CN108734008A - 基于停车记录对车辆匿名的移动轨迹数据去匿名的方法 - Google Patents
基于停车记录对车辆匿名的移动轨迹数据去匿名的方法 Download PDFInfo
- Publication number
- CN108734008A CN108734008A CN201810385918.0A CN201810385918A CN108734008A CN 108734008 A CN108734008 A CN 108734008A CN 201810385918 A CN201810385918 A CN 201810385918A CN 108734008 A CN108734008 A CN 108734008A
- Authority
- CN
- China
- Prior art keywords
- stop
- track
- parking
- anonymous
- vehicle
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于停车记录对车辆匿名的移动轨迹数据去匿名的方法,包括以下步骤:提取轨迹中所有停车点,去除上下客造成的停车,将停车划分为载人停车与空载停车;去除载人停车的异常点,并对载人停车进行建模;用所得模型去除空载停车点中的等红绿灯和堵车停车,保留兴趣停车点;对兴趣停车点构造基于TF‑IDF的特征向量,将已知轨迹的特征向量与匿名轨迹的特征向量相比对,找出匿名轨迹集合中与已知轨迹匹配的匿名轨迹。本发明实现了依靠停车点记录能够从匿名的移动轨迹集中匹配出未匿名的原始轨迹,验证单个驾驶员兴趣停车点特征的稳定性与独特性,并揭示匿名轨迹数据安全风险。
Description
技术领域
本发明涉及匿名移动轨迹的隐私安全技术领域,特别是涉及一种基于停车记录对车辆匿名的移动轨迹数据去匿名的方法。
背景技术
随着移动终端和定位技术的发展,能够容易地获取交通工具的移动轨迹数据,而这些移动轨迹通常包含丰富的时空信息,利用这些数据进行合理的挖掘并分析可以获得有价值的信息。同时由于移动轨迹中会包含个人的隐私信息,恶意攻击者能够通过这些移动轨迹推测出各类其感兴趣的隐私事件,从而造成隐私安全问题。
为了保护轨迹数据的隐私,一般会在轨迹数据发布前采用相关隐私保护技术对轨迹数据预处理。目前比较常见的有两大类,一种是修改原始轨迹,降低轨迹在空时中的精度,比如降低记录轨迹的分辨率或在轨迹中***噪声,来保护隐私。但是会导致数据失真严重,可用性低;另一种采用对轨迹匿名化处理的方法,它是通过用假名(具有唯一性的随机标示符)替代参与者的真实身份,使参与者的真实身份无法通过任何方式与假名相关联。这种方法容易实现,在保持低开销、不改变原数据的情况下保护隐私,保持数据最大的可用性,因此被广泛采用。
攻击者通过旁路信息就可从匿名轨迹中识别出被攻击者的轨迹。假设攻击者可以访问某个匿名轨迹集合,其中包括其攻击目标的轨迹。该攻击方法需要获取匿名轨迹发生时间段内,攻击目标车辆的若干时空“快照”(即车辆在某时刻的位置信息),从而从匿名轨迹集中识别出与所获时空“快照”向符合的轨迹。该类攻击对“快照”的时空限制较强,从而限制了去匿名攻击的实施。然而,是否存在更一般的攻击方式,不需要获取与匿名轨迹数据存续时间相重叠的时空信息,即可成功实施去匿名攻击尚无结论。
发明内容
本发明所要解决的技术问题是提供一种基于停车记录对车辆匿名的移动轨迹数据去匿名的方法,分析由驾驶员个人偏好导致的兴趣停车点特征,验证单个驾驶员兴趣停车点特征的稳定性与独特性,并揭示匿名轨迹数据安全风险。
本发明解决其技术问题所采用的技术方案是:提供一种基于停车记录对车辆匿名的移动轨迹数据去匿名的方法,获得某一出租车任意时间段的若干移动轨迹片段,利用持有轨迹与匿名轨迹集中的轨迹相比较识别该出租车的轨迹,包括以下步骤:
(1)提取轨迹中所有停车点,去除上下客造成的停车,将停车划分为载人停车与空载停车,其中,载人停车包括等交通灯造成的停车和堵车造成的停车;
(2)去除载人停车的异常点,并对载人停车进行建模;
(3)用所得模型去除空载停车点中的等交通灯和堵车停车,保留兴趣停车点;
(4)对兴趣停车点构造基于TF-IDF的特征向量,将已知轨迹的特征向量与匿名轨迹的特征向量相比对,找出匿名轨迹集合中与已知轨迹匹配的匿名轨迹。
所述步骤(1)具体为:从轨迹集中筛选出位置不随时间变化的点,视其为停车点,根据出租车轨迹集中的停车前后的载人状态判断是否为上下客停车。
所述步骤(2)中用dura表示停车时间,dist表示停车点到路口的距离,inter表示两个停车点的间隔时间,构造特征向量Stp=(dura,dist,inter),使用马氏距离去除载人停车的异常点。
所述使用马氏距离去除载人停车的异常点具体为:设定马氏距离的阈值为其中,p为自由度,将超过阈值的停车点视为异常点;马氏距离的计算公式为:其中Stpi表示第i个停车点的特征向量,μ表示一组停车点集合的特征向量均值;v则表示停车点集合特征向量的协方差矩阵。
所述步骤(3)中用去除异常停车点后的载人停车点训练One-classSVM分类器,来区分停车点是否为堵车和等交通灯的停车点;用分类器识别并去除空载停车点中堵车和等交通灯的停车点,保留的即为兴趣停车点。
所述步骤(4)具体为:将出租车行驶的轨迹看作一个文本,路段编号看作是每个词语,路段的停车点数目就是词语在文本中出现的次数;权重值tf-idfi,j的计算公式为:tf-idfi,j=tfi,j×idfi,j,其中,Ni为训练数据中车辆vi所经过的路段总数;mj为训练数据包含路段rj的轨迹数;Ci为训练数据中车辆vi的轨迹所属的一类;mi,j为Ci中包含路段rj的轨迹数;ti,j为rj在Ci中出现的次数;tfi,j为rj在vi的轨迹中出现的频率;训练数据中提取到的停车点构成轨迹特征,测试数据中的停车点构成测试轨迹特征,用求余弦相似度值来进行匹配,通过测量两个向量内积空间的夹角的余弦值来度量它们之间的相似性;从两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明实现了依靠停车点记录能够从匿名的移动轨迹集中匹配出未匿名的原始轨迹,分析由驾驶员个人偏好导致的兴趣停车点特征,验证单个驾驶员兴趣停车点特征的稳定性与独特性,并揭示匿名轨迹数据安全风险。
附图说明
图1为基于停车点对出租车轨迹去匿名方法的流程图;
图2为出租车停车点的详细分类图;
图3为上海出租车的停车点特征向量分布图;
图4为深圳出租车的停车点特征向量分布图;
图5为上海出租车空车停车点经过SVM分类的结果图;
图6为深圳出租车空车停车点经过SVM分类的结果图;
图7为出租车轨迹匹配准确率的直方图;
图8为测试轨迹长度变化对匹配准确率影响的折线图;
图9为测试轨迹长度变化对匹配准确率影响的结果图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种根据出租车停车记录对出租车的匿名移动轨迹进行去匿名的方法,如图1所示,包括去除上下客停车并划分载人停车与空载停车;去除载人停车的异常点,对载人停车建模;根据模型去除空载停车中等交通灯和堵车的停车点而保留兴趣停车点;构造兴趣停车点的特征向量并进行轨迹匹配,其中:
除上下客停车并划分载人停车与空载停车,用于区分出停车点的类型,它是对出租车停车点进行分类的准备工作。
去除载人停车的异常点,用于获取载人停车点中的等交通灯和堵车的停车点,用它来训练One-classSVM分类器,以区分停车点是否为堵车和等交通灯的停车点。
根据训练好的SVM分类器,去除空载停车中等交通灯和堵车的停车点而保留兴趣停车点,从而获取反映出租车驾驶员意图的兴趣停车点。
构造轨迹特征向量并进行轨迹匹配,用于识别出相应的车辆的移动轨迹,并验证匹配的准确性。
