CN109063771A - 一种发现车辆可疑行为的方法、装置及设备 - Google Patents
一种发现车辆可疑行为的方法、装置及设备 Download PDFInfo
- Publication number
- CN109063771A CN109063771A CN201810868686.4A CN201810868686A CN109063771A CN 109063771 A CN109063771 A CN 109063771A CN 201810868686 A CN201810868686 A CN 201810868686A CN 109063771 A CN109063771 A CN 109063771A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- track
- suspicious actions
- cluster
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种发现车辆可疑行为的方法、装置及设备,该方法包括:将车辆轨迹数据拆分为至少一个子轨迹数据;将所述至少一个子轨迹数据转换为至少一个固定长度的向量;对所述至少一个固定长度的向量进行聚类,得到簇或离群轨迹数据;根据所述簇和/或所述离群轨迹数据确定车辆可疑行为。本申请能够取得的有益效果在于,消除了因采样时间不固定、轨迹长度不一致等对轨迹聚类带来的困难。相对于基于规则和轨迹点聚集的方法,通过轨迹聚类的结果可以发现同一辆车在不同时期行为模式的变化,以及多辆车在一段时间内的相似行为,且不受限于同一个时间和空间范围,能够发现更为隐蔽和复杂的车辆可疑行为。
Description
技术领域
本申请涉及计算机技术领域,尤其是涉及一种发现车辆可疑行为的方法、装置及设备。
背景技术
中国是全球最大的汽车市场,我国的汽车保有量接近2亿量。随着国人消费观念的转变,汽车金融产品发展迅速,车贷市场规模壮大,预计未来5年有60%的人通过方式购车。为了更好的控制车辆贷后风险,防止某些车主有欺诈、逃窜等恶意行为,车贷平台往往通过在车辆上安装GPS设备进行车辆行为的监控和预警。
专利CN106384326A提供了一种车辆欺诈聚集的预警方法。通过GPS设备实时采集行车信息,根据车辆的经纬度坐标是否近似重叠,判断多辆车是否在同一聚集范围、同一时间段内停留,GPS卫星定位装置工作状态等情况,判断是否存在欺诈聚集的可能性。
专利CN106056447A提供了一种车辆的二次抵押风险预警方法。预先将借贷机构划分为若干区域,获取车辆的地址位置,判断若干区域是否包含车辆位置,若存在则产生所属车辆存在二次抵押风险报警。
可见,现有的方法主要通过规则约束,如检测车辆的行驶里程、停留时间、危险停留区域等;或者判断一定时间和空间范围内的车辆聚集,来实现车辆可疑行为的监控和预警。而实际中的车辆可疑行为往往存在隐蔽性和复杂性,需要通过聚类等手段对轨迹数据进行更深入挖掘。由于轨迹数据是通过GPS设备上报地址位置而采集得来,存在采样时间不固定,采样记录不均匀,定位有偏差等问题,很难直接运用经典聚类算法进行分析。
发明内容
本申请实施例提供一种发现车辆可疑行为的方法、装置及存储设备。解决了由于GPS设备对轨迹数据采样时间不固定,采样记录不均匀,定位有偏差很难直接运用经典聚类算法进行分析的问题。
本申请提供了一种发现车辆可疑行为的方法,该方法包括:
将车辆轨迹数据拆分为至少一个子轨迹数据;
将所述至少一个子轨迹数据转换为至少一个固定长度的向量;
对所述至少一个固定长度的向量进行聚类,得到簇和/或离群轨迹数据;
根据所述簇和/或所述离群轨迹数据确定车辆可疑行为。
本申请还提供了一种发现车辆可疑行为的装置,该装置包括:拆分模块、转换模块、聚类模块、确定模块;
所述拆分模块,用于将车辆轨迹数据拆分为至少一个子轨迹数据;
所述转换模块,用于将所述至少一个子轨迹数据转换为至少一个固定长度的向量;
所述聚类模块,用于对所述至少一个固定长度的向量进行聚类,得到簇和/或离群轨迹数据;
所述确定模块,用于根据所述簇和/或所述离群轨迹数据确定车辆可疑行为。
本申请还提供了一种发现车辆可疑行为的设备,包括:存储器以及处理器,所述存储器存储程序,并且被配置成由所述处理器执行上述的发现车辆可疑行为的方法。
