CN117523844A - 一种异常车辆的确定方法、装置、车辆及存储介质 - Google Patents
一种异常车辆的确定方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN117523844A CN117523844A CN202311514051.1A CN202311514051A CN117523844A CN 117523844 A CN117523844 A CN 117523844A CN 202311514051 A CN202311514051 A CN 202311514051A CN 117523844 A CN117523844 A CN 117523844A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- determining
- track
- time
- space
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 15
- 230000001186 cumulative effect Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 12
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 15
- 230000008901 benefit Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000000926 separation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种异常车辆的确定方法、装置、车辆及存储介质。该方法包括:获取目标路段中待测车辆的第一时空轨迹特征;利用模板轨迹特征和所述第一时空轨迹特征,确定第一组内关系系数,其中,所述模板轨迹特征根据所述目标路段中的样本车辆的第二时空轨迹特征确定,所述第一组内关系系数用于表征所述模板轨迹特征和所述第一时空轨迹特征的相关度;根据所述第一组内关系系数确定所述待测车辆是否为异常车辆。本发明实施例的技术方案,综合考虑了车辆在目标路段中的时空轨迹特征,与依赖车辆的速度来判断异常车辆的传统方式相比,考虑更全面且检测准确度更高,更节省了人力。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种异常车辆的确定方法、装置、设备及存储介质。
背景技术
随着信息化技术的不断发展,智能交通系统是未来道路管理系统的必然发展趋势。交叉路口的车辆异常行为检测是智能交通系统的重要组成部分,其对于提高运输效率以及保障道路安全起着十分重要的作用。
然而,目前现存的检测方式却存在不小的弊端。一类传统异常车辆检测方法,通常依据车辆速度与路段中其他车辆速度的关系来判定车辆是否异常,如,若车辆的车速大于设定阈值则认为车辆异常。但在路段中的不同位置,车辆的行驶速度也不尽相同,这将导致,阈值设置过严格或过松弛都将导致严重的漏检和误检测。另一类传统异常车辆检测方法,未考虑在不同时段同一路段的车辆的车速特征存在差异的情况,即在同一路段在不同时段中,车辆的车速特征并不相同,而若利用人工分别设定不同时段的车速阈值,来对车辆是否存在异常进行检测,无疑将会浪费大量人力,检测的准确性也难以保证。
发明内容
本发明提供了一种异常车辆的确定方法、装置、车辆及存储介质,以解决异常车辆检测效果欠佳的问题。
第一方面,本发明提供了一种异常车辆的确定方法,包括:
获取目标路段中待测车辆的第一时空轨迹特征;
利用模板轨迹特征和所述第一时空轨迹特征,确定第一组内关系系数,其中,所述模板轨迹特征根据所述目标路段中的样本车辆的第二时空轨迹特征确定,所述第一组内关系系数用于表征所述模板轨迹特征和所述第一时空轨迹特征的相关度;
根据所述第一组内关系系数确定所述待测车辆是否为异常车辆。
第二方面,本发明提供了一种异常车辆的确定装置,包括:
特征获取模块,用于获取目标路段中待测车辆的第一时空轨迹特征;
关系系数确定模块,用于利用模板轨迹特征和所述第一时空轨迹特征,确定第一组内关系系数,其中,所述模板轨迹特征根据所述目标路段中的样本车辆的第二时空轨迹特征确定,所述第一组内关系系数用于表征所述模板轨迹特征和所述第一时空轨迹特征的相关度;
异常车辆确定模块,用于根据所述第一组内关系系数确定所述待测车辆是否为异常车辆。