本实施方式采用上海(906辆)和深圳(1945辆)的出租车GPS报告数据,将其作为原始移动轨迹数据集。每条轨迹数据包含的具体信息有:车辆的编号ID,当前位置,当前位置的经纬度,时间戳,驾驶速度,车辆的行驶角度和运动状态。运动状态能显示出租车是否载人。并且在上海和深圳的路网中每条路段和每个交叉路口在各自路网中有唯一的编号。在处理轨迹数据前,要先对轨迹进行预处理。由于GPS的定位存在误差,因此先要借助电子地图中的路网信息进行位置矫正,将轨迹都恢复到道路上,并确定车辆相对于地图的位置。通过使用ST-Matching地图匹配算法将轨迹的GPS点映射到相应的路段上。数据集中每个GPS日志文件中记录了一辆出租车一整天的运动轨迹。将车辆的完整轨迹以天为单位进行划分成若干子轨迹。对上海和深圳分别记录了28天和31天的数据。上海和深圳用20和22天的连续轨迹,分别构成包含906与1945条匿名轨迹的集合,剩余的8和9天,使用每天的轨迹单独构成对应匿名轨迹集的测试轨迹片段。
需要说明的是,由于出租车的停车点可以分为上下客停车、载客中途停车和空车停车三大类,为了获取有用信息,需要先将上下客停车点滤除,根据数据包含的信息很容易能去除上下客停车点。图2为停车点的详细分类。
在本实施方式中,去除因堵车和等红绿灯造成的停车,用到了停车时间、停车点到路口的距离和两个停车点的间隔时间三个特征。由于堵车造成车辆走走停停,因此和停车时间、两个停车点的间隔时间有直接关系,同样等红绿灯和停车点到路口的距离、停车时间也有直接关系,因此用这三个属性作为停车点的特征属性构成特征向量,可以到达区分这些停车点的目的。用dura表示停车时间,dist表示停车点到路口的距离,inter表示两个停车点的间隔时间,构造停车点的特征向量Stp=(dura,dist,inter)。图3和图4所示的是对车辆的停车点进行统计结果,有些停车点构成了柱状图形,这表示这辆车一个月都经常在这个位置停过车。像这样的连续几天都在同一个位置的停车点就是轨迹的特征,像边缘的一些特征点也是某些轨迹区分于其他轨迹的特征。
在本实施方式中,利用马氏距离来过滤掉载人停车点中的异常停车点,设定马氏距离的阈值为(p为自由度),将超过阈值的停车点视为异常点。马氏距离的计算公式为:
其中Stpi表示第i个停车点的特征向量,表示一组停车点集合的特征向量均值,v则表示停车点集合特征向量S的协方差矩阵。
本实施方式中,使用训练过的SVM分类器识别并过滤掉载人停车点中的堵车和等交通灯的停车点,从而获取所需的兴趣停车点。通过使用去除异常停车点后的载人停车点训练出一个One-classSVM分类器,该分类器可以判定停车点是否为堵车和等交通灯的停车点。由于空车停车点中只有兴趣停车点和非兴趣停车点两类,因此在去除所有的堵车和等交通灯的非兴趣停车点后,保留的停车点即为所求兴趣停车点。利用SVM分类器分类的结果如图5和图6所示。其中,颜色较深的部分为堵车、等红绿灯造成的停车点,颜色较浅的部分就是需要的兴趣停车点,兴趣停车点构成的轨迹特征向量用来计算匹配准确率。
本实施方式中,用提取到的兴趣停车点来构造轨迹特征向量。构造特征向量使用了改进的TF-IDF方法,以该方法处理文本的方式对轨迹进行分析。将出租车行驶的轨迹看作一个文本,路段编号看作是每个词语,路段的停车点数目就是词语在文本中出现的次数。权重值tf-idfi,j的计算公式为:
tf-idfi,j=tfi,j×idfi,j.
其中,
其中,Ni为训练数据中车辆vi所经过的路段总数;mj为训练数据包含路段rj的轨迹数;Ci为训练数据中车辆vi的轨迹所属的一类;mi,j为Ci中包含路段rj的轨迹数;ti,j为rj在Ci中出现的次数;tfi,j为rj在vi的轨迹中出现的频率。
在获得权重值tf-idfi,j后,就可以形成如下的轨迹特征向量:
Wi=(ωi,1,ωi,2,...,ωi,n).
