CN115100861B - 一种酒驾车辆识别方法 - Google Patents
一种酒驾车辆识别方法 Download PDFInfo
- Publication number
- CN115100861B CN115100861B CN202210708024.7A CN202210708024A CN115100861B CN 115100861 B CN115100861 B CN 115100861B CN 202210708024 A CN202210708024 A CN 202210708024A CN 115100861 B CN115100861 B CN 115100861B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- drunk driving
- time
- high risk
- illegal
- 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.)
- Active
Links
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能交通控制技术领域,具体公开了一种酒驾车辆识别方法,其中,包括:获取历史酒驾违法查处记录,并获取所述历史酒驾违法查处记录中车辆对应的车辆通行轨迹记录;将所述历史酒驾违法查处记录与所述车辆通行轨迹记录进行关联,并根据关联结果确定车辆被查处前最后一次的停留点信息;对所述停留点信息进行时空聚类,并根据聚类结果确定酒驾高风险时段与酒驾高风险区域;若目标车辆在所述酒驾高风险时段进入所述酒驾高风险区域,则判定所述目标车辆为酒驾高风险车辆。本发明提供的酒驾车辆识别方法,通过历史酒驾违法查处记录与卡口监控设备记录的车辆通行轨迹记录的关联分析,能够精准识别酒驾高风险车辆,提高执法的精准性和效率。
Description
技术领域
本发明涉及智能交通控制技术领域,尤其涉及一种酒驾车辆识别方法。
背景技术
酒驾是事故主要原因之一。目前,交警查处酒驾方式仍以专项行动为主,利用人海战术对车辆进行逐一排查,该方式缺乏针对性和精准性,易造成资源浪费。为提高效果,有必要进行酒驾高风险车辆识别。
目前,常用的高风险车辆识别方法有:(1)基于车载装置的酒驾高风险车辆识别方法。该方法通过车载酒精监测模块判断驾驶员是否饮酒,由于需要安装额外装置,推广难度大。(2)基于车辆驾驶行为的酒驾高风险车辆识别方法。该方法通过车辆驾驶行为的偏离度特征识别酒驾高风险车辆,但在司机醉酒程度较低时易造成漏判。(3)基于历史代驾订单的酒驾高风险车辆识别方法。该方法通过历史代驾订单起始地点信息定位酒驾高风险地区,但高风险地区涉及通行车辆较多,易造成误判。
因此,如何能够提供一种识别准确度高且成本低的酒驾车辆识别方法成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种酒驾车辆识别方法,解决相关技术中存在的酒驾高风险车辆识别方法成本高、易漏判、易误判的问题。
作为本发明的一个方面,提供一种酒驾车辆识别方法,其中,包括:
获取历史酒驾违法查处记录,并获取所述历史酒驾违法查处记录中车辆对应的车辆通行轨迹记录;
将所述历史酒驾违法查处记录与所述车辆通行轨迹记录进行关联,并根据关联结果确定车辆被查处前最后一次的停留点信息;
对所述停留点信息进行时空聚类,并根据聚类结果确定酒驾高风险时段与酒驾高风险区域;
若目标车辆在所述酒驾高风险时段进入所述酒驾高风险区域,则判定所述目标车辆为酒驾高风险车辆。
进一步地,所述历史酒驾违法查处记录包括:违法编号、号牌种类、号牌号码、违法行为和违法时间。
进一步地,所述车辆通行记录包括:过车序号、号牌种类、号牌号码、过车时间、卡口编号、卡口经度和卡口纬度。
进一步地,将所述历史酒驾违法查处记录与所述车辆通行轨迹记录进行关联,并根据关联结果确定车辆被查处前最后一次的停留点信息,包括:
根据历史酒驾违法记录中的违法编号、号牌种类、号牌号码和违法时间,提取每起违法车辆被查处前预设时间段内的所有车辆通行轨迹记录;
将提取到的所有车辆通行轨迹记录按照所述车辆通行轨迹记录中的过车时间顺序进行排列;
依次提取每起违法车辆所对应的车辆通行记录中相邻的卡口对,并计算卡口对之间的直线距离以及车辆在卡口对之间的停留时长;
若所述直线距离小于预设距离阈值,且所述停留时长大于预设时间阈值,则确定该车辆在该卡口对之间存在饮酒风险。
进一步地,所述直线距离的计算公式为:
Ci=sin(MLati)*sin(MLati-1)*cos(MLoni-MLoni-1)+cos(MLati)*cos(MLati-1),2≤i≤n
Di=R*Arccos(Ci)*π/180,2≤i≤n
其中,R表示地球平均半径,(MLoni,MLati)表示卡口对的经度, (MLoni-1,MLati-1)表示卡口对的纬度,Di表示所述直线距离,n表示通行轨迹数。
进一步地,所述停留时长的计算公式为:
Xi=Ti-(Di/VR)*60,2≤i≤n,
其中,Xi表示停留时长,Ti表示车辆经过相邻卡口对的时间差,VR表示车辆的实际车速值,n表示通行轨迹数。
进一步地,所述停留点信息包括:违法编号、起点卡口编号、起点卡口经度、起点卡口纬度、起点过车时间、终点卡口编号、终点卡口经度、终点卡口纬度和终点过车时间。
进一步地,对所述停留点信息进行时空聚类,并根据聚类结果确定酒驾高风险时段与酒驾高风险区域,包括:
所述停留点信息中分别提取起点卡口编号、起点卡口经度、起点卡口纬度、起点过车时间、终点卡口编号、终点卡口经度、终点卡口纬度和终点过车时间,并将提取到的停留点信息进行合并;
将合并后的结果输入至时空聚类模型,并得到时空聚类结果;
根据所述时空聚类结果确定酒驾高风险时段与酒驾高风险区域。
进一步地,根据所述时空聚类结果确定酒驾高风险时段与酒驾高风险区域,包括:
所述时空聚类结果包括多个类,根据每个类中的卡口对确定酒驾高风险区域;
依次统计每个类中的过车时间范围,并将每个类中的过车时间范围确定为与高风险区域对应的高风险时段。
进一步地,若目标车辆在所述酒驾高风险时段进入所述酒驾高风险区域,则判定所述目标车辆为酒驾高风险车辆,包括:
根据所述车辆通行轨迹记录,筛选在所述高风险时段停留且有多个不同停留点信息的车辆作为目标车辆;
当所述目标车辆的最新一条通行轨迹出现在所述高风险区域内、过车时间在所述高风险时段内且超过预设时长无新通行轨迹,则判定该目标车辆为酒驾高风险车辆。
本发明提供的酒驾车辆识别方法,通过历史酒驾违法查处记录与卡口监控设备记录的车辆通行轨迹记录的关联分析,能够精准识别酒驾高风险车辆,提高精准性和效率。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明提供的酒驾车辆识别方法的流程图。
图2为本发明提供的车辆识别方法的具体实施方式流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术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。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括,例如,包含了一系列步骤或单元的过程、方法、***、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。
在本实施例中提供了一种酒驾车辆识别方法,图1是根据本发明实施例提供的酒驾车辆识别方法的流程图,如图1所示,包括:
S100、获取历史酒驾违法查处记录,并获取所述历史酒驾违法查处记录中车辆对应的车辆通行轨迹记录;
在本发明实施例中,所述历史酒驾违法查处记录包括:违法编号、号牌种类、号牌号码、违法行为和违法时间。
需要说明的是,所述违法编号是唯一的,能够唯一标识车辆酒驾违法信息。
在本发明实施例中,所述车辆通行记录包括:过车序号、号牌种类、号牌号码、过车时间、卡口编号、卡口经度和卡口纬度。
需要说明的是,所述过车序号是唯一的,能够唯一标识经过卡口监控设备的车辆信息。
S200、将所述历史酒驾违法查处记录与所述车辆通行轨迹记录进行关联,并根据关联结果确定车辆被查处前最后一次的停留点信息;
在本发明实施例中,包括:
根据历史酒驾违法记录中的违法编号、号牌种类、号牌号码和违法时间,提取每起违法车辆被查处前预设时间段内的所有车辆通行轨迹记录;
将提取到的所有车辆通行轨迹记录按照所述车辆通行轨迹记录中的过车时间顺序进行排列;
依次提取每起违法车辆所对应的车辆通行记录中相邻的卡口对,并计算卡口对之间的直线距离以及车辆在卡口对之间的停留时长;
若所述直线距离小于预设距离阈值,且所述停留时长大于预设时间阈值,则确定该车辆在该卡口对之间存在饮酒风险。
在本发明实施例中,所述预设时间段具体可以为每起违法车辆被查处前8 小时内。
即,根据历史酒驾违法查处记录中的违法编号、号牌种类、号牌号码、违法时间字段,提取车辆每起违法被查处前8小时内的所有通行轨迹记录并按过车时间顺序排列;依次提取每起违法对应通行轨迹记录中相邻的卡口对,计算卡口对间的直线距离以及车辆在卡口对间的停留时长,若直线距离小于设置阈值且停留时长大于设置阈值,则认为车辆在该卡口对间存在饮酒风险,需要注意的是,仅保留最新一次停留点信息。
具体地,所述直线距离的计算公式为:
Ci=sin(MLati)*sin(MLati-1)*cos(MLoni-MLoni-1)+cos(MLati)*cos(MLati-1),2≤i≤n
Di=R*Arccos(Ci)*π/180,2≤i≤n
其中,R表示地球平均半径,取6371.004千米,(MLoni,MLati)表示卡口对的经度,(MLoni-1,MLati-1)表示卡口对的纬度,i表示第i条通行轨迹,Di表示所述直线距离,单位为千米,n表示通行轨迹数。
需要说明的是,在本发明实施例中,Ci并无实际物理含义,只是为了方便Di的计算公式的表达而设置的中间参数。
所述停留时长的计算公式为:
Xi=Ti-(Di/VR)*60,2≤i≤n,
其中,Xi表示停留时长,单位为分钟;Ti表示车辆经过相邻卡口对的时间差,单位为分钟;VR表示车辆的实际车速值,如VR=60km/h;n表示通行轨迹数。
在本发明实施例中,所述停留点信息包括:违法编号、起点卡口编号、起点卡口经度、起点卡口纬度、起点过车时间、终点卡口编号、终点卡口经度、终点卡口纬度和终点过车时间。
S300、对所述停留点信息进行时空聚类,并根据聚类结果确定酒驾高风险时段与酒驾高风险区域;
在本发明实施例中,包括:
所述停留点信息中分别提取起点卡口编号、起点卡口经度、起点卡口纬度、起点过车时间、终点卡口编号、终点卡口经度、终点卡口纬度和终点过车时间,并将提取到的停留点信息进行合并;
将合并后的结果输入至时空聚类模型,并得到时空聚类结果;
根据所述时空聚类结果确定酒驾高风险时段与酒驾高风险区域。
需要说明的是,时空聚类模型可以为st-dbcsan模型。
进一步具体地,根据所述时空聚类结果确定酒驾高风险时段与酒驾高风险区域,包括:
所述时空聚类结果包括多个类,根据每个类中的卡口对确定酒驾高风险区域;
依次统计每个类中的过车时间范围,并将每个类中的过车时间范围确定为与高风险区域对应的高风险时段。
S400、若目标车辆在所述酒驾高风险时段进入所述酒驾高风险区域,则判定所述目标车辆为酒驾高风险车辆。
在本发明实施例中,包括:
根据所述车辆通行轨迹记录,筛选在所述高风险时段停留且有多个不同停留点信息的车辆作为目标车辆;
当所述目标车辆的最新一条通行轨迹出现在所述高风险区域内、过车时间在所述高风险时段内且超过预设时长无新通行轨迹,则判定该目标车辆为酒驾高风险车辆。
应当理解的是,根据历史车辆通行轨迹记录,筛选经常在高风险时段停留且有多个不同停留点的车辆作为目标车辆;
当目标车辆的最新一条通行轨迹出现在高风险区域内、过车时间在对应高风险时段内且超过20min无新通行轨迹,即认为该车为酒驾高风险车辆。
综上,本发明实施例提供的酒驾车辆识别方法,通过历史酒驾违法查处记录与卡口监控设备记录的车辆通行轨迹记录的关联分析,能够精准识别酒驾高风险车辆,提高精准性和效率。
下面结合图2对本发明实施例提供的酒驾高风险车辆识别方法的具体实现过程进行详细说明。
(1)获取历史酒驾违法查处记录与卡口监控设备记录的车辆通行轨迹记录。
例如,获取2021年全年酒驾违法查处记录,格式如下:
表1酒驾违法查处记录示例
违法编号 | 号牌种类 | 号牌号码 | 违法行为 | 违法时间 |
wf_1 | 小型汽车 | 鄂JAxxxx | 酒驾 | 2021-03-17 13:20:30 |
wf_2 | 小型汽车 | 鄂JBxxxx | 酒驾 | 2021-06-12 21:06:55 |
wf_3 | 小型汽车 | 鄂JCxxxx | 酒驾 | 2021-10-20 19:09:57 |
获取2020年12月31日至2021年12月31日期间的车辆通行轨迹记录,格式如下:
表2车辆通行轨迹记录示例
过车序号 | 号牌种类 | 号牌号码 | 过车时间 | 卡口编号 | 卡口经度 | 卡口纬度 |
gc_1 | 小型汽车 | 鄂JAxxxx | 2021-03-17 11:03:30 | kk_1 | 120.299791 | 31.558273 |
gc_2 | 小型汽车 | 鄂JAxxxx | 2021-03-17 13:06:30 | kk_2 | 120.307235 | 31.550565 |
gc_3 | 小型汽车 | 鄂JAxxxx | 2021-03-17 13:09:53 | kk_3 | 120.307235 | 31.550565 |
(2)根据历史酒驾违法查处记录中的违法编号、号牌种类、号牌号码、违法时间字段,提取车辆每起违法被查处前8小时内的所有通行轨迹记录并按过车时间顺序排列。
以wf_1为例,鄂JAxxxx的违法时间为2021-03-17 13:20:30,则提取轨迹时间范围为2021-03-17 5:20:30至2021-03-17 13:20:29。
(3)依次提取每起违法对应通行轨迹记录中相邻的卡口对,计算卡口对间的直线距离以及车辆在卡口对间的停留时长,设置直线距离阈值为2千米,停留时长阈值为20分钟,若直线距离小于设置阈值且停留时长大于设置阈值,则认为车辆在该卡口对间存在饮酒风险。保留满足设置阈值条件且最接近违法查处时间的卡口对信息作为停留点。
以wf_1查处前8小时内的通行轨迹gc_1与gc_2为例,提取相邻卡口对kk_1 —kk_2,计算卡口对直线距离为1.1千米,停留时长121.9分钟,满足设置阈值条件,则认为鄂JAxxxx在卡口对kk_1—kk_2间存在饮酒风险。若此次停留为最接近违法时间(2021-03-1713:20:30)的停留,保留kk_1—kk_2信息作为wf_1 的停留点信息。
表3 wf_1停留点信息示例
(4)从所有违法对应的停留点信息中分别提取起终点的卡口编号、卡口精度、卡口纬度、过车时间并合并,将合并后的数据输入st-dbscan模型,生成若干类,类中的卡口组合代表高风险区域。依次统计每个类中的过车时间范围,即为各个高风险区域对应的高风险时段。
以类1为例,其对应的卡口组合[kk_4,kk_5,kk_6]即为酒驾高风险区域,当车辆途径组合中任一卡口时,即认为车辆进入酒驾高风险区域。以30min间隔对各类的过车时间进行分割,以类1为例,其酒驾高风险时段为0点30分至 2点30分。保存高风险区域及对应高风险时段计算结果。
表4模型输出结果示例
卡口编号 | 卡口经度 | 卡口纬度 | 过车时间 | 聚类结果 |
kk_4 | 114.295138 | 30.596617 | 2021-01-02 00:30:31 | 1 |
kk_5 | 114.29736 | 30.59693 | 2021-01-02 01:21:25 | 1 |
kk_6 | 114.27837 | 30.59278 | 2021-01-02 02:29:42 | 1 |
kk_7 | 114.28617 | 30.63169 | 2021-01-01 13:45:36 | 2 |
kk_7 | 114.28617 | 30.63169 | 2021-01-01 14:12:31 | 2 |
表5酒驾高风险区域及时段示例
类别 | 酒驾高风险区域集合 | 酒驾高风险时段 |
1 | [kk_4,kk_5,kk_6] | 0:30-2:30 |
2 | [kk_7] | 13:30-14:30 |
(5)在进行实时的酒驾高风险车辆识别前,首先提取前一个月的通行轨迹记录,筛选出在高风险时段集合内停留时长超过20分钟的情况出现10次以上,且有超过5个不同停留点的车辆作为目标车辆。以表5为例,高风险时段集合为0:30-2:30、13:30-14:30。
当目标车辆的最新一条通行轨迹出现在高风险区域内、过车时间在对应高风险时段内且超过20min无新通行轨迹,即认为该车为酒驾高风险车辆。
综上,本发明实施例提供的酒驾车辆识别方法,解决了现有技术中酒驾高风险车辆识别方法成本高、易漏判、易误判的问题,能够精准识别酒驾高风险车辆,提高精准性和效率。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (9)
1.一种酒驾车辆识别方法,其特征在于,包括:
获取历史酒驾违法查处记录,并获取所述历史酒驾违法查处记录中车辆对应的车辆通行轨迹记录;
将所述历史酒驾违法查处记录与所述车辆通行轨迹记录进行关联,并根据关联结果确定车辆被查处前最后一次的停留点信息;
对所述停留点信息进行时空聚类,并根据聚类结果确定酒驾高风险时段与酒驾高风险区域;
若目标车辆在所述酒驾高风险时段进入所述酒驾高风险区域,则判定所述目标车辆为酒驾高风险车辆。
2.根据权利要求1所述的酒驾车辆识别方法,其特征在于,所述历史酒驾违法查处记录包括:违法编号、号牌种类、号牌号码、违法行为和违法时间。
3.根据权利要求2所述的酒驾车辆识别方法,其特征在于,所述车辆通行记录包括:过车序号、号牌种类、号牌号码、过车时间、卡口编号、卡口经度和卡口纬度。
4.根据权利要求3所述的酒驾车辆识别方法,其特征在于,将所述历史酒驾违法查处记录与所述车辆通行轨迹记录进行关联,并根据关联结果确定车辆被查处前最后一次的停留点信息,包括:
根据历史酒驾违法记录中的违法编号、号牌种类、号牌号码和违法时间,提取每起违法车辆被查处前预设时间段内的所有车辆通行轨迹记录;
将提取到的所有车辆通行轨迹记录按照所述车辆通行轨迹记录中的过车时间顺序进行排列;
依次提取每起违法车辆所对应的车辆通行记录中相邻的卡口对,并计算卡口对之间的直线距离以及车辆在卡口对之间的停留时长;
若所述直线距离小于预设距离阈值,且所述停留时长大于预设时间阈值,则确定该车辆在该卡口对之间存在饮酒风险。
5.根据权利要求4所述的酒驾车辆识别方法,其特征在于,所述停留时长的计算公式为:
Xi=Ti-(Di/VR)*60,2≤i≤n,
其中,Xi表示停留时长,Ti表示车辆经过相邻卡口对的时间差,VR表示车辆的实际车速值,n表示通行轨迹数,Di表示所述直线距离,n表示通行轨迹数。
6.根据权利要求1所述的酒驾车辆识别方法,其特征在于,所述停留点信息包括:违法编号、起点卡口编号、起点卡口经度、起点卡口纬度、起点过车时间、终点卡口编号、终点卡口经度、终点卡口纬度和终点过车时间。
7.根据权利要求6所述的酒驾车辆识别方法,其特征在于,对所述停留点信息进行时空聚类,并根据聚类结果确定酒驾高风险时段与酒驾高风险区域,包括:
所述停留点信息中分别提取起点卡口编号、起点卡口经度、起点卡口纬度、起点过车时间、终点卡口编号、终点卡口经度、终点卡口纬度和终点过车时间,并将提取到的停留点信息进行合并;
将合并后的结果输入至时空聚类模型,并得到时空聚类结果;
根据所述时空聚类结果确定酒驾高风险时段与酒驾高风险区域。
8.根据权利要求7所述的酒驾车辆识别方法,其特征在于,根据所述时空聚类结果确定酒驾高风险时段与酒驾高风险区域,包括:
所述时空聚类结果包括多个类,根据每个类中的卡口对确定酒驾高风险区域;
依次统计每个类中的过车时间范围,并将每个类中的过车时间范围确定为与高风险区域对应的高风险时段。
9.根据权利要求1所述的酒驾车辆识别方法,其特征在于,若目标车辆在所述酒驾高风险时段进入所述酒驾高风险区域,则判定所述目标车辆为酒驾高风险车辆,包括:
根据所述车辆通行轨迹记录,筛选在所述高风险时段停留且有多个不同停留点信息的车辆作为目标车辆;
当所述目标车辆的最新一条通行轨迹出现在所述高风险区域内、过车时间在所述高风险时段内且超过预设时长无新通行轨迹,则判定该目标车辆为酒驾高风险车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708024.7A CN115100861B (zh) | 2022-06-22 | 2022-06-22 | 一种酒驾车辆识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708024.7A CN115100861B (zh) | 2022-06-22 | 2022-06-22 | 一种酒驾车辆识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100861A CN115100861A (zh) | 2022-09-23 |
CN115100861B true CN115100861B (zh) | 2023-07-21 |
Family
ID=83293653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210708024.7A Active CN115100861B (zh) | 2022-06-22 | 2022-06-22 | 一种酒驾车辆识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100861B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414933A (zh) * | 2020-01-15 | 2020-07-14 | 武汉烽火众智数字技术有限责任公司 | 基于rfid与聚类算法的电动车销赃区域分析方法和*** |
CN113946646A (zh) * | 2021-11-02 | 2022-01-18 | 京东城市(北京)数字科技有限公司 | 车辆驻留检测方法、装置、电子设备和存储介质 |
CN114604091A (zh) * | 2020-12-09 | 2022-06-10 | 博泰车联网科技(上海)股份有限公司 | 预防酒驾毒驾的方法及装置、电子设备、介质 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005293032A (ja) * | 2004-03-31 | 2005-10-20 | Mitsubishi Electric Information Systems Corp | 車輌運転状況監視システム及びこのシステム用の車輌運転状況監視プログラム。 |
KR101901417B1 (ko) * | 2011-08-29 | 2018-09-27 | 한국전자통신연구원 | 감성기반 안전운전 자동차 서비스 시스템, 안전운전 서비스를 위한 감성인지 처리 장치 및 안전운전 서비스 장치, 감성기반 차량용 안전운전 서비스 방법 |
CN104408920B (zh) * | 2014-11-25 | 2016-11-30 | 公安部交通管理科学研究所 | 基于卡口通行信息判断长途客运车辆交通违法行为的方法 |
US10755566B2 (en) * | 2014-12-02 | 2020-08-25 | Here Global B.V. | Method and apparatus for determining location-based vehicle behavior |
CN105303828B (zh) * | 2015-09-08 | 2017-10-17 | 京东方科技集团股份有限公司 | 确定酒驾检测对象的方法、行车安全装置及***、服务器 |
CN105575118B (zh) * | 2015-12-25 | 2017-12-19 | 银江股份有限公司 | 一种失驾人员筛选方法 |
CN108932848B (zh) * | 2017-05-27 | 2021-01-29 | 南宁富桂精密工业有限公司 | 酒驾车辆识别方法及服务器 |
CN107092204A (zh) * | 2017-06-13 | 2017-08-25 | 深圳市麦谷科技有限公司 | 一种根据车辆活动规律自动采集二押点的方法及*** |
CN109389542A (zh) * | 2018-09-14 | 2019-02-26 | 百度在线网络技术(北京)有限公司 | 预测酒驾高发地区的方法、装置、计算机设备及存储介质 |
CN110134963A (zh) * | 2019-05-20 | 2019-08-16 | 中南大学 | 一种文本挖掘应用于道路交通事故数据处理的方法 |
CN111367906B (zh) * | 2019-07-23 | 2023-09-05 | 杭州海康威视***技术有限公司 | 异常车辆识别方法、装置、设备及计算机可读存储介质 |
JP7409040B2 (ja) * | 2019-11-25 | 2024-01-09 | オムロン株式会社 | 危険度推定装置、車載装置、危険度推定方法、および危険度推定プログラム |
CN112633580A (zh) * | 2020-12-28 | 2021-04-09 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的酒驾车辆预警方法、装置、设备和介质 |
CN113066284A (zh) * | 2021-03-12 | 2021-07-02 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法和数据处理装置 |
CN113221984B (zh) * | 2021-04-29 | 2024-06-28 | 平安科技(深圳)有限公司 | 用户酒驾行为分析预测方法、装置、设备及存储介质 |
CN113256405B (zh) * | 2021-06-22 | 2021-10-12 | 平安科技(深圳)有限公司 | 欺诈用户集中区域的预测方法、装置、设备及存储介质 |
-
2022
- 2022-06-22 CN CN202210708024.7A patent/CN115100861B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414933A (zh) * | 2020-01-15 | 2020-07-14 | 武汉烽火众智数字技术有限责任公司 | 基于rfid与聚类算法的电动车销赃区域分析方法和*** |
CN114604091A (zh) * | 2020-12-09 | 2022-06-10 | 博泰车联网科技(上海)股份有限公司 | 预防酒驾毒驾的方法及装置、电子设备、介质 |
CN113946646A (zh) * | 2021-11-02 | 2022-01-18 | 京东城市(北京)数字科技有限公司 | 车辆驻留检测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115100861A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190180610A1 (en) | Vehicle type identification method and device based on mobile phone data | |
WO2017157119A1 (zh) | 一种车辆异常行为的识别方法及装置 | |
CN107645709B (zh) | 一种确定人员信息的方法及装置 | |
CN110264734A (zh) | 一种高速公路车辆稽查***及其工作方法 | |
US20080062009A1 (en) | Method and system to improve traffic flow | |
CN106940931B (zh) | 基于定位数据的卡口设备数据质量检验方法 | |
CN110942640B (zh) | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 | |
CN114419892B (zh) | 一种判定有疲劳驾驶交通违法风险的车辆的方法 | |
CN101587643A (zh) | 一种***的识别方法 | |
CN112509325B (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN114999181B (zh) | 一种基于etc***数据的高速公路车辆速度异常识别方法 | |
CN103559792A (zh) | 一种高速公路行驶车辆疲劳驾驶的认定方法 | |
CN115035491A (zh) | 一种基于联邦学习的驾驶行为路况预警方法 | |
CN108922170B (zh) | 一种基于电子警察抓拍数据的交叉口安全评价方法 | |
CN110723148A (zh) | 不良驾驶行为的识别方法与识别装置 | |
CN107154151B (zh) | 一种车辆认证方法及装置 | |
Szénási | Analysis of historical road accident data supporting autonomous vehicle control strategies | |
CN105761478A (zh) | 基于物联网的智能交通管理办法 | |
CN114202903A (zh) | 基于dem数据的车辆预警方法、装置、设备及存储介质 | |
CN115100861B (zh) | 一种酒驾车辆识别方法 | |
CN114201530B (zh) | 一种疑似非正常营运客车提前甄别及预防式监管方法 | |
CN113256997B (zh) | 一种交通车辆违规行为检测装置及方法 | |
CN114331181A (zh) | 基于大数据的车辆驾驶行为风险分析方法 | |
CN111723604A (zh) | 车辆套牌检测方法及装置 | |
CN110060452A (zh) | 车辆进出场所的警示方法及装置 |
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 |