第三方面,本发明提供了一种电子设备,该电子设备包括:
至少一个处理器;
以及与至少一个处理器通信连接的存储器;
其中,存储器存储有可被至少一个处理器执行的计算机程序,该计算机程序被至少一个处理器执行,以使至少一个处理器能够执行上述第一方面的异常车辆的确定方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现上述第一方面的异常车辆的确定方法。
本发明提供的异常车辆的确定方案,获取目标路段中待测车辆的第一时空轨迹特征,利用模板轨迹特征和所述第一时空轨迹特征,确定第一组内关系系数,其中,所述模板轨迹特征根据所述目标路段中的样本车辆的第二时空轨迹特征确定,所述第一组内关系系数用于表征所述模板轨迹特征和所述第一时空轨迹特征的相关度,根据所述第一组内关系系数确定所述待测车辆是否为异常车辆。通过采用上述技术方案,利用目标路段中样本车辆的时空轨迹特征确定出了可以表征正常车辆特征的模板轨迹特征,并将该模板轨迹特征与后续来往的待测车辆在该路段中的时空轨迹特征进行对比,得到用于表征待测车辆轨迹特征与模板轨迹特征相关度的组内相关系数,利用该系数即可确定异常车辆,本方案综合考虑了车辆的时空特征,与依赖车辆的速度来判断异常车辆的传统方式相比,考虑更全面,检测准确度更高,更节省了人力。
应当理解,本部分所描述的内容并非旨在标识本发明的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种异常车辆的确定方法的流程图;
图2是根据本发明实施例二提供的一种异常车辆的确定方法的流程图;
图3是根据本发明实施例二提供的一种异常车辆检测场景的示意图;
图4是根据本发明实施例三提供的一种异常车辆的确定装置的结构示意图;
图5是根据本发明实施例四提供的一种车辆的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种异常车辆的确定方法的流程图,本实施例可适用于从车流中检测异常车辆的情况,该方法可以由异常车辆的确定装置来执行,该异常车辆的确定装置可以采用硬件和/或软件的形式实现,该异常车辆的确定装置可配置于电子设备中,该电子设备可以是两个或多个物理实体构成。
如图1所示,该本发明实施例一提供的一种异常车辆的确定方法,具体包括如下步骤:
S101、获取目标路段中待测车辆的第一时空轨迹特征。
在本实施例中,目标路段可以理解为,配置有可以获取第一时空轨迹特征的设备的路段,该设备可以为智能摄像头和激光雷达等。第一时空轨迹特征中可以包括,每个时刻待测车辆的位置与驶入目标路段后的第一个位置之间的距离以及对应的时刻等。
S102、利用模板轨迹特征和所述第一时空轨迹特征,确定第一组内关系系数,其中,所述模板轨迹特征根据所述目标路段中的样本车辆的第二时空轨迹特征确定,所述第一组内关系系数用于表征所述模板轨迹特征和所述第一时空轨迹特征的相关度。
在本实施例中,模板轨迹特征可以为预先利用目标路段中的多辆样本车辆的第二时空轨迹特征确定的时空轨迹特征,其中,第二时空轨迹特征中可以包括多条轨迹的特征,每条轨迹的特征中均可包括,每个时刻样本车辆的位置与样本车辆驶入目标路段后的第一个位置之间的距离以及对应的时刻等。可以计算第二时空轨迹特征中每个时刻对应的距离的平均值,将该距离的平均值和时刻的对应关系确定为模板轨迹特征,该模板轨迹特征可以理解为正常车辆的轨迹特征。可以计算模板轨迹特征和第一时空轨迹特征的(第一)组内关系系数,该系数可以表征模板轨迹特征和第一时空轨迹特征的相关度,该系数越大,即表示待测车辆的时空轨迹特征与模板轨迹特征越接近,待测车辆正常的可能性越大。
S103、根据所述第一组内关系系数确定所述待测车辆是否为异常车辆。
在本实施例中,若第一组内关系系数大于设定值,则可将该待测车辆确定为异常车辆,反之则可将该待测车辆确定为正常车辆。
本发明实施例提供的异常车辆的确定方法,独权。本发明实施例技术方案,利用目标路段中样本车辆的时空轨迹特征确定出了可以表征正常车辆特征的模板轨迹特征,并将该模板轨迹特征与后续来往的待测车辆在该路段中的时空轨迹特征进行对比,得到用于表征待测车辆轨迹特征与模板轨迹特征相关度的组内相关系数,利用该系数即可确定异常车辆,本方案综合考虑了车辆的时空特征,与依赖车辆的速度来判断异常车辆的传统方式相比,考虑更全面,检测准确度更高,更节省了人力。
可选的,所述模板轨迹特征的确定方式,包括:获取所述目标路段中样本车辆的第二时空轨迹特征,其中,所述第二时空轨迹特征包括多辆所述样本车辆在不同时刻的位置分别与初始位置之间的距离与时刻的对应关系,所述初始位置为所述样本车辆驶入所述目标路段后的第一个位置;针对每个时刻,分别确定所述距离的第一累和值,并确定所述第一累和值与轨迹总数的商值,其中,所述第二时空轨迹特征中包含多个样本轨迹的时空特征,所述轨迹总数为所述样本轨迹的总数量;将时刻与所述商值的对应关系,确定为模板轨迹特征。这样设置的好处在于,通过利用上述方式准确的确定了可以表征正常车辆轨迹特征的模板轨迹特征。
示例性的,第二时空轨迹特征中包含多个样本轨迹的时空特征,每辆样本车辆的样本轨迹的时空特征可以表示为:
Tr={(l1,t1),(l2,t2),…,(ln,tn)}
其中,t1,…,tn为样本车辆驶入目标路段后的n个时刻,l1,…,ln为样本车辆在对应的时刻的位置(即轨迹点的位置)分别与初始位置之间的距离,如l1为样本车辆在t1时刻的位置与初始位置之间的距离。模板轨迹特征可以表示为:
其中,为第j个时刻样本车辆的位置与初始位置之间距离的平均值,即第一累和值与轨迹总数的商值,j=1,…,n,/>为第i条轨迹中第j个轨迹点与初始位置之间的距离,m为第二时空轨迹特征中包含的样本轨迹的条数。
实施例二
图2为本发明实施例二提供的一种异常车辆的确定方法的流程图,本发明实施例的技术方案在上述各可选技术方案的基础上进一步优化,给出了检测异常车辆的具体方式。
可选的,所述利用模板轨迹特征和所述第一时空轨迹特征,确定第一组内关系系数,包括:根据所述模板轨迹特征和所述第一时空轨迹特征生成轨迹矩阵,并利用所述轨迹矩阵确定目标离均方差和自由度,其中,所述目标离均方差中包括组内离均方差和组间离均方差;利用所述目标离均方差和所述自由度,确定目标均方差,并利用所述目标均方差确定第一组内关系系数,其中,所述目标均方差包括组内均方差和组间均方差。这样设置的好处在于,准确且快速的计算出了模板轨迹特征和第一时空轨迹特征的相关度。
可选的,所述根据所述第一组内关系系数确定所述待测车辆是否为异常车辆,包括:若所述第一组内关系系数小于第一预设阈值,则将所述待测车辆确定为疑似异常车辆;对所述疑似异常车辆进行筛选,得到异常车辆。这样设置的好处在于,通过利用预设阈值对第一组内关系系数进行筛选,可以快速的确定可疑的车辆,即疑似异常车辆,再通过对疑似异常车辆进行筛选,即可准确的确定异常的车辆。
可选的,上述方法还包括:每间隔预设更新时长,利用驶入所述目标路段的新样本车辆的第三时空轨迹特征,对所述模板轨迹特征进行更新。这样设置的好处在于,利用新的时空轨迹特征对模板轨迹特征进行更新,可以不断的推进模板轨迹特征适应不断变化的车流状态,保证了判断异常车辆的准确度。
如图2所示,本发明实施例二提供的一种异常车辆的确定方法,具体包括如下步骤:
S201、获取目标路段中待测车辆的第一时空轨迹特征。
S202、根据模板轨迹特征和第一时空轨迹特征生成轨迹矩阵,并利用轨迹矩阵确定目标离均方差和自由度。
其中,所述目标离均方差中包括组内离均方差和组间离均方差。
示例性的,若模板轨迹特征为[(10,1),(10,2),(10,3),(10,4),(10,5),(9,6),(10,7)],第一时空轨迹特征为[(10,1),(9,2),(10,3)],可取模板轨迹特征的前3个特征数据与第一时空轨迹特征生成轨迹矩阵,即依据第一时空轨迹特征的维度对模板轨迹特征作相应的截取,则轨迹矩阵为
然后,利用该轨迹矩阵,可以计算这两组特征的(目标)离均方差和自由度。其中,可以采用业内公知的方式计算出离均方差和自由度,如对轨迹矩阵中的元素进行第一预设运算,该第一预设运算的方式可以包括加法和乘法等。
可选的,所述利用所述轨迹矩阵确定目标离均方差和自由度,包括:确定所述轨迹矩阵中每行元素的累和值的第一平方根,并利用所述第一平方根确定目标离均方差中的组内离均方差,其中,所述轨迹矩阵中第一行元素为所述模板轨迹特征,第二行元素为所述第一时空轨迹特征;确定所述轨迹矩阵中每列元素的累和值的第二平方根,并利用所述第二平方根确定中间离均方差;利用所述组内离均方差和所述中间离均方差,确定所述目标离均方差中的组间离均方差,并根据所述轨迹矩阵的行数和列数,确定组内自由度和组间自由度。这样设置的好处在于,通过利用上述方式,可以准确的确定目标离均方差和自由度。
示例性的,组内自由度v组内和组间自由度v组间的确定方式可以为:
v组内=b-1
v组间=(k-1)(b-1)
其中,b为组内数,即轨迹矩阵的列数,k为中间组数,即轨迹矩阵的行数,组内离均方差SS组内的确定方式可以为:
其中,xp,q为轨迹矩阵中的第p行第q列特征数据,为轨迹矩阵中第p行元素的累和值,K为轨迹矩阵的行数,B为轨迹矩阵的列数,∑为累和符号,C为计算校正系数,中间离均方差的确定方式可以为:
其中,为轨迹矩阵中第q列元素的累和值,组间离均方差SS组间的确定方式可以为:
其中,计算校正系数C的确定方式可以为:
其中,N为轨迹矩阵中元素的个数。
S203、利用目标离均方差和自由度,确定目标均方差,并利用目标均方差确定第一组内关系系数。
其中,所述目标均方差包括组内均方差和组间均方差。
示例性的,组内均方差MS组内和组间均方差MS组间的确定方式可以为:
第一组内关系系数ICC的确定方式可以为:
S204、若第一组内关系系数小于第一预设阈值,则将待测车辆确定为疑似异常车辆。
具体的,(第一)组内关系系数一般大于或等于零且小于或等于1,通常大于0.75的组内关系系数置信度较好,低于0.4的组内关系系数置信度较差,第一预设阈值可以为0.4。
S205、对疑似异常车辆进行筛选,得到异常车辆。
示例性的,可以对疑似异常车辆进行再次筛选。如,将一段时间内第一组内关系系数保持小于第三预设阈值,如小于0.2的疑似异常车辆确定为异常车辆,第三预设阈值可以小于或等于第一预设阈值。图3为一种异常车辆检测场景的示意图,图3中的检测设备即为可以获取时空轨迹特征的设备,图3中的路段为目标路段,标识有BV的车辆为检测出的异常车辆。
可选的,所述对所述疑似异常车辆进行筛选,得到异常车辆,包括:确定所述疑似异常车辆在预设时间段内的多个第二组内关系系数,并对所述多个第二组内关系系数进行曲线拟合,得到曲线拟合结果,其中,所述预设时间段的起始时间晚于或等于所述第一时空轨迹特征对应的结束时间;将所述疑似异常车辆中曲线拟合结果对应的斜率小于第二预设阈值的车辆,确定为异常车辆。这样设置的好处在于,通过确定第二组内关系系数对应的曲线的斜率,并利用第二预设阈值对该斜率进行筛选,可以判断出始终是偏离群体状态的异常车辆。
具体的,可以将疑似异常车辆后续一段时间内的组内关系系数的数值是否迅速下降,作为判定异常车辆的依据。若迅速下降,则表明待测车辆在行驶过程中存在未修正的异常行为。判断组内关系系数是否急速下降的方法可以为,在后续预设时间段内,对疑似异常车辆的第二组内关系系数进行拟合,若拟合后得到的曲线的斜率总小于第二预设阈值车辆,如总小于零,即代表该疑似异常车辆的行驶状态始终是偏离群体状态,即可将其标记为异常车辆,反之则对其不进行标记。
可选的,若所述第一组内关系系数小于第四预设阈值,则将所述待测车辆确定为异常车辆,其中,第四预设阈值可以小于第一预设阈值和第三预设阈值。
S206、每间隔预设更新时长,利用驶入目标路段的新样本车辆的第三时空轨迹特征,对模板轨迹特征进行更新。
具体的,道路中行驶的车流特征并不是一成不变的,会随着交通流的特性、时间以及季节等不断地变化。因此可以自适应的学习车道中的车流特征。由于车流状态并不是突变的,而新来的车辆的时空轨迹特征可表征最新的车流状态,因此可以利用新样本车辆的第三时空轨迹特征,对模板轨迹特征进行更新。
示例性的,对模板轨迹特征进行更新的方式可以为:
其中,为更新后的模板轨迹特征,Trold为更新前的模板轨迹特征的时空轨迹特征,Trnew为新增的时空轨迹特征,即新样本车辆的第三时空轨迹特征,M为更新前的模板轨迹特征中的样本轨迹的数量,E为第三时空轨迹特征对应的样本轨迹的数量,∑Trold表示针对每个时刻,分别确定Trold中的多个距离的累和值,∑Trnew表示针对每个时刻,分别确定Trnew中的多个距离的累和值。
本发明实施例提供的异常车辆的确定方法,准确且快速的计算出了模板轨迹特征和第一时空轨迹特征的相关度,然后通过利用预设阈值对第一组内关系系数进行筛选,可以快速的确定可疑的车辆,即疑似异常车辆,再通过对疑似异常车辆进行筛选,即可准确的确定异常的车辆,最后利用新的时空轨迹特征对模板轨迹特征进行更新,可以不断的推进模板轨迹特征适应不断变化的车流状态,保证了判断异常车辆的准确度。
实施例三
图4为本发明实施例三提供的一种异常车辆的确定装置的结构示意图。如图4所示,该装置包括:特征获取模块301、关系系数确定模块302以及异常车辆确定模块303,其中:
特征获取模块,用于获取目标路段中待测车辆的第一时空轨迹特征;
关系系数确定模块,用于利用模板轨迹特征和所述第一时空轨迹特征,确定第一组内关系系数,其中,所述模板轨迹特征根据所述目标路段中的样本车辆的第二时空轨迹特征确定,所述第一组内关系系数用于表征所述模板轨迹特征和所述第一时空轨迹特征的相关度;
异常车辆确定模块,用于根据所述第一组内关系系数确定所述待测车辆是否为异常车辆。
本发明实施例提供的异常车辆的确定装置,利用目标路段中样本车辆的时空轨迹特征确定出了可以表征正常车辆特征的模板轨迹特征,并将该模板轨迹特征与后续来往的待测车辆在该路段中的时空轨迹特征进行对比,得到用于表征待测车辆轨迹特征与模板轨迹特征相关度的组内相关系数,利用该系数即可确定异常车辆,本方案综合考虑了车辆的时空特征,与依赖车辆的速度来判断异常车辆的传统方式相比,考虑更全面,检测准确度更高,更节省了人力。
可选的,所述模板轨迹特征的确定方式,包括:获取所述目标路段中样本车辆的第二时空轨迹特征,其中,所述第二时空轨迹特征包括多辆所述样本车辆在不同时刻的位置分别与初始位置之间的距离与时刻的对应关系,所述初始位置为所述样本车辆驶入所述目标路段后的第一个位置;针对每个时刻,分别确定所述距离的第一累和值,并确定所述第一累和值与轨迹总数的商值,其中,所述第二时空轨迹特征中包含多个样本轨迹的时空特征,所述轨迹总数为所述样本轨迹的总数量;将时刻与所述商值的对应关系,确定为模板轨迹特征。
可选的,关系系数确定模块包括:
离均方差和自由度确定单元,用于根据所述模板轨迹特征和所述第一时空轨迹特征生成轨迹矩阵,并利用所述轨迹矩阵确定目标离均方差和自由度,其中,所述目标离均方差中包括组内离均方差和组间离均方差;
目标均方差确定单元,用于利用所述目标离均方差和所述自由度,确定目标均方差,并利用所述目标均方差确定第一组内关系系数,其中,所述目标均方差包括组内均方差和组间均方差。
进一步的,所述利用所述轨迹矩阵确定目标离均方差和自由度,包括:确定所述轨迹矩阵中每行元素的累和值的第一平方根,并利用所述第一平方根确定目标离均方差中的组内离均方差,其中,所述轨迹矩阵中第一行元素为所述模板轨迹特征,第二行元素为所述第一时空轨迹特征;确定所述轨迹矩阵中每列元素的累和值的第二平方根,并利用所述第二平方根确定中间离均方差;利用所述组内离均方差和所述中间离均方差,确定所述目标离均方差中的组间离均方差,并根据所述轨迹矩阵的行数和列数,确定组内自由度和组间自由度。
可选的,异常车辆确定模块包括:
疑似异常车辆确定单元,用于若所述第一组内关系系数小于第一预设阈值,则将所述待测车辆确定为疑似异常车辆;
异常车辆确定单元,用于对所述疑似异常车辆进行筛选,得到异常车辆。
进一步的,所述对所述疑似异常车辆进行筛选,得到异常车辆,包括:确定所述疑似异常车辆在预设时间段内的多个第二组内关系系数,并对所述多个第二组内关系系数进行曲线拟合,得到曲线拟合结果,其中,所述预设时间段的起始时间晚于或等于所述第一时空轨迹特征对应的结束时间;将所述疑似异常车辆中曲线拟合结果对应的斜率小于第二预设阈值的车辆,确定为异常车辆。
可选的,该装置还包括:
更新模块,用于每间隔预设更新时长,利用驶入所述目标路段的新样本车辆的第三时空轨迹特征,对所述模板轨迹特征进行更新。
本发明实施例所提供的异常车辆的确定装置可执行本发明任意实施例所提供的异常车辆的确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备40中包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以包括各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理,例如异常车辆的确定方法。
在一些实施例中,异常车辆的确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时,可以执行上文描述的异常车辆的确定方法的一个或多个步骤。备选地,在其他实施例中,处理器41可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行异常车辆的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
上述提供的计算机设备可用于执行上述任意实施例提供的异常车辆的确定方法,具备相应的功能和有益效果。
实施例五
在本发明的上下文中,计算机可读存储介质可以是有形的介质,所述计算机可执行指令在由计算机处理器执行时用于执行异常车辆的确定方法,该方法包括:
获取目标路段中待测车辆的第一时空轨迹特征;
利用模板轨迹特征和所述第一时空轨迹特征,确定第一组内关系系数,其中,所述模板轨迹特征根据所述目标路段中的样本车辆的第二时空轨迹特征确定,所述第一组内关系系数用于表征所述模板轨迹特征和所述第一时空轨迹特征的相关度;
根据所述第一组内关系系数确定所述待测车辆是否为异常车辆。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
上述提供的计算机设备可用于执行上述任意实施例提供的异常车辆的确定方法,具备相应的功能和有益效果。
值得注意的是,上述异常车辆的确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种异常车辆的确定方法,其特征在于,包括:
获取目标路段中待测车辆的第一时空轨迹特征;
利用模板轨迹特征和所述第一时空轨迹特征,确定第一组内关系系数,其中,所述模板轨迹特征根据所述目标路段中的样本车辆的第二时空轨迹特征确定,所述第一组内关系系数用于表征所述模板轨迹特征和所述第一时空轨迹特征的相关度;
根据所述第一组内关系系数确定所述待测车辆是否为异常车辆。
2.根据权利要求1所述的方法,其特征在于,所述模板轨迹特征的确定方式,包括:
获取所述目标路段中样本车辆的第二时空轨迹特征,其中,所述第二时空轨迹特征包括多辆所述样本车辆在不同时刻的位置分别与初始位置之间的距离与时刻的对应关系,所述初始位置为所述样本车辆驶入所述目标路段后的第一个位置;
针对每个时刻,分别确定所述距离的第一累和值,并确定所述第一累和值与轨迹总数的商值,其中,所述第二时空轨迹特征中包含多个样本轨迹的时空特征,所述轨迹总数为所述样本轨迹的总数量;
将时刻与所述商值的对应关系,确定为模板轨迹特征。
3.根据权利要求1所述的方法,其特征在于,所述利用模板轨迹特征和所述第一时空轨迹特征,确定第一组内关系系数,包括:
根据所述模板轨迹特征和所述第一时空轨迹特征生成轨迹矩阵,并利用所述轨迹矩阵确定目标离均方差和自由度,其中,所述目标离均方差中包括组内离均方差和组间离均方差;
利用所述目标离均方差和所述自由度,确定目标均方差,并利用所述目标均方差确定第一组内关系系数,其中,所述目标均方差包括组内均方差和组间均方差。
4.根据权利要求3中所述的方法,其特征在于,所述利用所述轨迹矩阵确定目标离均方差和自由度,包括:
确定所述轨迹矩阵中每行元素的累和值的第一平方根,并利用所述第一平方根确定目标离均方差中的组内离均方差,其中,所述轨迹矩阵中第一行元素为所述模板轨迹特征,第二行元素为所述第一时空轨迹特征;
确定所述轨迹矩阵中每列元素的累和值的第二平方根,并利用所述第二平方根确定中间离均方差;
利用所述组内离均方差和所述中间离均方差,确定所述目标离均方差中的组间离均方差,并根据所述轨迹矩阵的行数和列数,确定组内自由度和组间自由度。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第一组内关系系数确定所述待测车辆是否为异常车辆,包括:
若所述第一组内关系系数小于第一预设阈值,则将所述待测车辆确定为疑似异常车辆;
对所述疑似异常车辆进行筛选,得到异常车辆。
6.根据权利要求5所述的方法,其特征在于,所述对所述疑似异常车辆进行筛选,得到异常车辆,包括:
确定所述疑似异常车辆在预设时间段内的多个第二组内关系系数,并对所述多个第二组内关系系数进行曲线拟合,得到曲线拟合结果,其中,所述预设时间段的起始时间晚于或等于所述第一时空轨迹特征对应的结束时间;
将所述疑似异常车辆中曲线拟合结果对应的斜率小于第二预设阈值的车辆,确定为异常车辆。
7.根据权利要求1所述的方法,其特征在于,还包括:
每间隔预设更新时长,利用驶入所述目标路段的新样本车辆的第三时空轨迹特征,对所述模板轨迹特征进行更新。
8.一种异常车辆的确定装置,其特征在于,包括:
特征获取模块,用于获取目标路段中待测车辆的第一时空轨迹特征;
关系系数确定模块,用于利用模板轨迹特征和所述第一时空轨迹特征,确定第一组内关系系数,其中,所述模板轨迹特征根据所述目标路段中的样本车辆的第二时空轨迹特征确定,所述第一组内关系系数用于表征所述模板轨迹特征和所述第一时空轨迹特征的相关度;
异常车辆确定模块,用于根据所述第一组内关系系数确定所述待测车辆是否为异常车辆。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的异常车辆的确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的异常车辆的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514051.1A CN117523844A (zh) | 2023-11-14 | 2023-11-14 | 一种异常车辆的确定方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514051.1A CN117523844A (zh) | 2023-11-14 | 2023-11-14 | 一种异常车辆的确定方法、装置、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117523844A true CN117523844A (zh) | 2024-02-06 |
Family
ID=89756271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311514051.1A Pending CN117523844A (zh) | 2023-11-14 | 2023-11-14 | 一种异常车辆的确定方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523844A (zh) |
-
2023
- 2023-11-14 CN CN202311514051.1A patent/CN117523844A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110134126B (zh) | 轨迹匹配方法、装置、设备和介质 | |
CN111179638A (zh) | 一种基于时间序列的船舶ais目标航行监控方法 | |
CN108664603B (zh) | 一种修复时序数据的异常聚合值的方法及装置 | |
CN113593218A (zh) | 交通异常事件的检测方法、装置、电子设备及存储介质 | |
CN103679753A (zh) | 一种概率假设密度滤波器的轨迹标识方法及轨迹标识系统 | |
CN112818792A (zh) | 车道线检测方法、装置、电子设备及计算机存储介质 | |
CN113240076A (zh) | 一种基于聚类和神经网络算法的钟差异常数据检测方法 | |
CN114092911B (zh) | 一种道路识别方法、装置、电子设备以及存储介质 | |
CN112288050B (zh) | 一种异常行为识别方法、识别装置、终端设备及存储介质 | |
CN116305993B (zh) | 一种基于灾害时空分布的高铁监测部署优化方法及系统 | |
CN117523844A (zh) | 一种异常车辆的确定方法、装置、车辆及存储介质 | |
CN116911824A (zh) | 基于电力大数据的智能决策方法及系统 | |
CN116990768A (zh) | 预测航迹处理方法、装置、电子设备及可读介质 | |
CN117009903A (zh) | 一种数据异常检测方法、装置、设备及存储介质 | |
CN116794619A (zh) | 雷达调试处理方法、装置、电子设备以及存储介质 | |
CN116662904A (zh) | 数据类型的变异检测方法、装置、计算机设备及介质 | |
CN115762059A (zh) | 智能防汛预警方法、装置、存储介质及电子设备 | |
CN115330841A (zh) | 基于雷达图的抛洒物检测方法、装置、设备和介质 | |
CN114394099B (zh) | 车辆行驶异常识别方法、装置、计算机设备及存储介质 | |
CN112858725B (zh) | 一种车速一致性检测方法、终端设备及存储介质 | |
CN112507957B (zh) | 一种车辆关联方法、装置、路侧设备及云控平台 | |
CN113449062B (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
CN112150795B (zh) | 一种车辆轨迹异常的检测方法及装置 | |
CN114987515A (zh) | 驾驶策略的确定方法、装置及自动驾驶车辆 | |
CN114511225A (zh) | 一种断面识别方法、装置、设备以及存储介质 |
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 |