为;
案发地点周边卡口信息参数库中部分数据样例为:
数据1:案发地点为A,卡口编号为中山北路1,离案发地点距离为100米;
数据2:案发地点为A,卡口编号为中山北路2,离案发地点距离为50米;
数据3:案发地点为A,卡口编号为中山北路3,离案发地点距离为200米;
……
数据100:案发地点为B,卡口编号为长江西路4,离案发地点距离为70米;
数据101:案发地点为B,卡口编号为长江西路7,离案发地点距离为150米;
数据102:案发地点为B,卡口编号为长江西路9,离案发地点距离为80米。
案发作案时间信息参数库中部分数据样例为:
数据1:案发地点为A、案发开始时间为2014-4-1 1:30:00、案发结束时间为2014-4-1 2:30:00;
数据2:案发地点为B、案发开始时间为2014-4-1 3:30:00、案发结束时间为2014-4-1 4:30:00。
步骤3:将监控卡口过车记录库、案发地点周边卡口信息参数库和案发作案时间信息参数库中数据通过碰撞归集模型,计算出嫌疑车辆信息列表;
参见图2-图3所示,执行碰撞归集模型分别为碰撞阶段和归集阶段,具体包括:
步骤3.1:碰撞阶段采用碰撞模型P(A)∩P(B)∩P(C),将监控卡口过车记录信息列表P(A)定义为被碰撞列表A(属性为车牌号码、过车时间和卡口编号),使用案发地点周边卡口信息列表P(B)(属性为案发地点、卡口编号、离案发地点距离)中的卡口编号与列表P(A)中的卡口编号进行碰撞关联,输出案发地点周边过车记录信息(属性为案发地点、车牌号码、过车时间),具体条件为:监控卡口过车记录信息的卡口编号=案发地点周边卡口信息的卡口编号;使用案发地点周边卡口信息列表中数据碰撞时,采用并行执行碰撞或逐条记录递归碰撞操作,以获得案发地点周边过车记录信息;
将案发地点周边过车记录信息(属性为案发地点、车牌号码、过车时间)定义为被碰撞列表B,使用案发作案时间信息列表P(C)(属性为案发地点、案发开始时间、案发结束时间)中数据项与被碰撞列表B中的案发地点、过车时间相关联,输出案发过车记录信息 (属性为车牌号码、案发地点),需要满足以下两个条件:案发地点周边过车记录信息的案发地点=案发作案时间信息的案发地点;案发作案时间信息的案发开始时间<=案发地点周边过车记录信息的过车时间<=案发作案时间信息的案发结束时间;使用案发作案时间信息列表中数据碰撞时,采用并行执行碰撞或逐条记录递归碰撞操作,获得案发过车记录信息;
对案发过车记录信息进行重复数据清洗,车牌号码和案发地点都相同的数据只保留一条数据;
案发过车记录信息中部分数据样例为:
数据1:车牌号码为苏A**01,案发地点A;
数据2:车牌号码为苏A**01,案发地点B;
数据3:车牌号码为苏A**04,案发地点B。
步骤3.2:归集阶段采用分组归纳法将案发过车记录信息以车牌号码为分组条件进行归集;归集同一车牌号车辆不同案发地点累计出现次数,获得碰撞归集结果数据,将碰撞归集结果中出现次数VALUE>1的数据输出为嫌疑车辆信息列表(属性为车牌号码KEY、出现次数VALUE);
嫌疑车辆信息列表中部分数据样例为:
数据1:车牌号码KEY为苏A**01,出现次数VALUE为2。
步骤4:建立嫌疑车辆案发概率模型和数据清洗设置规则;将嫌疑车辆信息列表中数据输入嫌疑车辆案发概率模型中进行计算,获得嫌疑车辆案发概率,形成新的嫌疑车辆信息列表C(属性为车牌号码、出现次数、嫌疑车案发概率);根据数据清洗设置规则对新的嫌疑车辆信息列表C中数据进行清洗,得到最终的嫌疑车辆信息列表;具体包括:
步骤4.1:建立嫌疑车辆案发概率模型:E=M!/N!,其中E表示确定为嫌疑车的概率,N表示案发地点数量,M表示同一车牌号不同案发地点累计出现次数;
步骤4.2:将嫌疑车辆信息列表中数据输入嫌疑车辆案发概率模型中进行计算,以获得各嫌疑车辆的案发概率,生成新的嫌疑车辆信息列表C;
步骤4.3:将新的嫌疑车辆信息列表C按照嫌疑车辆案发概率排序,确定嫌疑车辆排查优先序列,嫌疑车辆案发概率数值越大,犯罪嫌疑越高;
步骤4.4:建立数据清洗规则,数据清洗规则为:当新的嫌疑车辆信息列表C存在E>=1/N的数据时,对新的嫌疑车辆信息列表C中E<1/N的数据进行清洗;其中E<1/N为数据清洗公式;
步骤4.5:根据数据清洗规则对新的嫌疑车辆信息列表C中数据进行清洗,形成最终的嫌疑车辆信息列表 。
一般嫌疑车辆在案件侦破过程中确定为案发车辆嫌疑度,是按照累计出现次数成几何式增长。例如N(案发地点数量)为3时,当M(同一车牌号车辆不同案发地点累计出现次数)分别为3,2,1时,嫌疑车辆概率E分别为1,1/3,1/6,通过数值可以更直观表达几何式增长情况,给办案警员的线索居于优先级的警示作用;同时,清洗掉E<1/3的数据,可以让办案警员更好的利用有限的资源集中对高概率的嫌疑车进行重点排查。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (3)
1.一种交通流卡口过车信息中的嫌疑车辆确定方法,其特征在于,步骤如下:
步骤1:对卡口监控设备获得的过车记录进行清洗,获得有效的监控卡口过车记录信息,并将数据存入监控卡口过车记录库;监控卡口过车记录库包括车牌号码、过车时间和卡口编号;