其中ωi,j表示rj的权重值,即ωi,j=tf-idfi,j。
训练数据中提取到的这些停车点构成轨迹特征,而测试数据中的停车点构成测试轨迹特征,用求余弦相似度值来进行匹配。通过测量两个向量内积空间的夹角的余弦值来度量它们之间的相似性。从两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。在比较过程中,向量的规模大小不予考虑,仅仅考虑到向量的指向方向。两个向量间的余弦相似度用点积的形式来表示其大小,公式如下所示:
其中,A、B分别表示两个不同的轨迹特征向量。
首先求出测试片段与匿名轨迹集合中的每辆车轨迹的余弦相似度similarity,分别求出测试轨迹片段与它们的最大余弦相似度值,最后找到其中的最大值,将其视为与测试轨迹片段同属于一辆车。
在本实施方式中,获得每条测试轨迹的特征向量时,已经清楚其所属车辆。只需将对比所得出的匿名轨迹所属车辆信息和真实所属车辆信息进行比较,就能知道最后的准确率。通过对准确率分析,能体现这种提取特征的方法效果程度。具体的准确率公式如下:
其中,ncorrcet表示测试后的分类结果,nall表示真实类别。
基于停车点的去匿名方法的准确率如图7所示。准确率分别为48.58%和39.66%。即上海906车辆轨迹中本方法可以区分444条,深圳的1945条轨迹中本方法可以区分720条。此外,随着攻击者获得的轨迹长度(即天数)的增加(意味着更多兴趣停车点信息),去匿名准确率将显著上升。如图8和图9所示,上海数据和深圳数据分别由48.58%和39.66%上升到85.22%和66.67%。由此可见,只要攻击者获得足够的用户的真实数据,就可以精确地匹配出受害者原来的轨迹,从而窃取用户的隐私。
不难发现,本发明实现了依靠停车点记录能够从匿名的移动轨迹集中匹配出未匿名的原始轨迹,对驾驶员个人偏好导致的兴趣停车点特征进行分析,验证单个驾驶员兴趣停车点特征的稳定性与独特性,并揭示匿名轨迹数据安全风险。
Claims (6)
1.一种基于停车记录对车辆匿名的移动轨迹数据去匿名的方法,其特征在于,获得某一出租车任意时间段的若干移动轨迹片段,利用持有轨迹与匿名轨迹集中的轨迹相比较识别该出租车的轨迹,包括以下步骤:
(1)提取轨迹中所有停车点,去除上下客造成的停车,将停车划分为载人停车与空载停车,其中,载人停车包括等交通灯造成的停车和堵车造成的停车;
(2)去除载人停车的异常点,并对载人停车进行建模;
(3)用所得模型去除空载停车点中的等交通灯和堵车停车,保留兴趣停车点;
(4)对兴趣停车点构造基于TF-IDF的特征向量,将已知轨迹的特征向量与匿名轨迹的特征向量相比对,找出匿名轨迹集合中与已知轨迹匹配的匿名轨迹。
2.根据权利要求1所述的基于停车记录对车辆匿名的移动轨迹数据去匿名的方法,其特征在于,所述步骤(1)具体为:从轨迹集中筛选出位置不随时间变化的点,视其为停车点,根据出租车轨迹集中的停车前后的载人状态判断是否为上下客停车。
3.根据权利要求1所述的基于停车记录对车辆匿名的移动轨迹数据去匿名的方法,其特征在于,所述步骤(2)中用dura表示停车时间,dist表示停车点到路口的距离,inter表示两个停车点的间隔时间,构造特征向量Stp=(dura,dist,inter),使用马氏距离去除载人停车的异常点。
4.根据权利要求3所述的基于停车记录对车辆匿名的移动轨迹数据去匿名的方法,其特征在于,所述使用马氏距离去除载人停车的异常点具体为:设定马氏距离的阈值为其中,p为自由度,将超过阈值的停车点视为异常点;马氏距离的计算公式为:其中Stpi表示第i个停车点的特征向量,μ表示一组停车点集合的特征向量均值;v则表示停车点集合特征向量的协方差矩阵。
5.根据权利要求1所述的基于停车记录对车辆匿名的移动轨迹数据去匿名的方法,其特征在于,所述步骤(3)中用去除异常停车点后的载人停车点训练One-class SVM分类器,来区分停车点是否为堵车和等交通灯的停车点;用分类器识别并去除空载停车点中堵车和等交通灯的停车点,保留的即为兴趣停车点。
6.根据权利要求1所述的基于停车记录对车辆匿名的移动轨迹数据去匿名的方法,其特征在于,所述步骤(4)具体为:将出租车行驶的轨迹看作一个文本,路段编号看作是每个词语,路段的停车点数目就是词语在文本中出现的次数;权重值tf-idfi,j的计算公式为:tf-idfi,j=tfi,j×idfi,j,其中,Ni为训练数据中车辆vi所经过的路段总数;mj为训练数据包含路段rj的轨迹数;Ci为训练数据中车辆vi的轨迹所属的一类;mi,j为Ci中包含路段rj的轨迹数;ti,j为rj在Ci中出现的次数;tfi,j为rj在vi的轨迹中出现的频率;训练数据中提取到的停车点构成轨迹特征,测试数据中的停车点构成测试轨迹特征,用求余弦相似度值来进行匹配,通过测量两个向量内积空间的夹角的余弦值来度量它们之间的相似性;从两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810385918.0A CN108734008B (zh) | 2018-04-26 | 2018-04-26 | 基于停车记录对车辆匿名的移动轨迹数据去匿名的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810385918.0A CN108734008B (zh) | 2018-04-26 | 2018-04-26 | 基于停车记录对车辆匿名的移动轨迹数据去匿名的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734008A true CN108734008A (zh) | 2018-11-02 |
CN108734008B CN108734008B (zh) | 2021-12-07 |
Family