与现有技术相比,本申请能够取得的有益效果在于,通过从轨迹数据中提取特征并转换成固定长度,能够在最大化保留轨迹特征的同时,消除了因采样时间不固定、轨迹长度不一致等对轨迹聚类带来的困难。相对于基于规则和轨迹点聚集的方法,通过轨迹聚类的结果可以发现同一辆车在不同时期行为模式的变化,以及多辆车在一段时间内的相似行为,且不受限于同一个时间和空间范围,能够发现更为隐蔽和复杂的车辆可疑行为。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请提供的一种发现车辆可疑行为的方法实施例的流程示意图;
图2为本申请提供的一种发现车辆可疑行为的装置实施例的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本说明书实施例中,以分析若干辆车辆在一个月中的可疑行为为例
图1为本申请提供的一种发现车辆可疑行为的方法实施例的流程示意图,,该流程示意图包括:
步骤105,将车辆轨迹数据拆分为至少一个子轨迹数据;
行驶的车辆会产生由若干轨迹点组成的轨迹。多条轨迹用集合表示为TR={TRi|i=1,2,…,n}。每条轨迹表示为TRi={pj|j=1,2,…,mi}。收集若干辆车辆在一个月内的所有轨迹数据。车辆轨迹数据包括但不限于经纬度、瞬时速度、方向、GPS设备类型、GPS设备当前状态、GPS设备标识、车辆当前状态和轨迹数据上传时间。其中,GPS设备类型包括有线和无线;GPS设备当前状态包括供电状态和断电状态;车辆当前状态包括启动状态和未启动状态。
在本说明书实施例中,优选在将车辆轨迹数据拆分为子轨迹数据之前,先对车辆轨迹数据进行预处理,删除由于GPS设备上报数据时由于设备重启或定位地理位置偏差而导致的异常轨迹数据,得到第一轨迹数据。上述异常轨迹数据至少包括:瞬时速度大于预设速度阈值的轨迹数据。在本说明书实施例中,对于上述车辆在一个月内的所有轨迹数据,删除瞬时速度大于200km/h的异常轨迹数据。
对预处理后的轨迹数据应用最小描述长度算法(Minimum Description Length,MDL)进行遍历计算,最后得出的特征轨迹数据约为原轨迹数据的1/3,多为轨迹中角度变化较大的轨迹数据。具体而言,通过迭代的方式提取轨迹数据中所有特征轨迹数据(相当于特征点)。对于每个轨迹TRi,首先将第一个轨迹点加入特征点集合CPi。从第二个轨迹点开始设置为startIndex,并设置起始步长length=q和第一个要计算的轨迹点索引currIndex=startIndex+length,计算MDLcp(pstartIndex,pcurrIndex)和MDLnocp(pstartIndex,pcurrIndex),若前者较大,则将pcurrIndex-1加入到特征点集合CPi,并令startIndex=currIndex-1;否则,扩大步长length=length+1继续对下一个轨迹点计算。最后将轨迹的最后一个轨迹点也加入到特征点集合CPi。从而找到了所有的特征点。由这些轨迹点构成的新集合TRi={pc1,pc2,…,pcpi}代表原有的轨迹数据。特征点是原轨迹中一系列轨迹点的集合TRi={pc1,pc2,…,pcpi}(c1<c2<…<cpi),通过特征点将轨迹拆分为若干个轨迹段。每个轨迹段要保证准确性和简洁性。准确性是指特征点不能太少,否则不足以概括轨迹特征;简洁性是指特征点要利用尽可能少的点来概括轨迹特征。这两个特性相互矛盾,如若将所有的轨迹点都作为特征点(cpi=mi),则可以最大的满足准确性,但是简洁性最差;否则,若只取头尾两个轨迹点作为特征点(cpi=2),则可以最大的满足简洁性,但是准确性最差。因此,通过最小描述长度算法平衡这两个特性,从上述第一轨迹数据中提取特征轨迹数据,得到第二轨迹数据。提取的特征点连线表示原轨迹,实现对轨迹数据的压缩。其中,最小描述长度算法由两个部分构成,L(H)和L(D|H)。其中,H表示对真实数据的假设,D表示真实数据,H的最优值是令L(H)和L(D|H)之和最小的值。L(H)是描述压缩模型(或编码方式)所需要的长度,如公式(1):
其中,是前后两个经纬度点的距离。
L(D|H)是描述利用压缩模型所编码的数据所需要的长度,如公式(2):
其中,d⊥表示两个线段间的垂直距离,dθ表示两个线段间夹角距离。令MDLcp(pi,pj)表示pi和pj是特征点时MDL=L(H)+L(D|H)的cost,MDLnocp(pi,pj)表示pi和pj之间没有特征点时MDL的cost。
进一步地,设置时间窗口和滑动步长,根据预设时间窗口和预设滑动步长将所述第二轨迹数据拆分为一个或多个子轨迹数据。在本说明书实施例中,预设的时间窗口根据不同的分析场景定义不同的时间尺度,可按小时或按天划分。定义时间窗口W和滑动步长offset。为了在每个时间窗口中保留轨迹的上下文信息,取offset=W*1/2,即若按小时划分,一天包含47个时间窗口。若将时间窗口的宽度定义为2小时,滑动步长定义为1小时,则每天的轨迹数据拆分为23个子轨迹,一个月的轨迹数据拆分为690个子轨迹。原轨迹被划分为若干子轨迹TRi={subTRk|k=1,2,…,K},每个子轨迹包括点集subTRk={pt|t=1,2,…,T},每条轨迹根据时间窗口被划分的子轨迹数量一致。
为消除因采样时间不固定、轨迹长度不一致等对轨迹聚类带来的困难,在本说明书实施例中训练基于长短期记忆网络(Long Short-Term Memory, LSTM)的序列到序列自编码器(Seq2seq auto-encoder)。LSTM自编码器由两个循环神经网络构成,一个充当编码器(encoder),一个为解码器(decoder)。这是一种无监督的学习算法,使用反向传播算法进行反馈,最终的目标是让输出值无限接近于输入值。令编码过程为φ,解码过程为则网络可以表示为公式(3)的形式:
φ:X→F
经过训练之后,去掉解码器,保留编码器的输出向量作为训练的结果。编码器LSTM的输入是经过时间窗口拆分后的子轨迹subTRk,依次读取时序数据,通过公式(4)更新隐层单元的状态ht:
ht=fLSTM(ht-1,pt) 公式(4)
当整个轨迹序列处理完成后,得到最终的隐层状态hT。解码器LSTM首先将hT作为网络初始的隐层状态以生成输出序列c1,再通过公式(5)更新解码器的隐层状态
并生成所有的输出序列(c1,c2,...,cT),通过最小化误差项训练网络,最终得到固定长度的向量z。所有的轨迹都可以转换为z,即Z={zsubTRi|subTRi=1,2,...,N},N表示所有子轨迹的数量。
步骤110,将所述至少一个子轨迹数据转换为至少一个固定长度的向量;
将步骤105中得到的预设时间窗口内的子轨迹数据输入到训练好的自编码器中,得到固定长度的向量,能够最大程度的保留原轨迹数据的特征。自编码器需要输入三个主要参数,包括控制参数更新步长的学习率α,控制轨迹输出向量大小的隐层状态m,以及训练的迭代次数n。根据网络的调优将参数分别设置为α=0.00001,m=100,n=400,最终得到690个固定长度的向量代表每个子轨迹。
基于密度的聚类算法,如DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)是一种基于高密度连通区域的、基于密度的聚类算法,能够将具有足够高密度的区域划分为簇,并在具有噪声的数据中发现任意形状的簇。DBSCAN的两个输入变量,半径(Eps)和邻域内最少点数(MinPts),通过计算k-距离寻找合适的参数值;给定数据集P={pi|i=1,2,...,n},对每个点都计算与P中剩余点的距离并按升序排序,选择一个k值,将排序后的第k个值作为k-距离,即点到剩余点之间第k近的距离。将所有的点的k-距离集合升序排序,将急剧发生变化的位置所对应的值作为Eps,MinPts则取k-距离中k的值;根据选择的Eps和MinPts,对Z={zsubTRi|subTRi=1,2,...,N}进行聚类,根据需求找出聚类后的簇或离群轨迹数据(离群点)。
在此需要说明的是,除了基于LSTM模型,还可以采用基于循环神经网络(Recurrent Neural Network,RNN)或双向门控循环单元(Gated Recurrent Unit,GRU)神经网络模型。针对向量的聚类算法,除了DBSCAN,也可以采用基于均值聚类算法(K-MEANS)或变色龙算法(Chameleon)。
步骤115,对所述至少一个固定长度的向量进行聚类,得到簇和/或离群轨迹数据;
在本说明书实施例中,设置Eps=0.3,Min Pts=5。基于密度聚类算法DBSCAN,对步骤110中自编码器输出的固定长度的向量进行聚类,得到簇和/或离群轨迹数据。
步骤120,根据所述簇和/或所述离群轨迹数据确定车辆可疑行为。
在本说明书实施例中,若已知一些车辆处于逾期等异常状态,则找出存在可疑行为的已知车辆的轨迹数据所在的簇。若簇中存在其他轨迹数据,则认为其他轨迹数据对应的车辆与已知的可疑行为车辆存在相似行为,这些车辆也是可疑车辆。或根据离群轨迹数据先找出存在可疑行为的车辆;再找出存在可疑行为车辆的轨迹数据所在的簇。若簇中存在其他轨迹数据,则认为其他轨迹数据对应的车辆也存在可疑行为。
在实际应用中,根据实际需求提取簇包含的轨迹数据或者离群轨迹数据,可以发现多辆车在一段时期的相似行为,或者单辆车在一段时期的异常行为。
与现有技术相比,本实施例能够取得的有益效果在于通过从轨迹数据中提取特征并转换成固定长度,能够在最大化保留轨迹特征的同时,消除了因采样时间不固定、轨迹长度不一致等对轨迹聚类带来的困难。相对于基于规则和轨迹点聚集的方法,通过轨迹聚类的结果可以发现同一辆车在不同时期行为模式的变化,以及多辆车在一段时间内的相似行为,且不受限于同一个时间和空间范围,能够发现更为隐蔽和复杂的车辆可疑行为。
图2为本申请提供的一种发现车辆可疑行为的装置实施例的结构示意图,该结构示意图包括:拆分模块205、转换模块210、聚类模块215、确定模块220;
所述拆分模块205,用于将车辆轨迹数据拆分为至少一个子轨迹数据;
所述转换模块210,用于将所述至少一个子轨迹数据转换为至少一个固定长度的向量;
所述聚类模块215,用于对所述至少一个固定长度的向量进行聚类,得到簇和/或离群轨迹数据;
所述确定模块220,用于根据所述簇和/或所述离群轨迹数据确定车辆可疑行为。
可选地,所述车辆轨迹数据至少包括:经纬度、瞬时速度、方向、GPS设备当前状态、GPS设备类型、GPS设备标识、车辆当前状态、轨迹数据上传时间。
可选地,所述装置还包括:删除模块,用于删除车辆轨迹数据中的异常轨迹数据,得到第一轨迹数据;提取模块,用于从所述第一轨迹数据中提取特征轨迹数据,得到第二轨迹数据。
可选地,所述异常轨迹数据至少包括:瞬时速度大于预设速度阈值的轨迹数据。
可选地,所述拆分模块205,具体用于根据预设时间窗口和预设滑动步长将所述第二轨迹数据拆分为至少一个子轨迹数据。
可选地,所述确定模块220,具体用于根据所述簇中包含的轨迹数据确定至少一辆车辆存在与已知可疑车辆相似的行为;或根据所述离群轨迹数据确定一辆车辆存在可疑行为。
与现有技术相比,本实施例能够取得的有益效果在于,通过从轨迹数据中提取特征并转换成固定长度,能够在最大化保留轨迹特征的同时,消除了因采样时间不固定、轨迹长度不一致等对轨迹聚类带来的困难。相对于基于规则和轨迹点聚集的方法,通过轨迹聚类的结果可以发现同一辆车在不同时期行为模式的变化,以及多辆车在一段时间内的相似行为,且不受限于同一个时间和空间范围,能够发现更为隐蔽和复杂的车辆可疑行为。
本申请还提供了一种发现车辆可疑行为的设备,包括:存储器以及处理器,所述存储器存储程序,并且被配置成由所述处理器执行将车辆轨迹数据拆分为至少一个子轨迹数据;将所述至少一个子轨迹数据转换为至少一个固定长度的向量;对所述至少一个固定长度的向量进行聚类,得到簇和/或离群轨迹数据;根据所述簇和/或所述离群轨迹数据确定车辆可疑行为。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种发现车辆可疑行为的方法,其特征在于,该方法包括:
将车辆轨迹数据拆分为至少一个子轨迹数据;
将所述至少一个子轨迹数据转换为至少一个固定长度的向量;
对所述至少一个固定长度的向量进行聚类,得到簇和/或离群轨迹数据;
根据所述簇和/或所述离群轨迹数据确定车辆可疑行为。
2.根据权利要求1所述的发现车辆可疑行为的方法,其特征在于,所述车辆轨迹数据至少包括:经纬度、瞬时速度、方向、GPS设备当前状态、GPS设备类型、GPS设备标识、车辆当前状态和轨迹数据上传时间。
3.根据权利要求2所述的发现车辆可疑行为的方法,其特征在于,所述将车辆轨迹数据拆分为至少一个子轨迹数据之前包括:
删除车辆轨迹数据中的异常轨迹数据,得到第一轨迹数据;
从所述第一轨迹数据中提取特征轨迹数据,得到第二轨迹数据。
4.根据权利要求3所述的发现车辆可疑行为的方法,其特征在于,所述异常轨迹数据至少包括:瞬时速度大于预设速度阈值的轨迹数据。
5.根据权利要求4所述的发现车辆可疑行为的方法,其特征在于,所述将车辆轨迹数据拆分为至少一个子轨迹数据包括:根据预设时间窗口和预设滑动步长将所述第二轨迹数据拆分为至少一个子轨迹数据。
6.根据权利要求5所述的发现车辆可疑行为的方法,其特征在于,所述根据所述簇和/或所述离群轨迹数据确定车辆可疑行为包括:
针对存在可疑行为的已知车辆的轨迹数据所在的簇,确定簇中其他轨迹数据对应的车辆存在可疑行为;或
根据所述离群轨迹数据确定车辆存在可疑行为;
针对确定出的存在可疑行为车辆的轨迹数据所在的簇,确定簇中其他轨迹数据对应的车辆存在可疑行为。
7.一种发现车辆可疑行为的装置,其特征在于,该装置包括:拆分模块、转换模块、聚类模块、确定模块;
所述拆分模块,用于将车辆轨迹数据拆分为至少一个子轨迹数据;
所述转换模块,用于将所述至少一个子轨迹数据转换为至少一个固定长度的向量;
所述聚类模块,用于对所述至少一个固定长度的向量进行聚类,得到簇和/或离群轨迹数据;
所述确定模块,用于根据所述簇和/或所述离群轨迹数据确定车辆可疑行为。
8.根据权利要求7所述的发现车辆可疑行为的装置,其特征在于,所述车辆轨迹数据至少包括:经纬度、瞬时速度、方向、GPS设备当前状态、GPS设备类型、GPS设备标识、车辆当前状态、轨迹数据上传时间。
9.根据权利要求8所述的发现车辆可疑行为的装置,其特征在于,所述装置还包括:
删除模块,用于删除车辆轨迹数据中的异常轨迹数据,得到第一轨迹数据;
提取模块,用于从所述第一轨迹数据中提取特征轨迹数据,得到第二轨迹数据。
10.根据权利要求9所述的发现车辆可疑行为的装置,其特征在于,所述异常轨迹数据至少包括:瞬时速度大于预设速度阈值的轨迹数据。
11.根据权利要求10所述的发现车辆可疑行为的装置,其特征在于,所述拆分模块,具体用于根据预设时间窗口和预设滑动步长将所述第二轨迹数据拆分为至少一个子轨迹数据。
12.根据权利要求11所述的发现车辆可疑行为的装置,其特征在于,
所述确定模块,具体用于针对存在可疑行为的已知车辆的轨迹数据所在的簇,确定簇中其他轨迹数据对应的车辆存在可疑行为;或
根据所述离群轨迹数据确定车辆存在可疑行为;
针对确定出的存在可疑行为车辆的轨迹数据所在的簇,确定簇中其他轨迹数据对应的车辆存在可疑行为。
13.一种发现车辆可疑行为的设备,包括:存储器以及处理器,所述存储器存储程序,并且被配置成由所述处理器执行权利要求1-6中任一项所述的发现车辆可疑行为的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810868686.4A CN109063771A (zh) | 2018-08-02 | 2018-08-02 | 一种发现车辆可疑行为的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810868686.4A CN109063771A (zh) | 2018-08-02 | 2018-08-02 | 一种发现车辆可疑行为的方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063771A true CN109063771A (zh) | 2018-12-21 |
Family
ID=64832684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810868686.4A Pending CN109063771A (zh) | 2018-08-02 | 2018-08-02 | 一种发现车辆可疑行为的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063771A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222704A (zh) * | 2020-01-10 | 2020-06-02 | 中国人民解放军国防科技大学 | 一种基于Bi-GRU的车辆位置预测方法 |
CN111667697A (zh) * | 2019-03-06 | 2020-09-15 | 北京京东尚科信息技术有限公司 | 异常车辆识别方法和装置、计算机可读存储介质 |
CN112085048A (zh) * | 2020-07-20 | 2020-12-15 | 南斗六星***集成有限公司 | 一种基于lstm自编码的车辆频繁轨迹识别方法及装置 |
CN112633389A (zh) * | 2020-12-28 | 2021-04-09 | 西北工业大学 | 一种基于mdl和速度方向的飓风运动轨迹趋势计算方法 |
CN112802231A (zh) * | 2021-03-19 | 2021-05-14 | 四川万网鑫成信息科技有限公司 | 基于gps数据的车辆风险评估方法、装置、设备和介质 |
CN112991717A (zh) * | 2019-12-16 | 2021-06-18 | 深圳云天励飞技术有限公司 | 车辆轨迹展示方法及相关产品 |
CN115206095A (zh) * | 2022-06-28 | 2022-10-18 | 公安部交通管理科学研究所 | 一种卡口过车轨迹数据重构方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334845A (zh) * | 2007-06-27 | 2008-12-31 | 中国科学院自动化研究所 | 一种基于轨迹序列分析和规则归纳的视频行为识别方法 |
CN107392245A (zh) * | 2017-07-19 | 2017-11-24 | 南京信息工程大学 | 一种出租车载客轨迹聚类算法Tr‑OPTICS |
CN107622085A (zh) * | 2017-08-11 | 2018-01-23 | 河海大学 | 一种基于网格和密度的自适应轨迹聚类方法 |
-
2018
- 2018-08-02 CN CN201810868686.4A patent/CN109063771A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334845A (zh) * | 2007-06-27 | 2008-12-31 | 中国科学院自动化研究所 | 一种基于轨迹序列分析和规则归纳的视频行为识别方法 |
CN107392245A (zh) * | 2017-07-19 | 2017-11-24 | 南京信息工程大学 | 一种出租车载客轨迹聚类算法Tr‑OPTICS |
CN107622085A (zh) * | 2017-08-11 | 2018-01-23 | 河海大学 | 一种基于网格和密度的自适应轨迹聚类方法 |
Non-Patent Citations (1)
Title |
---|
DI YAO ET AL.: ""Trajectory clustering via deep representation learning"", 《2017 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667697A (zh) * | 2019-03-06 | 2020-09-15 | 北京京东尚科信息技术有限公司 | 异常车辆识别方法和装置、计算机可读存储介质 |
CN112991717A (zh) * | 2019-12-16 | 2021-06-18 | 深圳云天励飞技术有限公司 | 车辆轨迹展示方法及相关产品 |
CN112991717B (zh) * | 2019-12-16 | 2023-02-03 | 深圳云天励飞技术有限公司 | 车辆轨迹展示方法及相关产品 |
CN111222704A (zh) * | 2020-01-10 | 2020-06-02 | 中国人民解放军国防科技大学 | 一种基于Bi-GRU的车辆位置预测方法 |
CN112085048A (zh) * | 2020-07-20 | 2020-12-15 | 南斗六星***集成有限公司 | 一种基于lstm自编码的车辆频繁轨迹识别方法及装置 |
CN112633389A (zh) * | 2020-12-28 | 2021-04-09 | 西北工业大学 | 一种基于mdl和速度方向的飓风运动轨迹趋势计算方法 |
CN112633389B (zh) * | 2020-12-28 | 2024-01-23 | 西北工业大学 | 一种基于mdl和速度方向的飓风运动轨迹趋势计算方法 |
CN112802231A (zh) * | 2021-03-19 | 2021-05-14 | 四川万网鑫成信息科技有限公司 | 基于gps数据的车辆风险评估方法、装置、设备和介质 |
CN112802231B (zh) * | 2021-03-19 | 2021-07-06 | 四川万网鑫成信息科技有限公司 | 基于gps数据的车辆风险评估方法、装置、设备和介质 |
CN115206095A (zh) * | 2022-06-28 | 2022-10-18 | 公安部交通管理科学研究所 | 一种卡口过车轨迹数据重构方法 |
CN115206095B (zh) * | 2022-06-28 | 2024-05-14 | 公安部交通管理科学研究所 | 一种卡口过车轨迹数据重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063771A (zh) | 一种发现车辆可疑行为的方法、装置及设备 | |
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
Zhang et al. | Trafficgan: Network-scale deep traffic prediction with generative adversarial nets | |
Wang et al. | Long-term traffic prediction based on lstm encoder-decoder architecture | |
Djenouri et al. | A survey on urban traffic anomalies detection algorithms | |
Zhang et al. | Deeptravel: a neural network based travel time estimation model with auxiliary supervision | |
CN110097755B (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
CN112560656B (zh) | 一种联合注意力机制端到端训练的行人多目标跟踪方法 | |
CN114220271B (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
Gao et al. | Boosting Poisson regression models with telematics car driving data | |
CN113096388B (zh) | 一种基于梯度提升决策树的短时交通流量预测方法 | |
CN110488842B (zh) | 一种基于双向内核岭回归的车辆轨迹预测方法 | |
de Zepeda et al. | Dynamic clustering analysis for driving styles identification | |
CN112700072A (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN109242024B (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
Zheng et al. | Investigation of model ensemble for fine-grained air quality prediction | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、***及装置 | |
CN111047078B (zh) | 交通特征预测方法、***及存储介质 | |
CN114450557B (zh) | 路线偏差量化及基于此的车辆路线学习 | |
CN113052265B (zh) | 基于特征选择的移动对象轨迹简化方法 | |
Taherifard et al. | Attention-based event characterization for scarce vehicular sensing data | |
Ciaburro | Time series data analysis using deep learning methods for smart cities monitoring | |
CN117251722A (zh) | 一种基于大数据的智慧交通管理*** | |
CN110097074B (zh) | 一种基于序列相似度的车辆轨迹压缩方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |