TWI670616B

TWI670616B - 異常行車軌跡分析系統及方法

Info

Publication number: TWI670616B
Application number: TW107118140A
Authority: TW
Inventors: 黃子峻; 蔡昆樺; 楊創發
Original assignee: 中華電信股份有限公司
Priority date: 2018-05-28
Filing date: 2018-05-28
Publication date: 2019-09-01
Also published as: TW202004535A

Abstract

本案揭示一種異常行車軌跡分析系統及方法，包括用以整合複數個辨識資料以產生各車牌號碼的軌跡資料之車牌號碼辨識整合模組、用以對車牌號碼之軌跡資料執行軌跡交錯率分析以獲得待分析車牌號碼軌跡資料之軌跡交錯率分析模組、以及用以對待分析車牌號碼軌跡資料執行異常分析之異常分析模組。據此，本案利用軌跡交錯率分析以有效過濾掉辨識錯誤的車牌號碼，更進一步分析車牌號碼，以獲得徘徊異常資訊、疑似換車牌資訊、疑似車輛集結資訊或出沒異常資訊。

Description

異常行車軌跡分析系統及方法

本案係關於行車軌跡分析技術，詳而言之，係關於用於異常行車軌跡分析之系統及方法。

近年來智慧城市應用發展的一項重要的應用是路口監視器車輛、車牌號碼及ETC辨識，可用於車流統計、警方辦案及其他智慧交通/智慧安防應用。

目前我國警方多以利用路口監視器車牌號碼辨識資料追蹤犯案或嫌疑犯車牌的動向進行辦案，而這些車牌辨識資料所形成的軌跡資訊，經過分析比對，可以辨識一些特定行為，有助於警方進一步追查追蹤車輛行為所隱含的犯罪行為。

然而，車牌辨識的準確度會因為光線強暗，車身角度不佳等因素而下降，因而產生許多錯誤車牌辨識資料，造成資料分析的困擾，誤報許多不該出現的異常車牌號碼，故過濾辨識錯誤資料的方法是進行進一步分析的前置關鍵。現有技術提出了能過濾辨識錯誤資料的假牌車分析方法，但僅使用不合理車牌數除以總車牌數的比例做為過濾的基數，並未明確說明不合理車牌當中優先去除的計算方法，無法視為是一個有效去除辨識錯誤資料的方法，且仍存在較高的錯誤辨識率。

因此，如何解決現有技術問題以提供針對車輛的軌跡分析，乃為相關領域中的重要課題之一。

本案提供一種異常行車軌跡分析系統，係包括：車牌號碼辨識整合模組，係整合複數個辨識資料，以產生複數個車牌號碼及其軌跡資料；軌跡交錯率分析模組，係對該複數個車牌號碼之其中至少一者之軌跡資料執行軌跡交錯率分析，以獲得該其中至少一車牌號碼之待分析車牌號碼軌跡資料；以及異常分析模組，係對該待分析車牌號碼軌跡資料執行異常分析，以獲得徘徊異常資訊、疑似換車牌資訊、出沒異常資訊或疑似車輛集結資訊。

本案另提供一種異常行車軌跡分析方法，係包括：整合複數個辨識資料，以產生複數個車牌號碼及其軌跡資料；對該複數個車牌號碼之其中至少一車牌號碼的軌跡資料執行軌跡交錯率分析，以獲得該其中至少一車牌號碼之待分析車牌號碼軌跡資料；以及對該待分析車牌號碼軌跡資料執行異常分析，以獲得徘徊異常資訊、疑似換車牌資訊、出沒異常資訊或疑似車輛集結資訊。

於一實施例中，所述執行軌跡交錯率分析包括：根據該其中至少一車牌號碼的軌跡資料之單位時段內連線路段是否平行、路段交錯點是否為路段中點或路段交錯點是否在路段當中來計算該軌跡交錯率，以於該軌跡交錯率小於或等於交錯率閥值時，將該其中至少一車牌號碼判斷為辨識正確，使得經判斷為辨識正確之車牌號碼的軌跡資料作為該待分析車牌號碼軌跡資料。

於一實施例中，所述執行異常分析係包括進行徘徊異常分析，該徘徊異常分析包括：根據該待分析車牌號碼軌跡資料中單位時段軌跡資料以及過去時段軌跡資料來計算徘徊異常程度值，進而獲得該徘徊異常資訊。

於一實施例中，所述執行異常分析係包括進行疑似換車牌分析，該疑似換車牌分析包括：根據該待分析車牌號碼軌跡資料、該其中一車牌號碼之最後出現時間和地點、該最後出現地點中待分析車牌號碼軌跡資料來計算換車牌疑似程度值，進而獲得該疑似換車牌資訊。

於一實施例中，所述執行異常分析係包括進行出沒異常分析，該出沒異常分析包括：根據監控區域中監控時段內待分析車牌號碼軌跡資料以及該監控區域中過去時段內待分析車牌號碼軌跡資料來計算出沒異常程度值，進而獲得該出沒異常資訊。

於一實施例中，所述執行異常分析係包括進行疑似車輛集結分析，該疑似車輛集結分析包括：根據監控區域中監控時段內出沒異常的車牌號碼之待分析車牌號碼軌跡資料來來計算車輛集結疑似程度值，進而獲得該疑似車輛集結資訊。

因此，本案係利用大數據運算及軌跡交錯率分析為資料處理基礎，可從車牌號碼辨識資料大數據當中快速且有效找出徘徊異常、疑似換車牌、疑似車輛集結、出沒異常等異常行為，不會因為車牌號碼辨識錯誤因素降低分析結果的準確性。

11‧‧‧車牌號碼辨識整合模組

12‧‧‧資料庫

13‧‧‧軌跡交錯率分析模組

14‧‧‧異常分析模組

141‧‧‧徘徊異常分析模組

142‧‧‧疑似換車牌分析模組

143‧‧‧出沒異常分析模組

144‧‧‧疑似車輛集結分析模組

S201~S203、S301~S305、S401~S406、S501~SS04、S601~S605‧‧‧步驟

第1圖係為本案之異常行車軌跡分析系統之方塊示意圖；第2圖係為本案之異常行車軌跡分析方法之流程示意圖；第3圖係為本案之異常行車軌跡分析方法之徘徊異常分析之流程示意圖；第4圖係為本案之異常行車軌跡分析方法之疑似換車牌分析之流程示意圖；第5圖係為本案之異常行車軌跡分析方法之出沒異常分析之流程示意圖；以及第6圖係為本案之異常行車軌跡分析方法之疑似車輛集結分析之流程示意圖。

以下藉由特定的實施例說明本案之實施方式，熟習此項技藝之人士可由本文所揭示之內容輕易地瞭解本案之其他優點及功效。本說明書所附圖式所繪示之結構、比例、大小等均僅用於配合說明書所揭示之內容，以供熟悉此技藝之人士之瞭解與閱讀，非用於限定本案可實施之限定條件，故任何修飾、改變或調整，在不影響本案所能產生之功效及所能達成之目的下，均應仍落在本案所揭示之技術內容得能涵蓋之範圍內。

請參閱第1圖，本案之異常行車軌跡分析系統係包括車輛號碼辨識整合模組11、資料庫12、軌跡交錯率分析模組13、異常分析模組14。異常分析模組14又可包括徘徊異常分析模組141、疑似換車牌分析模組142、出沒異常分析模組143及疑似車輛集結分析模組144。

車牌號碼辨識整合模組11可整合複數個辨識資料，以產生複數個車牌號碼及其軌跡資料。具體言之，車牌號碼辨識整合模組11以固定時間(如每日)利用大數據運算方式整合前次(如前日)所有辨識資料，以每一車牌號碼為群組，聚集每一車牌號碼當次(如當日)所有辨識資料，依照時間順序組成軌跡資料，並將所有群組資料儲存於資料庫12中。

車牌號碼及其軌跡資料可從資料庫12取出，再透過車色分析模組或車型分析模組(未圖示)過濾車色或車型後，交由軌跡交錯率分析模組13進行下一步過濾與分析。

軌跡交錯率分析模組13可對該複數個車牌號碼之其中至少一者之軌跡資料執行軌跡交錯率分析，以獲得該其中至少一車牌號碼之待分析車牌號碼軌跡資料。具體而言，軌跡交錯率分析模組13可計算單一車牌號碼單日軌跡各路段相互交錯率，其交錯率小於設定閥值即視為辨識正確車牌號碼。

異常分析模組14可對待分析車牌號碼軌跡資料執行異常分析，包括徘徊異常分析、疑似換車牌分析、出沒異常分析和疑似車輛集結分析，以獲得徘徊異常資訊、疑似換車牌資訊、疑似車輛集結資訊或出沒異常資訊。具體而言，異常分析模組14可針對輸入的或定期監控車牌號碼，自資料庫12取出、經軌跡交錯率分析模組13分析過濾後取得待分析車牌號碼軌跡資料；徘徊異常分析模組141根據該待分析車牌號碼軌跡資料中單位時段軌跡資料以及過去時段軌跡資料來計算徘徊異常程度值，進而獲得該徘徊異常資訊；疑似換車牌模組142根據該待分析車牌號碼軌跡資料、該其中一車牌號碼之最後出現時間和地點、該最後出現地點中待分析車牌號碼軌跡資料來計算換車牌疑似程度值，進而獲得該疑似換車牌資訊；出沒異常模組143根據監控區域中監控時段內待分析車牌號碼軌跡資料以及該監控區域中過去時段內待分析車牌號碼軌跡資料來計算出沒異常程度值，進而獲得該出沒異常資訊；疑似車輛集結模組144根據監控區域中監控時段內出沒異常的車牌號碼之待分析車牌號碼軌跡資料來計算車輛集結疑似程度值，進而獲得該疑似車輛集結區域資訊。

請參閱第2圖，本案之異常行車軌跡分析方法包括下列步驟：於步驟S201中，整合複數個辨識資料，以產生複數個車牌號碼及其軌跡資料；於步驟S202中，對車牌號碼的軌跡資料執行軌跡交錯率分析，以獲得待分析車牌號碼軌跡資料；以及於步驟S203中，對待分析車牌號碼軌跡資料執行異常分析，以獲得徘徊異常資訊、疑似換車牌資訊、出沒異常資訊或疑似車輛集結資訊。

再者，如第1圖所示之軌跡交錯率分析模組13或如第2圖步驟S202中的軌跡交錯率分析，可根據車牌號碼之軌跡資料中單位時段內連線路段是否平行、路段交錯點是否為路段中點、或路段交錯點是否在路段當中，來計算該車輛號碼的軌跡交錯率，以於該軌跡交錯率小於或等於交錯率閥值時將車牌號碼判斷為辨識正確，其中，交錯率閥值可設定為0.05(可視實際需要設定)，使得經判斷為辨識正確之車牌號碼的軌跡資料作為該待分析車牌號碼軌跡資料。具體而言，可自資料庫12或車色分析模組或車型分析模組(未圖示)取出車牌號碼及其軌跡資料，針對每一車牌號碼軌跡資料進行以下計算得軌跡交錯率：車牌號碼pn於日期D的行車軌跡為：

N(,),...,N( , )}

N為某時刻t _i辨識點的經(lng)緯(lan)度資料。

車牌號碼pn於日期D的路段交錯點可能集合為：一共有 i個，n 3

假如：不平行：；及交錯點不為路段端點： and

；及交錯點在路段當中：(P _lat,P _lng)

line(,,,)and(P _lat,P _lng)

line(,,,)，則，反之，

交錯率=0，n 3 or count(b ^pnD=1)/( i)，b ^pnD B ^pnD，n 3

0交錯率1。當交錯率閥值，認定為辨識正確車牌號碼。

例如，某車號某日軌跡為{A,B,C,D,E,F}6個點，其連線路段有line(A,B)，line(B,C)，line(C,D)，line(D,E)，line(E,F)5段，其交錯點可能集合為{b(A,B,C,D),b(A,B,D,E),b(A,B,E,F),b(B,C,D,E),b(B,C,E,F),b(C,D,E,F)}，假設line(C,D)與line(E,F)有交錯，則交錯點集合值為{0,0,0,0,0,1}，計算該車號該日軌跡交錯率為1/(1+2+3)=1/6。只有經軌跡交錯率分析模組13認定為辨識正確的車牌號碼，其資料才會傳回異常分析模組14。以上僅為舉例說明，本發明不以此為限。

請參閱第3圖，其繪示徘徊異常分析方法：於步驟S301中，接收車牌號碼，其中使用者可輸入完整或部分車牌號碼、車色或車型來查詢；於步驟S302中，自資料庫中搜尋出對應該車牌號碼之軌跡資料；於步驟S303中，執行軌跡交錯率分析，或者再經過車色、車型匹配過濾；步驟S304中，將待分析車牌號碼軌跡資料中單位時段軌跡資料與過去時段軌跡資料比較，以計算徘徊異常程度值；以及於步驟S305中，依據徘徊異常程度值提供徘徊異常資訊，其中可標記具有相對較高徘徊異常程度值之車牌號碼，以回應車牌號碼即車輛照片給使用者。

具體言之，徘徊異常分析可依據所輸入之欲查詢的車牌號碼，取得待分析車牌號碼軌跡資料，針對每一車牌號碼軌跡資料進行以下計算得徘徊異常程度值：For each N _i in P ^pnD，其中

的徘徊程度值=(size(list())/Dist(N _i,N _y))/Duration(N _i,N _y)

排除日常徘徊：計算過去k日每日TOP M徘徊程度值且徘徊程度值大於閥值的每個Q的徘徊時空表：M(LABEL(單一徘徊重心所在區域-時段)：count(k日內單一徘徊重心所在區域-時段)/count(k日內所有徘徊重心所在區域-時段))

計算的徘徊重心：當中所有items經緯度的平均

計算的徘徊時空佔比值δ：( M.get(LABEL(的徘徊重心區域-時段)))/n

計算過去k日徘徊時空的標準差σ

徘徊異常程度值= * σ * δ

例如，某車號某日軌跡為{A,B,C,D,E,F,C,E,F,C}10個點，以C(N_i)進行徘徊計算發現{C：[{C,D,E,F,C},{C,E,F,C}]}2個以F(N_y)距離C為最遠距離的徘徊軌跡，再計算這徘徊軌跡的徘徊程度值為(2/C與F的距離)/走完2徘徊軌跡的開始及結束時間差，假設算得為10，接著計算過去5日有10筆徘徊資料，徘徊時空表假設為{甲區-時段1：2/10，甲區-時段2：2/10，乙區-時段2：4/10，丙區-時段2：2/10}，而回頭看2徘徊軌跡的徘徊重心分別位於甲區及乙區並分別位於時段1及時段2，計算徘徊時空佔比值：(1)以甲區-時段1查表得2/10，(2)以乙區-時段2查表得4/10，(1)+(2)=6/10=0.6，再假設過去5日每日的徘徊佔比值分別為0.3,0.4,0.5,0.6,0，平均值為0.36，得到過去5日的徘徊時空標準差(((-0.06)^2+(0.04)^2+(0.14)^2+(0.24)^2+(0.36)^2)/5)^0.5=0.23，計算該車號徘徊異常程度值為10*0.23/0.6=3.83。以上僅為舉例說明，本發明不以此為限。

當徘徊異常程度值大於或等於設定閥值(例如設定為3，可視實際需要設定)，認定為徘徊異常，回應車牌號碼資料中會標記徘徊異常。

請參閱第4圖，其繪示疑似換車牌分析方法：於步驟S401中，接收車牌號碼，其中使用者可輸入完整車牌號碼來查詢；於步驟S402中，自資料庫中搜尋出對應該車牌號碼之軌跡資料，以獲得該車牌號碼之最後出現時間和地點；於步驟S403中，自資料庫中搜尋出在最後時間後在最後出現地點出現之車牌號碼的軌跡資料；於步驟S404中，執行軌跡交錯率分析，或者再經原車牌號碼車色、車型匹配過濾；步驟S405中，將各車牌號碼的新軌跡資料與其過去軌跡資料比較，計算換車牌疑似程度值；以及於步驟S406中，依據換車牌疑似程度值提供疑似換車牌資訊，其中可將換車牌疑似程度值予以排名，以回應車牌號碼及車牌照片給使用者。

具體而言，疑似換車牌分析可依據輸入之欲查詢的車牌號碼取得最後出現時間地點，經軌跡交錯率分析以取得該時間後該地點出現的待分析車牌號碼軌跡資料，進行以下計算得換車牌疑似程度值：以車牌號碼最後出現時間T為始，最後出現地點l為範圍中心，取得每一次時間window t且半徑範圍r內出現的所有車牌號碼P ^Tlr={p ₀ ^tlr,p ₁ ^tlr,...,p _n ^tlr}

換車牌疑似程度值R(p _i ^tlr)=(1-p _i最新軌跡對比過去k日軌跡出現時空佔比值)*count(p _i出現至現時軌跡)*p _i車型與輸入車牌號碼車型匹配程度值，其中，過去k日軌跡時空表：M(LABEL(單一軌跡區域-時段)：count(k日內單一軌跡區域-時段)/count(k日內所有軌跡區域-時段))

最新軌跡對比過去k日軌跡出現時空佔比值=( M.get(LABEL(N _i區域-時段)))/n

舉例某車號出現於T及T+t時段當中以l為範圍中心半徑範圍r的區域當中，該車號過去k日軌跡時空表假設為{甲區-時段2：2/10，甲區-時段2：3/10，乙區-時段2：4/10，丙區-時段2：2/10}，最新軌跡轉為區域-時段表示為{甲區-時段1，甲區-時段2，丙區-時段2，丙區-時段3}，計算佔比值：0+2/10+2/10+0=4/10=0.4，出現至現時軌跡次數為4，車型與輸入車牌號碼車型匹配程度值假設為0.8，計算該車號換車牌疑似程度值為(1-0.4)*4*0.8=1.92。以上僅為舉例說明，本發明不以此為限。

當換車牌疑似程度值大於或等於設定閥值(例如設定為1.8，可視實際需要設定)，將依疑似程度值大至小排序回應車牌號碼及車輛照片清單。

請參閱第5圖，其繪示出沒異常分析方法：於步驟S501中，定期自資料庫取出監控區域中監控時段內之車牌號碼及其軌跡資料；於步驟S502中，執行軌跡交錯率分析；於步驟S503中，將各車輛號碼的新軌跡資料與過去軌跡資料比較，計算出沒異常程度值；以及於步驟S504中，依據出沒異常程度值提供出沒異常資訊，其中可將出沒異常程度值予以排序以回應車牌號碼及車牌照片給使用者。

具體而言，出沒異常分析可針對監控區域監控時段出現車牌號碼或監控車牌號碼軌跡資料，針對每一車牌號碼軌跡資料進行以下計算得出沒異常程度值：出沒異常程度值=過去k日軌跡規律程度值/最新軌跡對比過去k日軌跡出現時空佔比值，其中，軌跡規律程度值=(α+β+γ)/k

α=出現天數+最常出現第一辨識點次數+最常出現最後辨識點次數

β=(α/3)*(2/(最常出現長停留辨識啟始點次數+最常出現長停留辨識結束點次數))

γ=(α+β)/4-標準差σ(每日第一辨識點與長停留辨識啟始點之距離)

舉例某車號出現於某監控區域特定時段，該車號過去7天出現了4天，第1天從A路口出現結束於B路口，第2天從A路口出現結束於C路口，第3天從C路口出現結束於A路口，第4天從A路口出現結束於B路口，其最常出現第一辨識點為A，次數為3，最常出現最後辨識點為B，次數為2，則α=4+3+2=9，另假設第1天從A路口出發後於T，U路口之間時間間隔最長，第2天從A路口出發後於U，V路口之間時間間隔最長，第3天從C路口發後於U，V路口之間時間間隔最長，第1天從A路口出發後於T，V路口之間時間間隔最長，其最常出現長停留辨識啟始點為T或U，次數為2，最常出現長停留辨識結束點為V，次數為3，則β=9/3*(2/(2+3))=1.2，再計算第1天A路口到T路口距離、第2天A路口到U路口距離，第3天C 路口到U路口距離，第4天A路口到T路口距離4個值，求其標準差值假設為0.2，則γ=(9+1.2)/4-0.2=2.35，故軌跡規律程度值=(9+1.2+2.35)/7=1.79，假設該車號最新軌跡對比過去k日軌跡出現時空佔比值為0.4，計算該車號出沒異常程度值=1.79/0.4=4.475。以上僅為舉例說明，本發明不以此為限。

當出沒異常程度值大於或等於設定閥值(例如設定為4，可視實際需要設定)，將依異常程度值大至小排序回應車牌號碼及車輛照片清單。

請參閱第6圖，其繪示疑似車輛集結分析方法：於步驟S601中，定期自資料庫取出監控區域中監控時段內之車牌號碼及其軌跡資料；於步驟S602中，執行軌跡交錯率分析；於步驟S603中，對監控區域中出沒異常的車牌號碼執行停留位置分類；於步驟S604中，將各車輛號碼的新軌跡資料與過去軌跡資料比較，計算出車輛集結疑似程度值；以及於步驟S605中，依據車輛集結疑似程度值提供疑似車輛集結資訊，其中可將車輛集結疑似程度值予以排序以回應集結區域、集結車牌及車牌照片給使用者。

具體而言，疑似車輛集結分析定期針對監控區域特定時段出現的車牌號碼進行以下計算得車輛集結疑似程度值：於T-T’間取得l位置中心以r為半徑區域每一出現車牌號碼的第一個停留點(離下一次辨識時間達h小時以上)。

於T-T’間每h小時將同一停留點的出沒異常車牌號碼分組(group)，取得TOP N長度的群組(groups)。

將這些群組進行經緯度cluster分類得K ^tlr={C(lat ₀,lng ₀),C(lat ₁,lng ₁),...,C(lat _n,lng _n)}，C(lat _i,lng _i)車輛集結疑似程度值=1/過去C’(lat _i,lng _i)紀錄數。

舉例於某日0點至4點間每1小時找出這1小時內l位置中心以r為半徑區域的所有出沒異常車牌號碼，其辨識時間距離下次辨識時間達1小時以上，假設0點到1點找到100個車牌號碼，分別是A路口辨識點有30個車牌號碼，B路口辨識點有20個車牌號碼，C路口辨識點有10個車牌號碼，D路口辨識點有10個車牌號碼，E路口辨識點有10個車牌號碼，F路口辨識點有5個車牌號碼，G路口辨識點有5個車牌號碼，取TOP 3長度的群組則有A,B,C,D,E 5個路口，再將這些路口進行經緯度cluster分類得{A,C},{B},{D,E}3個類別，這3個類別在過去K日同時段出現的次數分別為0次，1次及K次，計算這3個類別的車輛集結疑似程度值分別為1/0近似於∞、1/1=1、1/k。以上僅為舉例說明，本發明不以此為限。

當車輛集結疑似程度值大於或等於設定閥值(例如設定為1，可視實際需要設定)，將依疑似程度值大至小排序回應C集結區域、C集結區域當中停留車牌號碼及車輛照片清單。

綜上所述，本案提出之異常行車軌跡分析系統及方法可有效過濾辨識錯誤資料，進一步過濾後資料分析徘徊異常、出沒異常、疑似車輛集結、疑似換車牌等異常行為，達到良好分析效果。

上述實施例僅例示性說明本案之功效，而非用於限制本案，任何熟習此項技藝之人士均可在不違背本案之精神及範疇下對上述該些實施態樣進行修飾與改變。因此本案之權利保護範圍，應如後述之申請專利範圍所列。

Claims

一種異常行車軌跡分析系統，係包括：車牌號碼辨識整合模組，係整合複數個辨識資料，以產生複數個車牌號碼及其軌跡資料；軌跡交錯率分析模組，係對該複數個車牌號碼之其中至少一者之軌跡資料執行軌跡交錯率分析，以獲得該其中至少一車牌號碼之待分析車牌號碼軌跡資料，其中，該軌跡交錯率分析模組根據該其中至少一車牌號碼的軌跡資料之單位時段內連線路段是否平行、路段交錯點是否為路段中點或路段交錯點是否在路段當中來計算軌跡交錯率，以於該軌跡交錯率小於或等於交錯率閥值時，將該其中至少一車牌號碼判斷為辨識正確，使得經判斷為辨識正確之車牌號碼的軌跡資料作為該待分析車牌號碼軌跡資料；以及異常分析模組，係對該待分析車牌號碼軌跡資料執行異常分析，以獲得徘徊異常資訊、疑似換車牌資訊、出沒異常資訊或疑似車輛集結資訊。
如申請專利範圍第1項所述之異常行車軌跡分析系統，其中，該異常分析模組包括徘徊異常分析模組，該徘徊異常分析模組根據該待分析車牌號碼軌跡資料中單位時段軌跡資料以及過去時段軌跡資料來計算徘徊異常程度值，進而獲得該徘徊異常資訊。
如申請專利範圍第1項所述之異常行車軌跡分析系統，其中，該異常分析模組包括疑似換車牌分析模組，該疑似換車牌模組根據該待分析車牌號碼軌跡資料、該其中一車牌號碼之最後出現時間和地點、該最後出現地點中待分析車牌號碼軌跡資料來計算換車牌疑似程度值，進而獲得該疑似換車牌資訊。
如申請專利範圍第1項所述之異常行車軌跡分析系統，其中，該異常分析模組包括出沒異常分析模組，該出沒異常模組根據監控區域中監控時段內待分析車牌號碼軌跡資料以及該監控區域中過去時段內待分析車牌號碼軌跡資料來計算出沒異常程度值，進而獲得該出沒異常資訊。
如申請專利範圍第1項所述之異常行車軌跡分析系統，其中，該異常分析模組包括疑似車輛集結分析模組，該疑似車輛集結模組根據監控區域中監控時段內出沒異常的車牌號碼之待分析車牌號碼軌跡資料來計算車輛集結疑似程度值，進而獲得該疑似車輛集結區域資訊。
一種異常行車軌跡分析方法，係包括：整合複數個辨識資料，以產生複數個車牌號碼及其軌跡資料；對該複數個車牌號碼之其中至少一車牌號碼的軌跡資料執行軌跡交錯率分析，以獲得該其中至少一車牌號碼之待分析車牌號碼軌跡資料，其中，所述執行軌跡交錯率分析包括：根據該其中至少一車牌號碼的軌跡資料之單位時段內連線路段是否平行、路段交錯點是否為路段中點或路段交錯點是否在路段當中來計算該軌跡交錯率，以於該軌跡交錯率小於或等於交錯率閥值時，將該其中至少一車牌號碼判斷為辨識正確，使得經判斷為辨識正確之車牌號碼的軌跡資料作為該待分析車牌號碼軌跡資料；以及對該待分析車牌號碼軌跡資料執行異常分析，以獲得徘徊異常資訊、疑似換車牌資訊、出沒異常資訊或疑似車輛集結資訊。
如申請專利範圍第6項所述之異常行車軌跡分析方法，其中，所述執行異常分析係包括進行徘徊異常分析，該徘徊異常分析包括：根據該待分析車牌號碼軌跡資料中單位時段軌跡資料以及過去時段軌跡資料來計算徘徊異常程度值，進而獲得該徘徊異常資訊。
如申請專利範圍第6項所述之異常行車軌跡分析方法，其中，所述執行異常分析係包括進行疑似換車牌分析，該疑似換車牌分析包括：根據該待分析車牌號碼軌跡資料、該其中一車牌號碼之最後出現時間和地點、該最後出現地點中待分析車牌號碼軌跡資料來計算換車牌疑似程度值，進而獲得該疑似換車牌資訊。
如申請專利範圍第6項所述之異常行車軌跡分析方法，其中，所述執行異常分析係包括進行出沒異常分析，該出沒異常分析包括：根據監控區域中監控時段內待分析車牌號碼軌跡資料以及該監控區域中過去時段內待分析車牌號碼軌跡資料來計算出沒異常程度值，進而獲得該出沒異常資訊。
如申請專利範圍第6項所述之異常行車軌跡分析方法，其中，所述執行異常分析係包括進行疑似車輛集結分析，該疑似車輛集結分析包括：根據監控區域中監控時段內出沒異常的車牌號碼之待分析車牌號碼軌跡資料來來計算車輛集結疑似程度值，進而獲得該疑似車輛集結資訊。