步骤2:根据案发地点和案发作案时间分别建立案发地点周边卡口信息参数库和案发作案时间信息参数库;
步骤3:将监控卡口过车记录库、案发地点周边卡口信息参数库和案发作案时间信息参数库中数据通过碰撞归集模型,计算出嫌疑车辆信息列表;
步骤4:建立嫌疑车辆案发概率模型和数据清洗设置规则;将嫌疑车辆信息列表中数据输入嫌疑车辆案发概率模型中进行计算,获得嫌疑车辆案发概率,形成新的嫌疑车辆信息列表;根据数据清洗设置规则对新的嫌疑车辆信息列表中数据进行清洗,得到最终的嫌疑车辆信息列表;
所述步骤2中的案发地点周边卡口信息参数库包含3个属性,分别为案发地点、卡口编号、离案发地点距离;案发作案时间信息参数库包含3个属性,分别为案发地点、案发开始时间、案发结束时间;
所述步骤3中执行碰撞归集模型分别为碰撞阶段和归集阶段,具体包括:
步骤3.1:碰撞阶段采用碰撞模型P(A)∩P(B)∩P(C),将监控卡口过车记录信息列表P(A)定义为被碰撞列表A,使用案发地点周边卡口信息列表P(B)中的卡口编号与列表P(A)中的卡口编号进行碰撞关联,输出案发地点周边过车记录信息,具体条件为:监控卡口过车记录信息的卡口编号=案发地点周边卡口信息的卡口编号;使用案发地点周边卡口信息列表中数据碰撞时,采用并行执行碰撞或逐条记录递归碰撞操作,以获得案发地点周边过车记录信息;
将案发地点周边过车记录信息定义为被碰撞列表B,使用案发作案时间信息列表P(C)中数据项与被碰撞列表B中的案发地点、过车时间相关联,输出案发过车记录信息,需要同时满足以下两个条件:案发地点周边过车记录信息的案发地点=案发作案时间信息的案发地点;案发作案时间信息的案发开始时间<=案发地点周边过车记录信息的过车时间<=案发作案时间信息的案发结束时间;使用案发作案时间信息列表中数据碰撞时,采用并行执行碰撞或逐条记录递归碰撞操作,获得案发过车记录信息;
对案发过车记录信息进行重复数据清洗,车牌号码和案发地点都相同的数据只保留一条数据;
步骤3.2:归集阶段采用分组归纳法将案发过车记录信息以车牌号码为分组条件进行归集;归集同一车牌号车辆不同案发地点累计出现次数,获得碰撞归集结果数据,将碰撞归集结果中出现次数VALUE>1的数据输出为嫌疑车辆信息列表;
所述步骤4具体包括:
步骤4.1:建立嫌疑车辆案发概率模型:E=M!/N!,其中E表示确定为嫌疑车的概率,N表示案发地点数量,M表示同一车牌号不同案发地点累计出现次数;
步骤4.2:将嫌疑车辆信息列表中数据输入嫌疑车辆案发概率模型中进行计算,以获得各嫌疑车辆的案发概率,生成新的嫌疑车辆信息列表C;
步骤4.3:将新的嫌疑车辆信息列表C按照嫌疑车辆案发概率排序,确定嫌疑车辆排查优先序列,嫌疑车辆案发概率数值越大,犯罪嫌疑越高;
步骤4.4:建立数据清洗规则,数据清洗规则为:当新的嫌疑车辆信息列表C存在E>=1/N的数据时,对新的嫌疑车辆信息列表C中E<1/N的数据进行清洗;其中E<1/N为数据清洗公式;
步骤4.5:根据数据清洗规则对新的嫌疑车辆信息列表C中数据进行清洗,形成最终的嫌疑车辆信息列表。
2.根据权利要求1所述的交通流卡口过车信息中的嫌疑车辆确定方法,其特征在于,所述步骤1具体包括:在关系型数据库的海量过车记录表中,每一条交通流过车记录由序列号、车牌号码、过车时间、卡口编号、方向编号组成,删除车牌号码为空的无效记录;删除与嫌疑车辆识别无关数据维度包括但不限于序列号和方向编号,将保留车牌号码、过车时间和卡口编号三个维度的过车记录迁移到Hadoop集群的分布式数据库HBase内的监控卡口过车记录库。
3.一种嫌疑车辆确定终端,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303574.5A CN116030642B (zh) | 2023-03-27 | 2023-03-27 | 交通流卡口过车信息中的嫌疑车辆确定方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303574.5A CN116030642B (zh) | 2023-03-27 | 2023-03-27 | 交通流卡口过车信息中的嫌疑车辆确定方法及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030642A CN116030642A (zh) | 2023-04-28 |
CN116030642B true CN116030642B (zh) | 2023-06-13 |
Family
ID=86089513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310303574.5A Active CN116030642B (zh) | 2023-03-27 | 2023-03-27 | 交通流卡口过车信息中的嫌疑车辆确定方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030642B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593418A (zh) * | 2009-05-31 | 2009-12-02 | 上海宝康电子控制工程有限公司 | 嫌疑车辆关联查找方法 |
CN105788264B (zh) * | 2016-04-28 | 2018-03-16 | 泰华智慧产业集团股份有限公司 | 基于Hbase的卡口数据区域碰撞分析的方法及系统 |
KR101736314B1 (ko) * | 2016-12-01 | 2017-05-16 | (주)그린아이티코리아 | 전자 장치를 이용한 차량 추적 시스템, 서버 및 그 제공 방법 |
CN107506368A (zh) * | 2017-07-04 | 2017-12-22 | 青岛海信网络科技股份有限公司 | 一种类案嫌疑车辆的确定方法及装置 |
CN107993444B (zh) * | 2017-11-22 | 2021-02-02 | 紫光捷通科技股份有限公司 | 基于卡口过车大数据分析的嫌疑车认定方法 |
CN107945522B (zh) * | 2017-11-24 | 2019-10-29 | 泰华智慧产业集团股份有限公司 | 基于大数据查找嫌疑车辆的方法和系统 |
-
2023
- 2023-03-27 CN CN202310303574.5A patent/CN116030642B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116030642A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133318B (zh) | 一种基于手机信令数据的人口识别方法 | |
CN108346292B (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
CN107330469B (zh) | 一种基于gps轨迹数据的出行方式识别方法 | |
CN109242024B (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
CN107993444B (zh) | 基于卡口过车大数据分析的嫌疑车认定方法 | |
CN105740904A (zh) | 一种基于dbscan聚类算法的出行与活动模式识别方法 | |
CN112131325A (zh) | 轨迹确定方法、装置及设备、存储介质 | |
WO2018176191A1 (zh) | 套牌车识别方法及装置 | |
CN112925820A (zh) | 一种车辆偷逃通行费的识别方法、装置及系统 | |
CN114023076B (zh) | 一种基于多源异构数据的特定车辆追踪方法 | |
CN111949701A (zh) | 一种基于轨迹相似度的移动对象出行规律分析方法及装置 | |
CN113470369B (zh) | 一种基于多维度信息判断套牌车辆真实号牌的方法及系统 | |
Yang et al. | Prediction of traffic accident severity based on random forest | |
Yadamjav et al. | Querying recurrent convoys over trajectory data | |
CN116030642B (zh) | 交通流卡口过车信息中的嫌疑车辆确定方法及终端 | |
CN112637548B (zh) | 一种基于摄像机的信息关联预警方法及装置 | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN116013084A (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 | |
CN112364072A (zh) | 一种涉车非营运车营运发现方法、装置、设备和介质 | |
Debnath et al. | A novel approach to trajectory analysis using string matching and clustering | |
Haryono et al. | Accuracy in Object Detection Based on Image Processing at the Implementation of Motorbike Parking on the Street | |
CN112289028B (zh) | 一种涉车套牌发现方法、装置、设备和介质 | |
CN112182121B (zh) | 一种涉车关系发现方法、装置、设备和介质 | |
CN114519388A (zh) | 一种基于高速etc收费数据的用户细分方法 | |
CN114491061A (zh) | 一种多维数据关联分析系统及方法 |
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 |