ID=63939306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810385918.0A Active CN108734008B (zh) | 2018-04-26 | 2018-04-26 | 基于停车记录对车辆匿名的移动轨迹数据去匿名的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734008B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428621A (zh) * | 2019-07-30 | 2019-11-08 | 山东交通学院 | 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法 |
CN110428604A (zh) * | 2019-07-30 | 2019-11-08 | 山东交通学院 | 一种基于gps轨迹数据和地图数据的出租车违规停车监测与预警方法 |
CN110766937A (zh) * | 2019-05-22 | 2020-02-07 | 北京嘀嘀无限科技发展有限公司 | 停车点识别方法、装置、电子设备以及可读存储介质 |
CN111224940A (zh) * | 2019-11-15 | 2020-06-02 | 中国科学院信息工程研究所 | 一种嵌套在加密隧道中的匿名服务流量关联识别方法及*** |
WO2021191337A1 (de) | 2020-03-27 | 2021-09-30 | Volkswagen Aktiengesellschaft | Fahrzeug, verfahren, vorrichtung und computerprogramm für ein fahrzeug zum bestimmen einer verkehrsdichte aus zumindest einem bewegungsprofil eines fahrzeuges |
CN113641887A (zh) * | 2021-08-26 | 2021-11-12 | 河南工业大学 | 一种基于语义轨迹模式的移动轨迹去匿名方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354857A (zh) * | 2015-12-07 | 2016-02-24 | 北京航空航天大学 | 一种有立交桥遮挡的车辆轨迹匹配方法 |
CN105608919A (zh) * | 2014-11-21 | 2016-05-25 | 杭州海康威视数字技术股份有限公司 | 车站位置的确定方法及装置 |
CN105810006A (zh) * | 2016-03-29 | 2016-07-27 | 福建工程学院 | 路边停车位的识别方法及*** |
CN107945037A (zh) * | 2017-11-27 | 2018-04-20 | 北京工商大学 | 一种基于节点结构特征的社交网络去匿名化方法 |
-
2018
- 2018-04-26 CN CN201810385918.0A patent/CN108734008B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608919A (zh) * | 2014-11-21 | 2016-05-25 | 杭州海康威视数字技术股份有限公司 | 车站位置的确定方法及装置 |
CN105354857A (zh) * | 2015-12-07 | 2016-02-24 | 北京航空航天大学 | 一种有立交桥遮挡的车辆轨迹匹配方法 |
CN105810006A (zh) * | 2016-03-29 | 2016-07-27 | 福建工程学院 | 路边停车位的识别方法及*** |
CN107945037A (zh) * | 2017-11-27 | 2018-04-20 | 北京工商大学 | 一种基于节点结构特征的社交网络去匿名化方法 |
Non-Patent Citations (1)
Title |
---|
钟建友等: "移动轨迹数据去匿名化攻击方法", 《计算机工程》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766937A (zh) * | 2019-05-22 | 2020-02-07 | 北京嘀嘀无限科技发展有限公司 | 停车点识别方法、装置、电子设备以及可读存储介质 |
CN110766937B (zh) * | 2019-05-22 | 2020-10-20 | 滴图(北京)科技有限公司 | 停车点识别方法、装置、电子设备以及可读存储介质 |
CN110428621A (zh) * | 2019-07-30 | 2019-11-08 | 山东交通学院 | 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法 |
CN110428604A (zh) * | 2019-07-30 | 2019-11-08 | 山东交通学院 | 一种基于gps轨迹数据和地图数据的出租车违规停车监测与预警方法 |
CN110428621B (zh) * | 2019-07-30 | 2022-07-15 | 山东交通学院 | 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法 |
CN111224940A (zh) * | 2019-11-15 | 2020-06-02 | 中国科学院信息工程研究所 | 一种嵌套在加密隧道中的匿名服务流量关联识别方法及*** |
WO2021191337A1 (de) | 2020-03-27 | 2021-09-30 | Volkswagen Aktiengesellschaft | Fahrzeug, verfahren, vorrichtung und computerprogramm für ein fahrzeug zum bestimmen einer verkehrsdichte aus zumindest einem bewegungsprofil eines fahrzeuges |
DE102020204045A1 (de) | 2020-03-27 | 2021-09-30 | Volkswagen Aktiengesellschaft | Fahrzeug, Verfahren, Vorrichtung und Computerprogramm für ein Fahrzeug zum Bestimmen einer Verkehrsdichte aus zumindest einem Bewegungsprofil eines Fahrzeuges |
CN113641887A (zh) * | 2021-08-26 | 2021-11-12 | 河南工业大学 | 一种基于语义轨迹模式的移动轨迹去匿名方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108734008B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734008A (zh) | 基于停车记录对车辆匿名的移动轨迹数据去匿名的方法 | |
CN112750150B (zh) | 基于车辆检测和多目标跟踪的车流量统计方法 | |
CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
CN109359690A (zh) | 基于卡口数据的车辆出行轨迹识别方法 | |
Tanprasert et al. | Combining unsupervised anomaly detection and neural networks for driver identification | |
Ouyang et al. | An ensemble learning-based vehicle steering detector using smartphones | |
US20220084398A1 (en) | Method, apparatus, and system for detecting road incidents | |
US20220413502A1 (en) | Method, apparatus, and system for biasing a machine learning model toward potential risks for controlling a vehicle or robot | |
Hernández Sánchez et al. | Deep neural networks for driver identification using accelerometer signals from smartphones | |
CN115862331A (zh) | 考虑卡口网络拓扑结构的车辆出行轨迹重构方法 | |
Golze et al. | Traffic regulator detection using GPS trajectories | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
JP7091620B2 (ja) | コンピュータプログラム、走行道路判定方法、走行道路判定装置および車載装置 | |
Li et al. | Driving performances assessment based on speed variation using dedicated route truck GPS data | |
Bock et al. | Learning on-street parking maps from position information of parked vehicles | |
Muñoz-Organero et al. | Detecting different road infrastructural elements based on the stochastic characterization of speed patterns | |
Van Hinsbergh et al. | Vehicle point of interest detection using in-car data | |
Wu et al. | Online map-matching assisted by object-based classification of driving scenario | |
CN107622660A (zh) | 一种道路限行时间确定方法及装置 | |
CN115631082A (zh) | 一种基于高速路网拓扑结构的多场景路径还原方法 | |
Das et al. | Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling | |
CN110491157A (zh) | 一种基于停车场数据和卡口数据的车辆关联方法 | |
US11482099B2 (en) | Method and apparatus for preventing traffic over-reporting via identifying misleading probe data | |
CN109859492A (zh) | 一种识别***的***和方法 | |
CN113689705B (zh) | 车辆闯红灯检测方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |