CN116824866B - 基于时间和地理因素的伴随车分析方法、系统及介质 - Google Patents
基于时间和地理因素的伴随车分析方法、系统及介质 Download PDFInfo
- Publication number
- CN116824866B CN116824866B CN202311093427.6A CN202311093427A CN116824866B CN 116824866 B CN116824866 B CN 116824866B CN 202311093427 A CN202311093427 A CN 202311093427A CN 116824866 B CN116824866 B CN 116824866B
- Authority
- CN
- China
- Prior art keywords
- effective
- strokes
- time
- vehicle
- similar
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 231100001263 laboratory chemical safety summary Toxicity 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Classifications
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G06F16/23—Updating
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
-
- 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于时间和地理因素的伴随车分析方法、系统及介质,其方法包括以下步骤:获取在预设时间内目标区域中各路口监控设备采集的过车数据;在所述过车数据中提取出每辆车的各段有效行程;基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程;基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程,降低在行程轨迹中因个别点差异导致最终结果不准确的影响,更能准确判定行程轨迹是否属于伴随车属性。
Description
技术领域
本发明涉及伴随车分析技术领域,特别涉及一种基于时间和地理因素的伴随车分析方法、系统及介质。
背景技术
近几年我国汽车保有量不断高速增加,道路和路口承载的电警卡口设备也越来越多,这些前端设备拍摄到的过车数据量也呈爆炸式的增长。交警部门通常需要对卡口系统中海量的过往车辆数据进行检索,找寻一些具有结伴作案或尾随作案特征的嫌疑车辆,工作量巨大。嫌疑车辆在行动过程中,往往具有欺骗性,不会一路结伴随行,会选择在一定道路上进行绕行,避免被发现。交警针对这些具有较深隐匿性的伴随车辆难以进行判别,如果没有一定技术手段,很难发现符合此类规律的车辆。
伴随车是指在同一时间点行车轨迹高度相似或重合的车辆组合。从卡口系统的角度看,团体作案或尾随作案具体表现为多辆车同时出没于特定卡口覆盖范围,利用该特征,从海量过车数据中,就可以提取出满足特定条件的车辆,提高侦破效率,这就是伴随车辆分析。传统的伴随车分析受限于分析服务器内存或数据库的查询效率,往往只能基于限定的很短时间范围内的过车数据进行分析,这样得出的结果并不够准确,尤其在大数据场景情况下存在计算复杂、查询慢并且容易出现内存溢出的缺点。
而目前现有的针对伴随车轨迹信息处理中,大多计算轨迹相似度的方式都是依据DTW动态时间规整或欧式距离两种算法,但DTW和欧式距离对轨迹的个别点差异性非常敏感,如果两个时间序列在大多数时间段具有相似的形态,仅仅在很短的时间具有一定的差异,欧式距离和DTW无法准确衡量这两个时间序列的相似度,但现实中伴随车往往都会出现这种具有隐匿性的轨迹差异特征,以原有的技术难以挖掘出这类规律的车辆组合。
因此针对上述问题,设计一种伴随车分析方案,需要摒弃以往基于限定时间内的过车数据进行分析的方式,降低在行程轨迹中因个别点差异导致最终结果不准确的影响,以结合时间和地理因素来准确挖掘出伴随车,并且对隐匿性较强的伴随关系也有较好的分析效果。
发明内容
本发明提供一种基于时间和地理因素的伴随车分析方法、系统及介质,基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程,降低在行程轨迹中因个别点差异导致最终结果不准确的影响,更能准确判定行程轨迹是否属于伴随车属性。
第一方面,提供一种基于时间和地理因素的伴随车分析方法,包括以下步骤:
获取在预设时间内目标区域中各路口监控设备采集的过车数据;
在所述过车数据中提取出每辆车的各段有效行程;
基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程。
根据第一方面,在第一方面的第一种可能的实现方式中,所述“在所述过车数据中提取出每辆车的各段有效行程”步骤,具体包括以下步骤:
在同一辆车的过车数据中,当检测到同一辆车经过相邻两个路口的时间差大于通行时间阈值时,则去除相邻两个路口之间的过车数据,将相邻两个路口视为两个有效行程分割点,并选出所有的有效行程分割点;
按时间顺序依次选取第一个路口至相邻的一个有效行程分割点之间的过车数据、相邻两个有效行程分割点之间的过车数据、及最后一个路口至相邻的一个有效行程分割点之间的过车数据,并基于预设筛选条件筛选得到每辆车的各段有效行程。
根据第一方面,在第一方面的第二种可能的实现方式中,所述“基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程”步骤,具体包括以下步骤:
判断所有车辆中任意两段有效行程是否为相似行程的计算公式如下:
;
式中,、/>分别为两段有效行程中经过第一个相同路口对应的两个时间;、/>分别为两段有效行程中经过最后一个相同路口对应的两个时间;/>为两段有效行程中经过同一路口时的最小时间间隔;/>为两段有效行程的最大公共子序列数;n为两段有效行程中途径路口数量最少的路口数量;length为两段有效行程中经过的相同路口数量阈值;a为地理因素相似度阈值;
当检测到计算结果f大于等于1时,则判定两段有效行程为相似行程。
根据第一方面,在第一方面的第三种可能的实现方式中,所述“基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程”步骤之后,具体包括以下步骤:
若判断为相似行程,则计算相似的两段有效行程之间的伴随相似度。
根据第一方面,在第一方面的第四种可能的实现方式中,所述相似的两段有效行程之间的伴随相似度SIM的计算公式如下:
;
式中,、/>分别为两段有效行程中经过第一个相同路口对应的两个时间;、/>分别为两段有效行程中经过最后一个相同路口对应的两个时间;/>为两段有效行程中经过同一路口时的最小时间间隔;/>为两段有效行程的最大公共子序列数;n为两段有效行程中途径路口数量最少的路口数量;length为两段有效行程中经过的相同路口数量阈值;a为地理因素相似度阈值。
第二方面,提供了一种基于时间和地理因素的伴随车分析系统,包括:
采集模块,用于获取在预设时间内目标区域中各路口监控设备采集的过车数据;
提取模块,与所述采集模块通信连接,用于在所述过车数据中提取出每辆车的各段有效行程;以及,
判断模块,与所述提取模块通信连接,用于基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程。
一些实施例中,还包括与所述判断模块通信连接的伴随相似度计算模块,用于若判断为相似行程,则计算相似的两段有效行程之间的伴随相似度。
第三方面,提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述基于时间和地理因素的伴随车分析方法。
与现有技术相比,本发明的优点如下:基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程,降低在行程轨迹中因个别点差异导致最终结果不准确的影响,更能准确判定行程轨迹是否属于伴随车属性,因此能准确挖掘出伴随车,并且对隐匿性较强的伴随关系也有较好的分析效果。
附图说明
图1是本发明一种基于时间和地理因素的伴随车分析方法的一实施例的流程示意图;
图2是本发明一种基于时间和地理因素的伴随车分析方法的又一实施例的流程示意图;
图3是本发明一种基于时间和地理因素的伴随车分析系统的结构示意图。
具体实施方式
现在将详细参照本发明的具体实施例,在附图中例示了本发明的例子。尽管将结合具体实施例描述本发明,但将理解,不是想要将本发明限于所述的实施例。相反,想要覆盖由所附权利要求限定的在本发明的精神和范围内包括的变更、修改和等价物。应注意,这里描述的方法步骤都可以由任何功能块或功能布置来实现,且任何功能块或功能布置可被实现为物理实体或逻辑实体、或者两者的组合。
为了使本领域技术人员更好地理解本发明,下面结合附图和具体实施方式对本发明作进一步详细说明。
注意:接下来要介绍的示例仅是一个具体的例子,而不作为限制本发明的实施例必须为如下具体的步骤、数值、条件、数据、顺序等等。本领域技术人员可以通过阅读本说明书来运用本发明的构思来构造本说明书中未提到的更多实施例。
参见图1、图2所示,本发明实施例提供一种基于时间和地理因素的伴随车分析方法,包括以下步骤:
S100,获取目标区域内各路口监控设备采集的过车数据;
S200,在所述过车数据中提取出每辆车的各段有效行程;
S300,基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程。
具体地,本实施例中,以天为单位,对目标区域中各路口监控设备采集的过车数据进行行程分析,摒弃了以往基于限定时间内的过车数据进行分析的方式。同时基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程,降低在行程轨迹中因个别点差异导致最终结果不准确的影响,更能准确判定行程轨迹是否属于伴随车属性,因此能准确挖掘出伴随车,并且对隐匿性较强的伴随关系也有较好的分析效果。
优选地,在本申请另外的实施例中,所述“S200,在所述过车数据中提取出每辆车的各段有效行程”步骤,具体包括以下步骤:
S210,在同一辆车的过车数据中,当检测到同一辆车经过相邻两个路口的时间差大于通行时间阈值时,则去除相邻两个路口之间的过车数据,将相邻两个路口视为两个有效行程分割点,并选出所有的有效行程分割点;
S220,按时间顺序依次选取第一个路口至相邻的一个有效行程分割点之间的过车数据、相邻两个有效行程分割点之间的过车数据、及最后一个路口至相邻的一个有效行程分割点之间的过车数据,并基于预设筛选条件筛选得到每辆车的各段有效行程。
优选地,在本申请另外的实施例中,所述预设筛选条件为各段有效行程中的路口数量大于路口数阈值。
具体地,本实施例中,通过各路口监控设备采集实时过车数据,写入到Doris数据库过车表中,如下表1所示;
表1
再定时读取全天过车数据并进行治理,判断车牌信息是否有效、地理信息中必要字段是否有值且格式正确,如为无效值则舍弃该条数据。再将经过上述处理的过车数据按照车辆行程轨迹定义提取出每辆车在该周期内的OD行程(各段有效行程),并写入到Doris数据库车辆行程库中。车辆行程轨迹定义和处理逻辑如下:
1、定义相邻两个路口最长通行时间(时间阈值)为HIGH_TIME,,其中,时间阈值单位为秒,路口间距单位为千米,轨迹最大断开时间TIME_DIFF;
2、将过车数据中每辆车的第一行记录作为其行程起点,将过车数据先按照车辆id进行排序,然后再将按照车辆id排序之后的路口过车数据按照经过路口的时刻进行排序,计算同一辆车经过相邻两个路口C1和C2的时间差diff,如果diff>HIGH_TIME或者diff>TIME_DIFF,说明车辆有停留,从每辆车的行程起点至路口C1为1个完整的行程轨迹,C2为另一个新的行程的起点,从一个行程的起点到该行程终点即为一个完整OD 行程,如下表2所示,因此即为时间差超过时间阈值,切割为两个行程,因此可得到每辆车的各段有效行程。
表2
3、在每个完整的有效行程上添加分组行程id、行程经过的路口数量、行程起点、行程终点、行程途径路口组合、途径路口时间组合,将各个完整的行程轨迹存入Doris中,如表3所示:
表3
优选地,在本申请另外的实施例中,所述“S300,基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程”步骤,具体包括以下步骤:
判断所有车辆中任意两段有效行程是否为相似行程的计算公式如下:
;
式中,、/>分别为两段有效行程中经过第一个相同路口对应的两个时间;、/>分别为两段有效行程中经过最后一个相同路口对应的两个时间;/>为两段有效行程中经过同一路口时的最小时间间隔;/>为两段有效行程的最大公共子序列数;n为两段有效行程中途径路口数量最少的路口数量;length为两段有效行程中经过的相同路口数量阈值;a为地理因素相似度阈值;ln(x)是指取最大公共子序列数x的自然对数。
当检测到计算结果f大于等于1时,则判定两段有效行程为相似行程。
优选地,在本申请另外的实施例中,所述“S300,基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程”步骤之后,具体包括以下步骤:
S400,若判断为相似行程,则计算相似的两段有效行程之间的伴随相似度。
优选地,在本申请另外的实施例中,所述相似的两段有效行程之间的伴随相似度SIM的计算公式如下:
。
具体地,本实施例中,对得到的各段有效行程,对各段有效行程进行两两比对,判断两条有效行程是否有伴随属性(是否为相似行程),并计算伴随的相似度,具体计算规则如下:
一、时间因素
从Doris行程库中获取两段有效行程,其中每段有效行程途径路口数量必须大于等于3,并标记为、/>。根据行程/>、行程/>途径路口编号组合字段,提取这两个行程中第一个相同路口和最后一个相同路口,并在各自途径路口时间组合字段中提取经过此两个相同路口的时间,标记为/>、/>和/>、/>,若无两个相同路口则直接判断该组行程不为伴随属性。
行程、行程/>为伴随属性特征时经过同一路口下最小时间间隔定义为/>,当且/>时,则判断该组行程在时间上有伴随属性,否则不具有。
由此可推出在时间因素上是否有伴随属性的计算公式:
;
当时,判定为有伴随属性,否则不具有。
进一步的,定义计算基于时间因素的行程、行程/>的伴随相似度公式为:
;
其中与/>时间差、最小间隔/>单位都为秒。
当与/>越接近,/>的值越趋近1,即时间伴随相似度越高。
二、地理因素
针对行程、行程/>,提取行程/>中途径路口编号组合字段整理为数组标记为/>,提取行程/>中途径路口组合字段整理为数组标记为。
取数组和数组/>中最少的元素个数,也就是最少路口数量n。
同时利用LCSS算法计算与/>的最大公共子序列数x;LCSS算法是动态规划中的一个算法,其学名为最长公共子序列算法。最长公共子序列算法的目的是找寻两个字符串之间的共有部分长度,比如说abcbdab与becgba的最长公共子序列是bcba,但原始的LCSS算法无法同时基于时间和地理双维度对两组组合进行相似度评估。
设定两个行程为可靠伴随属性时经过相同路口数量整数阈值标记为length,设定函数,设定地理因素相似度阈值a。
当、/>最少元素个数n<=length时,只有满足/>或/>,行程与行程/>为具有伴随属性,否则不具备。
当、/>最少元素个数n>length时,只有满足/>时,行程/>与行程/>为地理相似伴随轨迹,否则不为伴随轨迹。
由此可推出在地理因素上计算是否为相似行程的公式如下:
;
当时,判定为相似,否则不相似。
进一步的,定义计算基于地理因素的行程、行程/>的伴随相似度公式为:
;
三、结合时间和地理因素
伴随车需结合时间和地理双方面因素,对行程、行程/>是否为相似行程进行归一化处理。
可设定时间和地理两方面因素判断是否为相似行程的计算公式:
;
当时,判定两段有效行程为相似行程。
再对判断为相似行程的基础上,可设定时间和地理两方面因素的伴随相似度计算公式为:
;
当结果越趋近1时,伴随相似度越高。
根据实验结果得出,当=120、a=0.8、length=5的时候,该伴随相似度算法方程在伴随车领域中的相似行程轨迹判断和相似度计算效果比较好。
通过相似行程计算公式,将判定为相似行程的组合写入到Doris库中的行程相似表中。
通过伴随相似度计算公式,将计算伴随相似度值更新到行程相似表中对应相似度字段上,如表4所示:
表4
通过web前端输入要查询车辆对象的伴随车轨迹及其具体日期,根据车辆车牌号码在行程库中查询出该车辆的行程轨迹。选择标记有疑似伴随车的行程轨迹,可在行程相似表中查询到对应的疑似伴随车基本信息、伴随轨迹和相似度,返回给前端进行页面渲染展示。
同时参见图3所示,本发明实施例还提供了一种基于时间和地理因素的伴随车分析系统,包括:
采集模块,用于获取在预设时间内目标区域中各路口监控设备采集的过车数据;
提取模块,与所述采集模块通信连接,用于在所述过车数据中提取出每辆车的各段有效行程;以及,
判断模块,与所述提取模块通信连接,用于基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程。
还包括与所述判断模块通信连接的伴随相似度计算模块,用于若判断为相似行程,则计算相似的两段有效行程之间的伴随相似度。
因此,本发明基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程,降低在行程轨迹中因个别点差异导致最终结果不准确的影响,更能准确判定行程轨迹是否属于伴随车属性,因此能准确挖掘出伴随车,并且对隐匿性较强的伴随关系也有较好的分析效果。
具体的,本实施例与上述方法实施例一一对应,各个模块的功能在相应的方法实施例中已经进行详细说明,因此不再一一赘述。
基于同一发明构思,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的所有方法步骤或部分方法步骤。
本发明实现上述方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
基于同一发明构思,本申请实施例还提供一种电子设备,包括存储器和处理器,存储器上储存有在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法中的所有方法步骤或部分方法步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音播放功能、图像播放功能等);存储数据区可存储根据手机的使用所创建的数据(例如音频数据、视频数据等)。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此,本发明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,本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、服务器和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于时间和地理因素的伴随车分析方法,其特征在于,包括以下步骤:
获取在预设时间内目标区域中各路口监控设备采集的过车数据;
在所述过车数据中提取出每辆车的各段有效行程;
基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程;
所述“在所述过车数据中提取出每辆车的各段有效行程”步骤,具体包括以下步骤:
在同一辆车的过车数据中,当检测到同一辆车经过相邻两个路口的时间差大于通行时间阈值时,则去除相邻两个路口之间的过车数据,将相邻两个路口视为两个有效行程分割点,并选出所有的有效行程分割点;
按时间顺序依次选取第一个路口至相邻的一个有效行程分割点之间的过车数据、相邻两个有效行程分割点之间的过车数据、及最后一个路口至相邻的一个有效行程分割点之间的过车数据,并基于预设筛选条件筛选得到每辆车的各段有效行程;
所述“基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程”步骤,具体包括以下步骤:
判断所有车辆中任意两段有效行程是否为相似行程的计算公式如下:
;
式中,、/>分别为两段有效行程中经过第一个相同路口对应的两个时间;/>、分别为两段有效行程中经过最后一个相同路口对应的两个时间;/>为两段有效行程中经过同一路口时的最小时间间隔;/>为两段有效行程的最大公共子序列数;n为两段有效行程中途径路口数量最少的路口数量;length为两段有效行程中经过的相同路口数量阈值;a为地理因素相似度阈值;
当检测到计算结果f大于等于1时,则判定两段有效行程为相似行程。
2.如权利要求1所述的基于时间和地理因素的伴随车分析方法,其特征在于,所述预设筛选条件为各段有效行程中的路口数量大于路口数阈值。
3.如权利要求1所述的基于时间和地理因素的伴随车分析方法,其特征在于,所述“基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程”步骤之后,具体包括以下步骤:
若判断为相似行程,则计算相似的两段有效行程之间的伴随相似度。
4.如权利要求1所述的基于时间和地理因素的伴随车分析方法,其特征在于,所述相似的两段有效行程之间的伴随相似度SIM的计算公式如下:
;
式中,、/>分别为两段有效行程中经过第一个相同路口对应的两个时间;/>、分别为两段有效行程中经过最后一个相同路口对应的两个时间;/>为两段有效行程中经过同一路口时的最小时间间隔;/>为两段有效行程的最大公共子序列数;n为两段有效行程中途径路口数量最少的路口数量;length为两段有效行程中经过的相同路口数量阈值;a为地理因素相似度阈值。
5.一种基于时间和地理因素的伴随车分析系统,其特征在于,包括:
采集模块,用于获取在预设时间内目标区域中各路口监控设备采集的过车数据;
提取模块,与所述采集模块通信连接,用于在所述过车数据中提取出每辆车的各段有效行程;以及,
判断模块,与所述提取模块通信连接,用于基于时间和地理因素判断所有车辆中任意两段有效行程是否为相似行程;
所述提取模块,用于在同一辆车的过车数据中,当检测到同一辆车经过相邻两个路口的时间差大于通行时间阈值时,则去除相邻两个路口之间的过车数据,将相邻两个路口视为两个有效行程分割点,并选出所有的有效行程分割点;
按时间顺序依次选取第一个路口至相邻的一个有效行程分割点之间的过车数据、相邻两个有效行程分割点之间的过车数据、及最后一个路口至相邻的一个有效行程分割点之间的过车数据,并基于预设筛选条件筛选得到每辆车的各段有效行程;
所述判断模块,用于判断所有车辆中任意两段有效行程是否为相似行程的计算公式如下:
;
式中,、/>分别为两段有效行程中经过第一个相同路口对应的两个时间;/>、分别为两段有效行程中经过最后一个相同路口对应的两个时间;/>为两段有效行程中经过同一路口时的最小时间间隔;/>为两段有效行程的最大公共子序列数;n为两段有效行程中途径路口数量最少的路口数量;length为两段有效行程中经过的相同路口数量阈值;a为地理因素相似度阈值;
当检测到计算结果f大于等于1时,则判定两段有效行程为相似行程。
6.如权利要求5所述的基于时间和地理因素的伴随车分析系统,其特征在于,还包括与所述判断模块通信连接的伴随相似度计算模块,用于若判断为相似行程,则计算相似的两段有效行程之间的伴随相似度。
7.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述基于时间和地理因素的伴随车分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311093427.6A CN116824866B (zh) | 2023-08-29 | 2023-08-29 | 基于时间和地理因素的伴随车分析方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311093427.6A CN116824866B (zh) | 2023-08-29 | 2023-08-29 | 基于时间和地理因素的伴随车分析方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116824866A CN116824866A (zh) | 2023-09-29 |
CN116824866B true CN116824866B (zh) | 2024-01-02 |
Family
ID=88118779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311093427.6A Active CN116824866B (zh) | 2023-08-29 | 2023-08-29 | 基于时间和地理因素的伴随车分析方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824866B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261218A (zh) * | 2015-10-27 | 2016-01-20 | 杭州电子科技大学 | 基于大数据分析的浮动车伴随行为模式挖掘方法 |
CN105825671A (zh) * | 2016-03-21 | 2016-08-03 | 武汉烽火众智数字技术有限责任公司 | 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统 |
WO2016177066A1 (zh) * | 2015-08-06 | 2016-11-10 | 中兴通讯股份有限公司 | 一种人员潜在关系分析方法和装置 |
WO2019237193A1 (en) * | 2018-06-11 | 2019-12-19 | Odaia Intelligence Inc. | Data visualization platform for event-based behavior clustering |
CN112131278A (zh) * | 2020-09-28 | 2020-12-25 | 浙江大华技术股份有限公司 | 轨迹数据的处理方法及装置、存储介质、电子装置 |
CN112131325A (zh) * | 2019-06-25 | 2020-12-25 | 杭州海康威视数字技术股份有限公司 | 轨迹确定方法、装置及设备、存储介质 |
CN114186582A (zh) * | 2021-11-15 | 2022-03-15 | 重庆邮电大学 | 一种基于自然语义处理的同行车辆发现方法 |
CN114707616A (zh) * | 2022-04-29 | 2022-07-05 | 阿里云计算有限公司 | 轨迹间伴随关系的识别方法、装置及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10489823B2 (en) * | 2017-03-31 | 2019-11-26 | Adobe Inc. | Service system to determine journeys based on companion relationship |
US10546043B1 (en) * | 2018-07-16 | 2020-01-28 | Here Global B.V. | Triangulation for K-anonymity in location trajectory data |
US11219075B2 (en) * | 2018-10-22 | 2022-01-04 | Honda Motor Co., Ltd. | Systems and methods for providing a mobility service |
US20200242552A1 (en) * | 2019-01-25 | 2020-07-30 | Honda Motor Co., Ltd. | Systems and methods for providing a porter service |
-
2023
- 2023-08-29 CN CN202311093427.6A patent/CN116824866B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016177066A1 (zh) * | 2015-08-06 | 2016-11-10 | 中兴通讯股份有限公司 | 一种人员潜在关系分析方法和装置 |
CN105261218A (zh) * | 2015-10-27 | 2016-01-20 | 杭州电子科技大学 | 基于大数据分析的浮动车伴随行为模式挖掘方法 |
CN105825671A (zh) * | 2016-03-21 | 2016-08-03 | 武汉烽火众智数字技术有限责任公司 | 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统 |
WO2019237193A1 (en) * | 2018-06-11 | 2019-12-19 | Odaia Intelligence Inc. | Data visualization platform for event-based behavior clustering |
CN112131325A (zh) * | 2019-06-25 | 2020-12-25 | 杭州海康威视数字技术股份有限公司 | 轨迹确定方法、装置及设备、存储介质 |
CN112131278A (zh) * | 2020-09-28 | 2020-12-25 | 浙江大华技术股份有限公司 | 轨迹数据的处理方法及装置、存储介质、电子装置 |
CN114186582A (zh) * | 2021-11-15 | 2022-03-15 | 重庆邮电大学 | 一种基于自然语义处理的同行车辆发现方法 |
CN114707616A (zh) * | 2022-04-29 | 2022-07-05 | 阿里云计算有限公司 | 轨迹间伴随关系的识别方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
Dynamic graph computing: A method of finding companion vehicles from traffic streaming data;Yunpeng Xiao等;ELSEVIER;第128–141页 * |
类自动车牌识别轨迹数据的伴随车辆组挖掘;王保全 等;计算机应用;第 3064-3068页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116824866A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
CN109764881B (zh) | 无人驾驶汽车测试方法、装置、电子设备及介质 | |
CN109359690B (zh) | 基于卡口数据的车辆出行轨迹识别方法 | |
CN109242024B (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
CN107645709B (zh) | 一种确定人员信息的方法及装置 | |
CN106610981A (zh) | 电子地图中道路信息的验证更新方法及系统 | |
CN111090681B (zh) | 一种团伙挖掘方法、装置、设备及存储介质 | |
CN107993444B (zh) | 基于卡口过车大数据分析的嫌疑车认定方法 | |
CN111680377A (zh) | 一种交通态势仿真方法、系统和电子设备 | |
CN104361359A (zh) | 基于图像检测的车辆识别方法 | |
CN110851490B (zh) | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN111400533B (zh) | 图像筛选方法、装置、电子设备和存储介质 | |
CN112132033B (zh) | 车型识别方法、装置、电子设备及存储介质 | |
CN113850237A (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及系统 | |
CN116824866B (zh) | 基于时间和地理因素的伴随车分析方法、系统及介质 | |
CN111369810A (zh) | 车辆出行特征获取方法、装置、电子设备及存储介质 | |
CN111368868B (zh) | 确定车辆套牌的方法、装置及设备 | |
CN116259033A (zh) | 车辆信息丢失的目标跟踪方法、系统、介质及设备 | |
CN114547403B (zh) | 变道场景采集方法、装置、设备及存储介质 | |
CN114781149A (zh) | 一种场景元素信息自动获取方法及系统 | |
CN113160565A (zh) | 一种套牌车辆的识别方法、装置、存储介质及终端 | |
CN113592915B (zh) | 端到端旋转框目标搜索方法、系统及计算机可读存储介质 | |
CN111488876A (zh) | 基于人工智能的车牌识别方法、装置、设备及介质 | |
CN114677837B (zh) | 一种基于雷视数据的交通仿真方法、装置及电子设备 |
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 |