CN103903439B - 客运车辆违规停车地点识别方法及*** - Google Patents

Abstract

本发明涉及一种客运车辆违规停车地点识别方法，包括如下步骤：获取任一车辆的GPS数据；根据获取的GPS数据，识别该车辆的反复停车区域；对识别出的该车辆的反复停车区域进行筛选得到可疑停车区域；对可疑停车区域进行可疑程度等级划分。本发明还涉及一种客运车辆违规停车地点识别***。本发明能够大幅度减少误判，提高可疑违规停车地点的识别准确率，降低监管违规停车的人力成本。

Description

客运车辆违规停车地点识别方法及***

技术领域

本发明涉及一种客运车辆违规停车地点识别方法及***。

背景技术

在国民经济持续增长下，居民对城际出行的需求与日俱增，高速公路建设也得到快速发展，与之相应的长途汽车客运市场得到了持续的蓬勃发展。然而，长途客车在运营时，普遍存在违规停车的现象。违规停车通常是进行站外揽客，这种行为存在巨大的安全隐患：一方面，站外揽客容易导致超载，超载是导致交通事故的一个主要原因；另一方面，站外上客的行李没有经过正规上客点的排查，有可能包含违禁携带的物品，进而形成严重的安全隐患。因此，监管违规停车行为是长途客运行业中的重要工作。

长期以来，国内相关部门主要依靠现场侦察的方法对违规停车进行调查和执法。近年来，各主要城市已经将GPS作为长途客运车辆必须安装的监控设备，逐步启动了基于GPS的长途客车监控***。目前这类***通常具有车辆定位追踪、行驶轨迹回放、超速报警、越界报警、停车超时报警等用于监控违规行为的功能。其中，与发现违规停车行为密切相关的功能主要是越界报警和停车超时报警两项。越界报警功能需要设置长途客车的规划行驶路线，一旦发现其偏离规划行驶路线一定距离则报警。停车超时报警功能需要设置停车时间阈值，一旦发现其停车时间超过设定阈值则报警。

对于违规停车进行现场侦察需要依赖执法人员的长期经验，以及耗费大量人力和时间成本。针对违规停车行为，现有长途客车监控***中的越界报警功能和停车超时报警功能都存在明显的不足。其一，越界报警功能一旦发现运营车辆偏离规划行驶路线一定距离则报警。然而，长途客车在实际行驶中，尤其是在城区内行驶时，变化的交通路况（例如，交通堵塞、交通管制等）会导致司乘人员选择非规划路线行驶，进而引起误判，干扰管理工作，降低***实际效用。其二，在实际运营中，大量站外揽客行为发生在规划路线沿途，越界报警功能则无法监控该类型的行为。其三，站外揽客现象在很多情况下的停车时间十分短暂（例如，几十秒或者一两分钟）。如果停车超时报警功能的报警时间阈值设置较高（例如，30分钟），那么大量的站外揽客停车并不会引起停车超时报警。而停车超时报警功能的报警时间阈值设置较低（例如，2分钟），那么大量的合理停车（例如，等红绿灯）则会引起误判。因此，现有违规停车地点识别技术存在大量的误判和疏漏。

发明内容

有鉴于此，有必要提供一种客运车辆违规停车地点识别方法及***。

本发明提供一种客运车辆违规停车地点识别方法，该方法包括如下步骤：a.获取车任一辆的GPS数据；b.根据获取的GPS数据，识别该车辆的反复停车区域；c.对识别出的该车辆的反复停车区域进行筛选得到可疑停车区域；d.对可疑停车区域进行可疑程度等级划分。

其中，所述的步骤b包括：对所述GPS数据进行预处理；根据预处理后的GPS数据提取停车事件；根据提取的停车事件发现反复停车区域。

所述的根据提取的停车事件发现反复停车区域采用核密度分析法。

所述的步骤c包括：排除规划载客点；排除等红绿灯造成的反复停车区域；排除拥堵缓行区域；排除其他合理停车区域。

所述的可疑程度等级包括高可疑、中可疑、低可疑。

本发明还提供一种客运车辆违规停车地点识别***，包括相互电性连接的获取模块、识别模块、筛选模块及划分模块，其中：所述获取模块用于获取任一车辆的GPS数据；所述识别模块用于根据获取的GPS数据，识别该车辆的反复停车区域；所述筛选模块用于对识别出的该车辆的反复停车区域进行筛选得到可疑停车区域；所述划分模块用于对可疑停车区域进行可疑程度等级划分。

其中，所述的识别模块具体用于对所述GPS数据进行预处理，根据预处理后的GPS数据提取停车事件，及根据提取的停车事件发现反复停车区域。

所述的根据提取的停车事件发现反复停车区域采用核密度分析法。

所述筛选模块具体用于排除规划载客点，排除等红绿灯造成的反复停车区域，排除拥堵缓行区域，及排除其他合理停车区域。

所述的可疑程度等级包括高可疑、中可疑、低可疑。

本发明客运车辆违规停车地点识别方法及***，根据车辆反复停车的地点发现可疑度较高的规律，从单辆车的长期行驶轨迹中识别可疑的停车地点及特征，能够大幅度减少误判，提高可疑违规停车地点的识别准确率，降低监管违规停车的人力成本。

附图说明

图1为本发明客运车辆违规停车地点识别方法的流程图；

图2为本发明客运车辆违规停车地点识别***的硬件架构图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

参阅图1所示，是本发明客运车辆违规停车地点识别方法较佳实施例的作业流程图。

步骤S401，获取任一车辆的GPS数据。具体而言，从某单个车辆的GPS***中获取数据。

步骤S402，根据获取的GPS数据，识别该车辆的反复停车区域。

具体而言：首先，对所述GPS数据进行预处理。对该车辆一定时段内的GPS轨迹数据进行预处理，去除各种无效的记录，包括空值、信号漂移等。

然后，提取停车事件。提取行驶速度v=0的停车点，将连续的2个以上的停车点标记为一次停车事件。计算该次停车事件中所有停车点的空间范围，如果经度或者纬度范围超过一定阈值（例如，大于0.5度），则标记为数据错误造成的无效停车事件。对于筛选后的有效停车事件，将起始停车点的时间间隔作为停车事件的停留时间，将停车点的平均经纬度作为停车事件的地理坐标。

最后，发现反复停车区域。根据单个车辆长期的停车事件的空间分布密度，发现该车辆的反复停车的区域。该步骤采用基于密度的聚类分析法，筛选出停车密度大于一定阈值的区域。具体如下：

本实施例采用核密度分析法提取反复停车区域的准确形状。所述核密度分析法将分析区域划分为栅格单元，然后计算每个栅格单元周围的要素点，即停车事件的坐标点的密度。所述栅格单元是最简单最直接的空间数据结构，是指将地球表面划分为大小均匀紧密相邻的网格阵列，每个网格作为一个基本的空间单元。根据核密度法，每个要素点上方均覆盖着一个平滑曲面。点所在位置处表面值最高，随着与点的距离的增大表面值逐渐减小，在与点的距离等于搜索半径的位置处表面值为零。曲面与下方的平面所围成的空间的体积等于此点的事件发生的总量，即发生在该坐标点的停车事件总量。每个输出栅格单元的密度均为叠加在栅格像元中心的所有核表面的值之和。计算方法如公式1所示。

${\hat{f}}_h\left(x\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}K\left(\frac{x-x_i}{h}\right)}{\mathrm{nh}}$ 公式1

其中，K为核函数，x₁，x₂，...x_n为停车事件样本集，n为样本数量，h为带宽（搜索半径）。常用的核函数K包括Uniform、Epanechikov、Quartic、Gaussian等。本实施例采用Epanechikov函数，如公式2所示。实施应用中可根据实际情况选择相应的核函数。

$K\left(u\right)=\left\{\begin{array}{cc}\frac{3}{4}(1-u^2),& u\∈[-\mathrm{1,1}]\\ 0,& \mathrm{otherwise}\end{array}\right.$ 公式2

其中，u=(x-xi)/h。

使用核密度分析的过程中，设置带宽h是一个关键步骤。不同带宽的设置会导致密度估计结果不同，进而导致反复停车区域提取结果不同。具体应用中应通过多次实验对带宽进行测试，选择合适应用场景的带宽。

使用核密度分析估计出停车事件的连续密度分布图以后，设置反复度密度阈值，提取大于该阈值的栅格单元，连续的栅格单元形成一个反复停车区域。进而可以较为准确的提取出任意反复停车区域的形状。具体应用中应通过多次实验对反复度密度阈值进行测试，选择合适应用场景的密度阈值。

步骤S403，对识别出的该车辆的反复停车区域进行筛选，并设定阈值以得到可疑停车区域。具体步骤如下：

长途客车在运营过程中会出现各种合理的停车场景，包括经过收费站、等红绿灯、堵车、加油、汽车维修、司乘人员休息等等。因而，提取出的反复停车区域中包含了各种合理停车场景。如何区别违规停车区域与合理停车区域是本发明的一个关键步骤。

本实施例采用排除法实现违章停车区域的发现，四种主要的排除方案如下：

（a）排除规划载客点。收集规划载客点的分布位置，将与规划载客点区域有空间相交关系的停车区域排除掉。其中，规划载客点包含正规客运站和配客点。

（b）排除等红绿灯造成的停车聚集区域。收集红绿灯分布位置，将距离红绿灯一定等待距离内的停车区域排除掉。本实施例通过多次实验对红绿灯等待距离进行测试，选择合适应用场景的等待距离。

（c）排除拥堵缓行区域。提取高速路、主干道上沿道路呈长条状分布的停车区域，计算停车点前后行驶速度，如果区域内平均行驶速度低于一定速度阈值，判断其为拥堵缓行区域，则排除掉该区域。

（d）排除其他合理停车区域。收集其他合理停车地点的分布位置，将与各种合理停车点具有空间相交关系的停车区域排除掉。其中，所述其他合理停车区域包括收费站、检查站、联检站、机动车检测站、维修厂、汽配、汽车美容店等。

步骤S404，对可疑停车区域进行可疑程度等级划分。将客运站、公交站、地铁站、停车场、加油站、旅行社等常见违规停车地标附近的区域设置为高可疑，剩余区域中反复停车事件总数超过一定阈值的设置为中可疑（该阈值根据实际应用进行调整），其余区域设置为低可疑。具体步骤如下：

对于重点核查时段，首先根据一天24个时段，计算一个月内每个时段内的停车次数。假定停车事件遵循泊松分布，采用公式3计算每个时段内发现至少1次停车事件的概率。当一个随机事件以固定的平均瞬时速率λ（或称密度）随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地服从泊松分布。根据发现停车事件的概率和实际应用的需要，筛选出重点核查时段。

$P(k>0)=1-P\left(0\right)=1-\frac{{\mathrm{\λ}}^0{e}^{-\mathrm{\λ}}}{0!}$ 公式3

参阅图2所示，是本发明客运车辆违规停车地点识别***的硬件架构图。该***包括相互电性连接的获取模块、识别模块、筛选模块及划分模块。

所述获取模块用于获取任一车辆的GPS数据。具体而言，所述获取模块从某单个车辆的GPS***中获取数据。

所述识别模块用于根据获取的GPS数据，识别该车辆的反复停车区域。具体如下：

首先，所述识别模块对所述GPS数据进行预处理。对该车辆一定时段内的GPS轨迹数据进行预处理，去除各种无效的记录，包括空值、信号漂移等。

然后，所述识别模块提取停车事件。提取行驶速度v=0的停车点，将连续的2个以上的停车点标记为一次停车事件。计算该次停车事件中所有停车点的空间范围，如果经度或者纬度范围超过一定阈值（例如，大于0.5度），则标记为数据错误造成的无效停车事件。对于筛选后的有效停车事件，将起始停车点的时间间隔作为停车事件的停留时间，将停车点的平均经纬度作为停车事件的地理坐标。

最后，所述识别模块发现反复停车区域。根据一辆车长期的停车事件的空间分布密度，发现反复停车的区域。该步骤采用基于密度的聚类分析法，筛选出停车密度大于一定阈值的区域。具体如下：

本实施例采用核密度分析法提取反复停车区域的准确形状。所述核密度分析法将分析区域划分为栅格单元，然后计算每个栅格单元周围的要素点，即停车事件的坐标点的密度。所述栅格单元是最简单最直接的空间数据结构，是指将地球表面划分为大小均匀紧密相邻的网格阵列，每个网格作为一个基本的空间单元。根据核密度法，每个要素点上方均覆盖着一个平滑曲面。点所在位置处表面值最高，随着与点的距离的增大表面值逐渐减小，在与点的距离等于搜索半径的位置处表面值为零。曲面与下方的平面所围成的空间的体积等于此点的事件发生的总量，即发生在该坐标点的停车事件总量。每个输出栅格单元的密度均为叠加在栅格像元中心的所有核表面的值之和。计算方法如公式1所示。

${\hat{f}}_h\left(x\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}K\left(\frac{x-x_i}{h}\right)}{\mathrm{nh}}$ 公式1

其中，K为核函数，x₁，x₂，...x_n为停车事件样本集，n为样本数量，h为带宽（搜索半径）。常用的核函数K包括Uniform、Epanechikov、Quartic、Gaussian等。本实施例采用Epanechikov函数，如公式2所示。实施应用中可根据实际情况选择相应的核函数。

$K\left(u\right)=\left\{\begin{array}{cc}\frac{3}{4}(1-u^2),& u\∈[-\mathrm{1,1}]\\ 0,& \mathrm{otherwise}\end{array}\right.$ 公式2

其中，u=(x-xi)/h。

使用核密度分析的过程中，设置带宽h是一个关键步骤。不同带宽的设置会导致密度估计结果不同，进而导致反复停车区域提取结果不同。具体应用中应通过多次实验对带宽进行测试，选择合适应用场景的带宽。

使用核密度分析估计出停车事件的连续密度分布图以后，设置反复度密度阈值，提取大于该阈值的栅格单元，连续的栅格单元形成一个反复停车区域。进而可以较为准确的提取出任意反复停车区域的形状。具体应用中应通过多次实验对反复度密度阈值进行测试，选择合适应用场景的密度阈值。

所述筛选模块用于对识别出的该车辆的反复停车区域进行筛选，并设定阈值以得到可疑停车区域。具体如下：

长途客车在运营过程中会出现各种合理的停车场景，包括经过收费站、等红绿灯、堵车、加油、汽车维修、司乘人员休息等等。因而，提取出的反复停车区域中包含了各种合理停车场景。如何区别违规停车区域与合理停车区域是本发明的一个关键步骤。

本实施例采用排除法实现违章停车区域的发现，四种主要的排除方案如下：

（a）排除规划载客点。收集规划载客点的分布位置，将与规划载客点区域有空间相交关系的停车区域排除掉。其中，规划载客点包含正规客运站和配客点。

（b）排除等红绿灯造成的停车聚集区域。收集红绿灯分布位置，将距离红绿灯一定等待距离内的停车区域排除掉。本实施例通过多次实验对红绿灯等待距离进行测试，选择合适应用场景的等待距离。

（c）排除拥堵缓行区域。提取高速路、主干道上沿道路呈长条状分布的停车区域，计算停车点前后行驶速度，如果区域内平均行驶速度低于一定速度阈值，判断其为拥堵缓行区域，则排除掉该区域。

（d）排除其他合理停车区域。收集其他合理停车地点的分布位置，将与各种合理停车点具有空间相交关系的停车区域排除掉。其中，所述其他合理停车区域包括收费站、检查站、联检站、机动车检测站、维修厂、汽配、汽车美容店等。

所述划分模块用于对可疑停车区域进行可疑程度等级划分。将客运站、公交站、地铁站、停车场、加油站、旅行社等常见违规停车地标附近的区域设置为高可疑，剩余区域中反复停车事件总数超过一定阈值的设置为中可疑（该阈值根据实际应用进行调整），其余区域设置为低可疑。具体如下：

对于重点核查时段，首先根据一天24个时段，计算一个月内每个时段内的停车次数。假定停车事件遵循泊松分布，采用公式3计算每个时段内发现至少1次停车事件的概率。当一个随机事件以固定的平均瞬时速率λ（或称密度）随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地服从泊松分布。根据发现停车事件的概率和实际应用的需要，筛选出重点核查时段。

$P(k>0)=1-P\left(0\right)=1-\frac{{\mathrm{\λ}}^0{e}^{-\mathrm{\λ}}}{0!}$ 公式3

虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。

Claims (8)

1.一种客运车辆违规停车地点识别方法，其特征在于，该方法包括如下步骤：

a.获取任一车辆的GPS数据；

b.根据获取的GPS数据，识别该车辆的反复停车区域；

c.对识别出的该车辆的反复停车区域进行筛选得到可疑停车区域；

d.对可疑停车区域进行可疑程度等级划分；

其中，所述的步骤c包括：

排除规划载客点；

排除等红绿灯造成的反复停车区域；

排除拥堵缓行区域；

排除其他合理停车区域，所述其他合理停车区域包括收费站、检查站、联检站、机动车检测站、维修厂、汽配和汽车美容店。

2.如权利要求1所述的方法，其特征在于，所述的步骤b包括：

对所述GPS数据进行预处理；

根据预处理后的GPS数据提取停车事件；

根据提取的停车事件发现反复停车区域。

3.如权利要求2所述的方法，其特征在于，所述的根据提取的停车事件发现反复停车区域采用核密度分析法。

4.如权利要求1所述的方法，其特征在于，所述的可疑程度等级包括高可疑、中可疑和低可疑。

5.一种客运车辆违规停车地点识别***，其特征在于，该***包括相互电性连接的获取模块、识别模块、筛选模块及划分模块，其中：

所述获取模块用于获取任一车辆的GPS数据；

所述识别模块用于根据获取的GPS数据，识别该车辆的反复停车区域；

所述筛选模块用于对识别出的该车辆的反复停车区域进行筛选得到可疑停车区域；

所述划分模块用于对可疑停车区域进行可疑程度等级划分；

其中，所述筛选模块具体用于排除规划载客点；排除等红绿灯造成的反复停车区域；排除拥堵缓行区域；及排除其他合理停车区域，所述其他合理停车区域包括收费站、检查站、联检站、机动车检测站、维修厂、汽配和汽车美容店。

6.如权利要求5所述的***，其特征在于，所述的识别模块具体用于对所述GPS数据进行预处理，根据预处理后的GPS数据提取停车事件，及根据提取的停车事件发现反复停车区域。

7.如权利要求6所述的***，其特征在于，所述的根据提取的停车事件发现反复停车区域采用核密度分析法。

8.如权利要求5所述的***，其特征在于，所述的可疑程度等级包括高可疑、中可疑和低可疑。