CN117494018A - 一种基于群体数据分析的异常行为监测预警方法 - Google Patents
一种基于群体数据分析的异常行为监测预警方法 Download PDFInfo
- Publication number
- CN117494018A CN117494018A CN202311299085.3A CN202311299085A CN117494018A CN 117494018 A CN117494018 A CN 117494018A CN 202311299085 A CN202311299085 A CN 202311299085A CN 117494018 A CN117494018 A CN 117494018A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- abnormal
- target
- curve
- vehicle running
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 147
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 114
- 230000006399 behavior Effects 0.000 claims description 30
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011049 filling Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种基于群体数据分析的异常行为监测预警方法，涉及监测预警技术领域，所述方法包括：设置目标监测区域，获取监测区域基础数据，然后调取历史群体交通数据，按照单体车辆进行划分提取，获取车辆行驶记录集，对行驶记录进行行为标注，将正常车辆行驶记录的曲线拟合得到正常车辆行驶曲线，同上获得异常车辆行驶曲线，最终结合进行车辆行为预警。本申请主要解决了数据质量不高、精度不够的问题，还解决了现有技术针对特定场景设定，对其他场景适应性不足的问题，通过对历史交通数据进行单个车辆划分提取，分别对正常车辆和异常车辆进行标注，根据正常车辆和异常车辆进行异常行为预警，提高了预警精度和适应性。
Description
技术领域
本发明涉及监测预警的技术领域，具体涉及一种基于群体数据分析的异常行为监测预警方法。
背景技术
在很多场景下，如交通、安全监控等，对人群异常行为的检测都非常重要。例如，在交通领域，如果有人群突然聚集在马路上并开始做出异常的行为，这可能预示着有交通事故即将发生，在安全监控领域，如果有人做出了异常的行为，这可能预示着有某种风险存在。
现有技术是通过对海量的交通数据进行实时分析，可以发现和预警交通异常行为。这些数据包括交通流量、GPS轨迹、社交媒体信息等。利用机器学习和人工智能技术，可以对这些数据进行分析和学习，从而发现和预警异常行为。
现有技术的监测预警方法在数据采集、处理和分析的环节中，仍然存在数据质量不高、精度不够的问题，导致预警的准确性和可靠性受到限制，不同的交通场景具有不同的特点，目前的监测预警方法往往针对特定场景设计，对于其他场景可能适应性不足的问题。
发明内容
本申请主要解决了数据质量不高、精度不够的问题，还解决了现有技术针对特定场景设定，对其他场景适应性不足的问题。
鉴于上述问题，本申请实施例提供了一种基于群体数据分析的异常行为监测预警方法，第一方面，本申请实施例提供了一种基于群体数据分析的异常行为监测预警方法，所述方法包括：设置目标监测区域，并对所述目标监测区域进行标识，获取监测区域基础数据，所述监测区域基础数据包括区域起始线与区域终止线，根据所述目标监测区域，交互交通监控系统，从所述交通监控系统中调取历史群体交通数据，根据所述历史群体交通数据，将经过所述目标监测区域的车辆行驶记录按照单个车辆进行划分提取，获取车辆行驶记录集，所述车辆行驶记录集包含多个车辆的行驶路线，对所述车辆行驶记录集进行行为标注，获取正常车辆行驶记录集和异常车辆行驶记录集，根据所述正常车辆行驶记录集、所述区域起始线与所述区域终止线进行正常车辆行驶记录的曲线拟合，获取正常车辆行驶曲线集，根据所述异常车辆行驶记录集、所述区域起始线与所述区域终止线进行异常车辆行驶记录的曲线拟合，获取异常车辆行驶曲线集，基于所述正常车辆行驶曲线集与所述异常车辆行驶记录集进行车辆的异常行为预警。
第二方面，本申请实施例提供了一种基于群体数据分析的异常行为监测预警系统，所述系统包括：目标监测区域设置模块，所述目标监测区域设置模块用于设置目标监测区域，并对所述目标监测区域进行标识，获取监测区域基础数据，所述监测区域基础数据包括区域起始线与区域终止线，历史群体交通数据调取模块，所述历史群体交通数据模块用于根据所述目标监测区域，交互交通监控系统，从所述交通监控系统中调取历史群体交通数据，车辆行驶记录集获取模块，所述车辆行驶记录集获取模块用于根据所述历史群体交通数据，将经过所述目标监测区域的车辆行驶记录按照单个车辆进行划分提取，获取车辆行驶记录集，所述车辆行驶记录集包含多个车辆的行驶路线，行驶记录集获取模块，所述行驶记录集获取模块是对所述车辆行驶记录集进行行为标注，获取正常车辆行驶记录集和异常车辆行驶记录集，正常行驶曲线集获取模块，所述正常行驶曲线集获取模块用于根据所述正常车辆行驶记录集、所述区域起始线与所述区域终止线进行正常车辆行驶记录的曲线拟合，获取正常车辆行驶曲线集，异常车辆行驶集获取模块，所述异常车辆行驶集获取模块用于根据所述异常车辆行驶记录集、所述区域起始线与所述区域终止线进行异常车辆行驶记录的曲线拟合，获取异常车辆行驶曲线集，异常行为预警模块，所述异常行为预警模块用于基于所述正常车辆行驶曲线集与所述异常车辆行驶记录集进行车辆的异常行为预警。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供了一种基于群体数据分析的异常行为监测预警方法，涉及监测预警技术领域，所述方法包括：设置目标监测区域，获取监测区域基础数据，然后结合交互交通检监控系统调取历史群体交通数据，按照单体车辆进行划分提取，获取车辆行驶记录集，对行驶记录进行行为标注，将正常车辆行驶记录的曲线拟合得到正常车辆行驶曲线，同上获得异常车辆行驶曲线，最终结合进行车辆行为预警。
本申请主要解决了数据质量不高、精度不够的问题，还解决了现有技术针对特定场景设定，对其他场景适应性不足的问题，通过对历史交通数据进行单个车辆划分提取，分别对正常车辆和异常车辆进行标注，根据正常车辆和异常车辆进行异常行为预警，提高了预警精度和适应性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了一种基于群体数据分析的异常行为监测预警方法流程示意图；
图2为本申请实施例提供了一种基于群体数据分析的异常行为监测预警方法中，将所述第一车辆行驶记录添加至车辆行驶记录集中的方法流程示意图；
图3为本申请实施例提供了一种基于群体数据分析的异常行为监测预警方法中，将所述第一正常车辆行驶曲线添加至所述正常车辆行驶曲线集中的方法流程示意图；
图4为本申请实施例提供了一种基于群体数据分析的异常行为监测预警系统的结构示意图。
附图标记说明：目标监测区域设置模块10，历史群体交通数据调取模块20，车辆行驶记录集获取模块30，行驶记录集获取模块40，正常行驶曲线集获取模块50，异常车辆行驶集获取模块60，异常行为预警模块70。
具体实施方式
本申请主要解决了数据质量不高、精度不够的问题，还解决了现有技术针对特定场景设定，对其他场景适应性不足的问题，通过对历史交通数据进行单个车辆划分提取，分别对正常车辆和异常车辆进行标注，根据正常车辆和异常车辆进行异常行为预警，提高了预警精度和适应性。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍：
实施例一
如图1所示一种基于群体数据分析的异常行为监测预警方法，所述方法包括：
设置目标监测区域，并对所述目标监测区域进行标识，获取监测区域基础数据，所述监测区域基础数据包括区域起始线与区域终止线；
具体而言，设置目标监测区域，目标监测区域为城市交通区域，获取监测区域基础数据，城市交通区域包括交通要道车速大车速快容易发生交通事故的道路，交通枢纽如地铁站、公交站等，商业区如购物中心、旅游景点等，学校和医院、城市的出入口，并对目标监测区域进行标识，设立标识牌：在监测区域周边设立明显的标识牌，明确标明监测区域的范围和警示信息。标识用油漆、涂料等在道路、建筑物或其他载体上划定监测区域地边界线的道路，以及在监测区域周边安装警示灯或交通信号灯等设备的道路，安装摄像头、设立路障和隔离带的道路，所述监测区域基础数据包括区域起始线与区域终止线。获得监测区域方便对区域进行分块管理。
根据所述目标监测区域，交互交通监控系统，从所述交通监控系统中调取历史群体交通数据；
具体而言，根据目标监测区域，获得交互交通监控系统，包括实时和历史的交通信息，例如交通流量、车速、道路状况、气象条件，用户指令调取某个该监测区域的历史群体交通数据，系统接收到指令后，从历史数据存储设备中调取相应目标监测区域的历史群体交通数据，该数据包括但不限于交通流量、车速、道路状况、气象条件等，还包括一些个人信息，例如驾驶员、车辆、行人以及道路使用者的相关信息。可以用于身份认证、事故处理和案件调查系统将调取的历史群体交通数据处理，以便更好地理解数据和做出决策。
根据所述历史群体交通数据，将经过所述目标监测区域的车辆行驶记录按照单个车辆进行划分提取，获取车辆行驶记录集，所述车辆行驶记录集包含多个车辆的行驶路线；
具体而言，在获取到历史群体交通数据后，可以根据目标监测区域的车辆行驶记录进行划分提取。具体可以按照单个车辆进行划分，获取车辆行驶记录集。该车辆行驶记录集包含了多个车辆的行驶路线信息。遍历历史群体交通数据，将数据中经过目标监测区域的车辆行驶记录进行提取，根据车辆识别信息(例如车牌号、车辆型号等)将车辆行驶记录进行划分，将每个车辆的行驶记录按照时间顺序或其他标准进行排列，形成车辆行驶路线信息，将车辆行驶路线信息保存到车辆行驶记录集中，形成一个包含多个车辆行驶路线的集合，可以进一步对车辆行驶记录集进行分析，例如对不同车辆的行驶路线进行分析、统计和比较等。
对所述车辆行驶记录集进行行为标注，获取正常车辆行驶记录集和异常车辆行驶记录集；
具体而言，首先对获取的车辆行驶记录集进行清洗和处理，包括删除重复数据、填充缺失值、纠正错误数据等，从车辆行驶记录中提取出与车辆行为相关的特征，例如行驶速度、加速度、行驶时间、行驶距离、交通规则违反情况，将车辆的行驶行为分为正常和异常两类。例如，可以根据交通规则和实际交通情况，制定一系列的标准，如超速、闯红灯、偏离行驶路线，通过人工检查每个车辆的行驶记录，并按照标注标准进行分类标注，根据标注结果，可以识别出异常车辆的行驶记录。这些记录存在违反交通规则或不符合一般行为模式的情况，需要进行重点关注和处理，得到正常行驶记录集和异常车辆行驶记录集，可以是对两种行驶记录分别处理。
根据所述正常车辆行驶记录集、所述区域起始线与所述区域终止线进行正常车辆行驶记录的曲线拟合，获取正常车辆行驶曲线集；
具体而言，对得到的正常车辆行驶记录集进行数据预处理，包括数据清洗、缺失值填充、异常值处理，从正常车辆行驶记录中提取出与曲线拟合相关的特征，比如行驶速度、加速度、行驶时间、行驶距离等可以反映车辆行驶状态和行为的特征，使用神经网络回归进行曲线拟合，并对正常车辆行驶记录进行训练，得到曲线拟合的系数和参数，根据训练得到的模型参数，将正常车辆行驶记录拟合为一条曲线，对曲线拟合的结果进行评估，比较拟合曲线与实际车辆行驶记录的差异和误差。可以采用均方误差(MSE)、平均绝对误差(MAE)、R方值(R-squared)等来进行评估，评估完成后得到正常车辆行驶区曲线集。
根据所述异常车辆行驶记录集、所述区域起始线与所述区域终止线进行异常车辆行驶记录的曲线拟合，获取异常车辆行驶曲线集；
具体而言，对得到的异常车辆行驶记录集进行数据预处理，包括数据清洗、缺失值填充、异常值处理，从异常车辆行驶记录中提取出与曲线拟合相关的特征，比如行驶速度、加速度、行驶时间、行驶距离等可以反映车辆行驶状态和行为的特征，使用神经网络回归进行曲线拟合，并对异常车辆行驶记录进行训练，得到曲线拟合的系数和参数，根据训练得到的模型参数，将异常车辆行驶记录拟合为一条曲线，对曲线拟合的结果进行评估，比较拟合曲线与实际车辆行驶记录的差异和误差。可以采用均方误差(MSE)、平均绝对误差(MAE)、R方值(R-squared)等来进行评估，评估完成后得到异常车辆行驶区曲线集
基于所述正常车辆行驶曲线集与所述异常车辆行驶记录集进行车辆的异常行为预警。
具体而言，正常行驶曲线集通常包括车辆在各种行驶状态和情况下的速度、加速度等特征的变化趋势和规律，而异常行驶曲线集则包含车辆在行驶过程中出现的异常行为和事件，例如急刹车、急加速、偏离正常路线，对收集的正常车辆行驶曲线集和异常车辆行驶曲线集，进行清洗、填充缺失值、处理异常值等，采用机器学习算法对特征进行学习和分类，以检测车辆的异常行为。可以比较特征与正常车辆行驶曲线集中的数据进行差异分析，得到异常误差值，根据检测到的异常行为，设计相应的预警机制。例如，当检测到车辆速度骤然增加或突然急刹车时，可以发出超速或危险驾驶的预警信号。当预警系统检测到车辆偏离正常行驶车道时，系统会发出警报提醒驾驶员注意并纠正行驶方向，当预警系统检测到前方障碍物和车辆，并预测可能与前车发生碰撞的风险时，会发出警报提醒驾驶员采取措施避免碰撞，当预警系统检测到闯红灯信号灯时，会发出警报提醒驾驶员注意信号灯并减速通过。可以及时发现并纠正车辆的异常行为或状况，提高行车安全性和效率
进一步而言，如图2所示，本申请方法，根据所述历史群体交通数据，将经过所述目标监测区域的车辆行驶记录按照单个车辆进行划分提取，获取车辆行驶记录集，还包括：
设置所述目标监测区域进行坐标系，获取目标坐标系；
具体而言，以摄像机为远点，X轴和Y轴分别平行于图像坐标系的X轴和Y轴，X和Y分别代表长和宽来建立一个坐标系。这个坐标系为监控区域的坐标系。这个坐标系中的每一个点都可以被准确地描述。例如，我们可以在这个坐标系中标注出车辆或物体的位置。
对所述历史群体交通数据按照目标监测区域进行分割，获取目标群体交通数据；
具体而言，历史群体交通数据包括车流量、平均速度、拥堵情况等，构建目标群体交通数据。确定的交通监测区域，将历史群体交通数据按照时间顺序进行分割。例如，可以使用时间分片的方式将历史交通数据按照时间先后顺序分割成不同的时间段，每个时间段对应一个交通监测区域，也可以根据道路的交叉口、路段、隧道等进行划分，也可以根据行政区域进行目标区域划分，获取目标群体交通数据。
在所述目标群体交通数据中获取第一车辆交通数据，将所述第一车辆交通数据中的行驶路线进行提取，映射至所述目标坐标系，获取第一车辆行驶记录，所述第一车辆行驶记录为在所述目标坐标系上的一系列坐标点；
将所述第一车辆行驶记录添加至车辆行驶记录集中。
具体而言，在目标群体交通数据中获取第一车辆交通数据，第一车辆交通数据为随机一辆相同车辆的交通数据，提取的行驶路线包括方向、速度、时间，再将提取到的数据进行异常去除和数据平滑，再将处理后的数据映射至坐标系中，映射至所述目标坐标系，将行驶路线中的每个点的位置转换成目标坐标系中的坐标点，从而得到第一车辆行驶记录。通过将第一车辆行驶记录添加至车辆行驶记录集中，使用数据库来存储车辆行驶记录，使用数据库的插入语句将第一车辆行驶记录插入到数据库中，我们可以方便地管理和访问这些数据，进行分析和处理。
进一步而言，本申请方法，根据所述正常车辆行驶记录集、所述区域起始线与所述区域终止线进行正常车辆行驶记录的曲线拟合，获取正常车辆行驶曲线集，还包括：
在所述正常车辆行驶记录集中提取第一正常车辆行驶记录；
从所述第一正常车辆行驶记录中提取第一起始坐标点，当所述起始坐标点不属于所述区域起始线，将所述第一起始坐标点拟合至所述区域起始线，获取第二起始坐标点；
具体而言，在正常车辆行驶记录集中提取第一正常车辆行驶记录，使用数据库来存储车辆行驶记录，在数据库中使用查找SQL从数据库中查找正常车辆行驶记录，从第一正常车辆行驶记录中提取第一起始坐标点，第一车辆交通数据为随机一辆相同车辆的交通数据，提取的行驶路线包括方向、速度、时间，再将提取到的数据进行异常去除和数据平滑，再将处理后的数据映射至坐标系中，映射至所述目标坐标系，起始坐标点为车辆启动时的位置，当起始坐标点不属于所述区域起始线，将第一起始坐标点拟合至所述区域起始线，利用，目标区域的起始的位置，利用行驶路线来计算拟合曲线的形状，这样就可以把拟合曲线和原来的观测点定位起来。使用多项式来模拟数据集合中存在的趋势，以更准确地描绘出这种趋势。这样可以更准确地分析数据之间的关系。获取第二起始坐标点。
当所述第一起始坐标点属于所述区域起始线时，将所述第一起始坐标点作为所述第二起始坐标点；
从所述第一正常车辆行驶记录中提取第一终止坐标点，当所述终止坐标点不属于所述区域终止线，将所述第一终止坐标点拟合至所述区域终止线，获取第二终止坐标点；
具体而言，当第一起始坐标点属于所述区域起始线时，将所述第一起始坐标点作为所述第二起始坐标点，从第一正常车辆行驶记录中提取第一终止坐标点，第一终止目标为行驶路线的终点位置，当所述终止坐标点不属于所述区域终止线，将所述第一终止坐标点拟合至所述区域终止线，利用目标终止的位置，利用行驶路线来计算拟合曲线的形状，这样就可以把拟合曲线和原来的观测点定位起来。使用多项式来模拟数据集合中存在的趋势，以更准确地描绘出这种趋势。这样可以更准确地分析数据之间的关系，获取第二终止坐标点。
当所述第一终止坐标点属于所述区域终止线时，将所述第一终止坐标点作为所述第二终止坐标点；
根据所述第二起始坐标点、所述第二终止坐标点与所述第一正常车辆行驶记录中的其余坐标点进行曲线拟合，获取第一正常车辆行驶曲线；
将所述第一正常车辆行驶曲线添加至所述正常车辆行驶曲线集中。
具体而言，当第一终止坐标点属于所述区域终止线时，将所述第一终止坐标点作为所述第二终止坐标点，根据第二起始坐标点、所述第二终止坐标点与所述第一正常车辆行驶记录中的其余坐标点进行曲线拟合，利用其余坐标点的位置，利用行驶路线来计算拟合曲线的形状，这样就可以把拟合曲线和原来的观测点定位起来。使用多项式来模拟数据集合中存在的趋势，以更准确地描绘出这种趋势。这样可以更准确地分析数据之间的关系，获取第一正常车辆行驶曲线，将所述第一正常车辆行驶曲线添加至所述正常车辆行驶曲线集中，使用数据库来存储车辆行驶记录，使用数据库的插入语句将第一车辆行驶记录插入到数据库中。
进一步而言，本申请方法还包括：
根据所述正常车辆行驶曲线集和所述目标监测区域建立正常行驶模型；
当目标车辆进入所述目标监测区域时，获取所述目标车辆经过所述区域起始线位置，获取目标坐标点；
具体而言，根据正常车辆行驶曲线集和所述目标监测区域建立行驶模型，先对这些数据进行清洗和预处理，例如去除异常值、填补缺失值，使用决策树来预测车辆的行驶路径，将准备好的数据集分为训练集和验证集。使用训练集对模型进行训练，并使用验证集对模型的性能进行评估，获得正常行驶模型，在目标监测区域的起始线位置安装传感器或摄像头等设备，以检测车辆的经过，当目标车辆经过起始线位置时，传感器或摄像头会发出信号，记录车辆的经过时间、车牌号等信息，根据车辆的行驶速度和经过时间，可以计算出车辆从起始线到目标监测区域内的任意位置所需的时间。将计算出的时间和车辆的速度输入到正常行驶模型中，可以得到目标车辆在目标监测区域内的行驶轨迹和目标坐标点。
根据所述目标坐标点，在所述正常行驶模型中进行响应，获取以所述目标坐标点为起始坐标点的正常车辆行驶曲线，作为应当车辆行驶曲线集；
当所述目标车辆按照所述应当车辆行驶曲线集中的车辆行驶曲线行驶时，标识所述目标车辆为正常行驶。
具体而言，通过正常行驶模型对目标坐标点进行响应，获取以该目标坐标点为起始坐标的正常车辆行驶曲线，并将其作为应当车辆行驶曲线集。使用模型对车辆行驶数据进行拟合，预测车辆行驶轨迹等。正常行驶模型可能会根据历史数据和算法来预测车辆在不同情况下的正常行驶轨迹和行为，然后与实际车辆的行驶轨迹进行比较，以判断其是否正常行驶，当目标车辆按照这个应当车辆行驶曲线集中的车辆行驶曲线行驶时，就标识该目标车辆为正常行驶，可以帮助提高自动驾驶车辆的安全性和可靠性，通过实时监测和预测车辆的行驶轨迹和行为，判断其是否正常行驶，从而更好地应对各种交通情况和障碍。
进一步而言，本申请方法还包括：
对所述目标监测区域按照行驶方向进行等距划分，获取多个车辆监测线；
根据所述应当车辆行驶曲线集中的正常车辆行驶曲线与所述多个车辆监测线进行交叉，获取多组车辆应当坐标点，其中，每组车辆应当坐标点对应一条车辆监测线；
对所述目标车辆进行监测，当所述目标车辆未在车辆应当坐标点时，调取异常行驶模型对所述目标车辆进行行为判断，获取异常行为等级；
根据所述异常行为等级对所述目标车辆进行异常行为预警。
具体而言，对目标监测区域进行等距划分，获取多个车辆监测线。在目标监测区域内，按照一定的距离将区域划分为多个线段，这些线段可以为车辆行驶的轨迹或路径。根据应当车辆行驶曲线集中的正常车辆行驶曲线与多个车辆监测线进行交叉，获取多组车辆应当坐标点。使用数学模型来模拟车辆在不同时间点的位置和速度，然后将这些预测的位置与车辆监测线进行交叉，从而得到车辆应当坐标点。当目标车辆未在车辆应当坐标点时，调取异常行驶模型对目标车辆进行行为判断，获取异常行为等级。对目标车辆的实际位置、速度、加速度等参数进行实时监测，并与正常行驶模型中的预期行为进行比较。如果存在较大差异，则可能判定为目标车辆存在异常行为。根据异常行为等级对目标车辆进行异常行为预警。将异常行为等级进行分类，然后根据不同的等级采取不同的预警措施，例如发送短信、声音报警等。提高交通系统的效率和安全性。
进一步而言，本申请方法还包括：
根据所述异常车辆行驶曲线集，提取异常行为因子；
基于所述异常行为因子，在所述目标监测区域中进行随机扰动，获取扩充异常车辆行驶曲线；
根据所述异常车辆行驶曲线集与所述扩充异常车辆行驶曲线建立所述异常行驶模型；
其中，所述异常行驶模型中包含多个异常车辆行为与多个异常行为等级，所述异常车辆行为具有对应的所述异常行为等级。
具体而言，根据异常车辆行驶曲线集，提取异常行为因子。对异常车辆的历史行驶数据进行深入分析和挖掘，找出可能表示异常行为的特征或模式。在目标监测区域中进行随机扰动，获取扩充异常车辆行驶曲线。利用异常行为因子来生成一些随机扰动，然后将这些扰动应用到正常行驶模型中，从而得到一些扩充的异常车辆行驶曲线。根据异常车辆行驶曲线集与扩充异常车辆行驶曲线建立异常行驶模型。将扩充的异常车辆行驶曲线与原始的异常车辆行驶曲线集合并，然后使用这些数据来训练或优化异常行驶模型。异常行驶模型中包含多个异常车辆行为与多个异常行为等级，异常车辆行为具有对应的所述异常行为等级。可以更准确地识别和预测车辆的异常行为，从而采取及时的预警措施。
进一步而言，如图3所示，本申请方法还包括：
获取所述目标车辆的目标起始坐标点和目标实时坐标点，根据所述目标起始坐标点和所述目标实时坐标点进行曲线模拟，获取实时曲线段；
根据所述实时曲线段在所述异常行驶模型中进行曲线段匹配，获取曲线段匹配结果；
根据所述曲线段匹配结果获取匹配异常车辆行驶曲线；
基于所述异常行为因子、所述匹配异常车辆行驶曲线获取所述目标车辆的异常行为等级；
根据所述异常行为等级对所述目标车辆进行异常行为预警。
具体而言，可以通过目标车辆的GPS或者其他定位系统得到实时坐标点。目标起始坐标点是车辆开始行驶时的位置，目标实时坐标点是车辆在实时监测过程中所处的位置。根据目标起始坐标点和目标实时坐标点进行曲线模拟，例如贝塞尔曲线或样条插值等，根据目标起始坐标点和目标实时坐标点，以及车辆的速度和方向等参数，来模拟车辆的行驶轨迹，从而得到实时曲线段。将实时曲线段与异常行驶模型中的已知异常车辆行驶曲线进行比较。使用神经网络或深度学习模型进行特征提取和匹配。通过匹配结果，可以找出与实时曲线段最相似的异常车辆行驶曲线。将异常行为因子和匹配到的异常车辆行驶曲线一起考虑，通过一些算法或模型来确定目标车辆的异常行为等级。最后，根据确定的异常行为等级，采取相应的预警措施，例如向驾驶员发送警告信息，或者联系相关机构进行紧急处理等。
实施例二
基于与前述实施例一种基于群体数据分析的异常行为监测预警方法相同的发明构思，如图4所示，本申请提供了一种基于群体数据分析的异常行为监测预警系统，所述系统包括：
目标监测区域设置模块10，所述目标监测区域设置模块10用于设置目标监测区域，并对所述目标监测区域进行标识，获取监测区域基础数据，所述监测区域基础数据包括区域起始线与区域终止线；
历史群体交通数据调取模块20，所述历史群体交通数据模块20用于根据所述目标监测区域，交互交通监控系统，从所述交通监控系统中调取历史群体交通数据；
车辆行驶记录集获取模块30，所述车辆行驶记录集获取模块30用于根据所述历史群体交通数据，将经过所述目标监测区域的车辆行驶记录按照单个车辆进行划分提取，获取车辆行驶记录集，所述车辆行驶记录集包含多个车辆的行驶路线；
行驶记录集获取模块40，所述行驶记录集获取模块40是对所述车辆行驶记录集进行行为标注，获取正常车辆行驶记录集和异常车辆行驶记录集；
正常行驶曲线集获取模块50，所述正常行驶曲线集获取模块50用于根据所述正常车辆行驶记录集、所述区域起始线与所述区域终止线进行正常车辆行驶记录的曲线拟合，获取正常车辆行驶曲线集；
异常车辆行驶集获取模块60，所述异常车辆行驶集获取模块60用于根据所述异常车辆行驶记录集、所述区域起始线与所述区域终止线进行异常车辆行驶记录的曲线拟合，获取异常车辆行驶曲线集；
异常行为预警模块70，所述异常行为预警模块70用于基于所述正常车辆行驶曲线集与所述异常车辆行驶记录集进行车辆的异常行为预警。
进一步地，本申请还包括：
目标坐标系获取模块，设置所述目标监测区域进行坐标系，获取目标坐标系；
群体交通数据获取模块，对所述历史群体交通数据按照目标监测区域进行分割，获取目标群体交通数据；
行驶记录获取模块，在所述目标群体交通数据中获取第一车辆交通数据，将所述第一车辆交通数据中的行驶路线进行提取，映射至所述目标坐标系，获取第一车辆行驶记录，所述第一车辆行驶记录为在所述目标坐标系上的一系列坐标点；
添加模块，将所述第一车辆行驶记录添加至车辆行驶记录集中。
进一步地，本申请还包括：
记录提取模块，在所述正常车辆行驶记录集中提取第一正常车辆行驶记录；
第二起始坐标点模块，从所述第一正常车辆行驶记录中提取第一起始坐标点，当所述起始坐标点不属于所述区域起始线，将所述第一起始坐标点拟合至所述区域起始线，获取第二起始坐标点；
第一作为第二模块，当所述第一起始坐标点属于所述区域起始线时，将所述第一起始坐标点作为所述第二起始坐标点；
第二终止坐标获取模块，从所述第一正常车辆行驶记录中提取第一终止坐标点，当所述终止坐标点不属于所述区域终止线，将所述第一终止坐标点拟合至所述区域终止线，获取第二终止坐标点；
第一作为第二模块，当所述第一终止坐标点属于所述区域终止线时，将所述第一终止坐标点作为所述第二终止坐标点；
第一正常行驶路线获取模块，根据所述第二起始坐标点、所述第二终止坐标点与所述第一正常车辆行驶记录中的其余坐标点进行曲线拟合，获取第一正常车辆行驶曲线；
行驶曲线集添加模块，将所述第一正常车辆行驶曲线添加至所述正常车辆行驶曲线集中。
进一步地，本申请还包括：
行驶模型建立模块，根据所述正常车辆行驶曲线集和所述目标监测区域建立正常行驶模型；
目标坐标点获取模块，当目标车辆进入所述目标监测区域时，获取所述目标车辆经过所述区域起始线位置，获取目标坐标点；
目标坐标点获取模块，根据所述目标坐标点，在所述正常行驶模型中进行响应，获取以所述目标坐标点为起始坐标点的正常车辆行驶曲线，作为应当车辆行驶曲线集；
判断模块，当所述目标车辆按照所述应当车辆行驶曲线集中的车辆行驶曲线行驶时，标识所述目标车辆为正常行驶。
进一步地，本申请还包括：
车辆监测模块，对所述目标监测区域按照行驶方向进行等距划分，获取多个车辆监测线；
多组车辆坐标点获取模块，根据所述应当车辆行驶曲线集中的正常车辆行驶曲线与所述多个车辆监测线进行交叉，获取多组车辆应当坐标点，其中，每组车辆应当坐标点对应一条车辆监测线；
异常行为等级获取模块，对所述目标车辆进行监测，当所述目标车辆未在车辆应当坐标点时，调取异常行驶模型对所述目标车辆进行行为判断，获取异常行为等级；
行为预警模块，根据所述异常行为等级对所述目标车辆进行异常行为预警。
进一步地，本申请还包括：
异常行为因子提取模块，根据所述异常车辆行驶曲线集，提取异常行为因子；
行驶曲线扩充模块，基于所述异常行为因子，在所述目标监测区域中进行随机扰动，获取扩充异常车辆行驶曲线；
异常行驶模型建立模块，根据所述异常车辆行驶曲线集与所述扩充异常车辆行驶曲线建立所述异常行驶模型；
等级区分模块，其中，所述异常行驶模型中包含多个异常车辆行为与多个异常行为等级，所述异常车辆行为具有对应的所述异常行为等级。
进一步地，本申请还包括：
实时曲线获取模块，获取所述目标车辆的目标起始坐标点和目标实时坐标点，根据所述目标起始坐标点和所述目标实时坐标点进行曲线模拟，获取实时曲线段；
曲线匹配结果获取模块，根据所述实时曲线段在所述异常行驶模型中进行曲线段匹配，获取曲线段匹配结果；
异常行驶路线获取模块，根据所述曲线段匹配结果获取匹配异常车辆行驶曲线；
异常行为等级获取模块，基于所述异常行为因子、所述匹配异常车辆行驶曲线获取所述目标车辆的异常行为等级；
行为预警模块，根据所述异常行为等级对所述目标车辆进行异常行为预警。
说明书通过前述一种基于群体数据分析的异常行为监测预警方法的详细描述，本领域技术人员可以清楚地知识本实施例中一种基于群体数据分析的异常行为监测预警系统，对于实施例公开的系统而言，由于其与实施例公开装置相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于群体数据分析的异常行为监测预警方法，其特征在于，所述方法包括：
设置目标监测区域，并对所述目标监测区域进行标识，获取监测区域基础数据，所述监测区域基础数据包括区域起始线与区域终止线；
根据所述目标监测区域，交互交通监控系统，从所述交通监控系统中调取历史群体交通数据；
根据所述历史群体交通数据，将经过所述目标监测区域的车辆行驶记录按照单个车辆进行划分提取，获取车辆行驶记录集，所述车辆行驶记录集包含多个车辆的行驶路线；
对所述车辆行驶记录集进行行为标注，获取正常车辆行驶记录集和异常车辆行驶记录集；
根据所述正常车辆行驶记录集、所述区域起始线与所述区域终止线进行正常车辆行驶记录的曲线拟合，获取正常车辆行驶曲线集；
根据所述异常车辆行驶记录集、所述区域起始线与所述区域终止线进行异常车辆行驶记录的曲线拟合，获取异常车辆行驶曲线集；
基于所述正常车辆行驶曲线集与所述异常车辆行驶记录集进行车辆的异常行为预警。
2.根据权利要求1所述的方法，其特征在于，根据所述历史群体交通数据，将经过所述目标监测区域的车辆行驶记录按照单个车辆进行划分提取，获取车辆行驶记录集，包括：
设置所述目标监测区域进行坐标系，获取目标坐标系；
对所述历史群体交通数据按照目标监测区域进行分割，获取目标群体交通数据；
在所述目标群体交通数据中获取第一车辆交通数据，将所述第一车辆交通数据中的行驶路线进行提取，映射至所述目标坐标系，获取第一车辆行驶记录，所述第一车辆行驶记录为在所述目标坐标系上的一系列坐标点；
将所述第一车辆行驶记录添加至车辆行驶记录集中。
3.根据权利要求1所述的方法，其特征在于，根据所述正常车辆行驶记录集、所述区域起始线与所述区域终止线进行正常车辆行驶记录的曲线拟合，获取正常车辆行驶曲线集，包括：
在所述正常车辆行驶记录集中提取第一正常车辆行驶记录；
从所述第一正常车辆行驶记录中提取第一起始坐标点，当所述起始坐标点不属于所述区域起始线，将所述第一起始坐标点拟合至所述区域起始线，获取第二起始坐标点；
当所述第一起始坐标点属于所述区域起始线时，将所述第一起始坐标点作为所述第二起始坐标点；
从所述第一正常车辆行驶记录中提取第一终止坐标点，当所述终止坐标点不属于所述区域终止线，将所述第一终止坐标点拟合至所述区域终止线，获取第二终止坐标点；
当所述第一终止坐标点属于所述区域终止线时，将所述第一终止坐标点作为所述第二终止坐标点；
根据所述第二起始坐标点、所述第二终止坐标点与所述第一正常车辆行驶记录中的其余坐标点进行曲线拟合，获取第一正常车辆行驶曲线；
将所述第一正常车辆行驶曲线添加至所述正常车辆行驶曲线集中。
4.根据权利要求1所述的方法，其特征在于，所述方法包括：
根据所述正常车辆行驶曲线集和所述目标监测区域建立正常行驶模型；
当目标车辆进入所述目标监测区域时，获取所述目标车辆经过所述区域起始线位置，获取目标坐标点；
根据所述目标坐标点，在所述正常行驶模型中进行响应，获取以所述目标坐标点为起始坐标点的正常车辆行驶曲线，作为应当车辆行驶曲线集；
当所述目标车辆按照所述应当车辆行驶曲线集中的车辆行驶曲线行驶时，标识所述目标车辆为正常行驶。
5.根据权利要求4所述的方法，其特征在于，所述方法包括：
对所述目标监测区域按照行驶方向进行等距划分，获取多个车辆监测线；
根据所述应当车辆行驶曲线集中的正常车辆行驶曲线与所述多个车辆监测线进行交叉，获取多组车辆应当坐标点，其中，每组车辆应当坐标点对应一条车辆监测线；
对所述目标车辆进行监测，当所述目标车辆未在车辆应当坐标点时，调取异常行驶模型对所述目标车辆进行行为判断，获取异常行为等级；
根据所述异常行为等级对所述目标车辆进行异常行为预警。
6.根据权利要求5所述的方法，其特征在于，所述方法包括：
根据所述异常车辆行驶曲线集，提取异常行为因子；
基于所述异常行为因子，在所述目标监测区域中进行随机扰动，获取扩充异常车辆行驶曲线；
根据所述异常车辆行驶曲线集与所述扩充异常车辆行驶曲线建立所述异常行驶模型；
其中，所述异常行驶模型中包含多个异常车辆行为与多个异常行为等级，所述异常车辆行为具有对应的所述异常行为等级。
7.根据权利要求5所述的方法，其特征在于，当所述目标车辆未在车辆应当坐标点时，调取异常行驶模型对所述目标车辆进行行为判断，获取异常行为等级，包括：
获取所述目标车辆的目标起始坐标点和目标实时坐标点，根据所述目标起始坐标点和所述目标实时坐标点进行曲线模拟，获取实时曲线段；
根据所述实时曲线段在所述异常行驶模型中进行曲线段匹配，获取曲线段匹配结果；
根据所述曲线段匹配结果获取匹配异常车辆行驶曲线；
基于所述异常行为因子、所述匹配异常车辆行驶曲线获取所述目标车辆的异常行为等级；
根据所述异常行为等级对所述目标车辆进行异常行为预警。
8.一种基于群体数据分析的异常行为监测预警系统，其特征在于，所述系统包括：
目标监测区域设置模块，所述目标监测区域设置模块用于设置目标监测区域，并对所述目标监测区域进行标识，获取监测区域基础数据，所述监测区域基础数据包括区域起始线与区域终止线；
历史群体交通数据调取模块，所述历史群体交通数据模块用于根据所述目标监测区域，交互交通监控系统，从所述交通监控系统中调取历史群体交通数据；
车辆行驶记录集获取模块，所述车辆行驶记录集获取模块用于根据所述历史群体交通数据，将经过所述目标监测区域的车辆行驶记录按照单个车辆进行划分提取，获取车辆行驶记录集，所述车辆行驶记录集包含多个车辆的行驶路线；
行驶记录集获取模块，所述行驶记录集获取模块是对所述车辆行驶记录集进行行为标注，获取正常车辆行驶记录集和异常车辆行驶记录集；
正常行驶曲线集获取模块，所述正常行驶曲线集获取模块用于根据所述正常车辆行驶记录集、所述区域起始线与所述区域终止线进行正常车辆行驶记录的曲线拟合，获取正常车辆行驶曲线集；
异常车辆行驶集获取模块，所述异常车辆行驶集获取模块用于根据所述异常车辆行驶记录集、所述区域起始线与所述区域终止线进行异常车辆行驶记录的曲线拟合，获取异常车辆行驶曲线集；
异常行为预警模块，所述异常行为预警模块用于基于所述正常车辆行驶曲线集与所述异常车辆行驶记录集进行车辆的异常行为预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311299085.3A CN117494018A (zh) | 2023-10-09 | 2023-10-09 | 一种基于群体数据分析的异常行为监测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311299085.3A CN117494018A (zh) | 2023-10-09 | 2023-10-09 | 一种基于群体数据分析的异常行为监测预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117494018A true CN117494018A (zh) | 2024-02-02 |
Family
ID=89669800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311299085.3A Pending CN117494018A (zh) | 2023-10-09 | 2023-10-09 | 一种基于群体数据分析的异常行为监测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494018A (zh) |
-
2023
- 2023-10-09 CN CN202311299085.3A patent/CN117494018A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754594B (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
| Moers et al. | The exid dataset: A real-world trajectory dataset of highly interactive highway scenarios in germany | |
| CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
| CN111325978B (zh) | 一种高速公路车辆异常行为的全程监测警示系统和方法 | |
| CN110738842A (zh) | 事故责任划分及行为分析方法、装置、设备及存储介质 | |
| CN107590999B (zh) | 一种基于卡口数据的交通状态判别方法 | |
| CN105374208A (zh) | 路况提醒和摄像头检测方法及其装置 | |
| CN110782670A (zh) | 基于数据融合的场景还原方法、车辆云平台及存储介质 | |
| CN113936465A (zh) | 交通事件检测方法及装置 | |
| CN113658427A (zh) | 基于视觉与雷达的路况监控方法及系统、设备 | |
| CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
| CN114494998B (zh) | 一种车辆数据智能分析方法及系统 | |
| CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
| CN114495514A (zh) | 一种多源数据协同的车辆违规掉头热点区域识别方法 | |
| CN114771548A (zh) | 用于高级驾驶辅助系统测试和验证的数据记录 | |
| CN115440071B (zh) | 一种自动驾驶违规停车检测方法 | |
| CN116342651A (zh) | 一种基于人工智能的行车安全智能检测系统及方法 | |
| Das et al. | Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling | |
| CN116580551A (zh) | 车辆驾驶行为评估方法、装置、设备及存储介质 | |
| CN117494018A (zh) | 一种基于群体数据分析的异常行为监测预警方法 | |
| CN113706889B (zh) | 基于目标检测分析的高速公路团雾测量系统及方法 | |
| CN115394089A (zh) | 一种车辆信息融合展示的方法、无感通行系统及存储介质 | |
| CN115188187A (zh) | 一种基于车路协同的路侧感知数据质量监测系统及方法 | |
| CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
| CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 |
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 |