專利名稱：一種車輛行為預警分析方法
技術領域：
本發明涉及交通安全預警技術，具體地，涉及一種車輛行為預警分析方法。
背景技術：
目前，隨著公安部門對車輛管控的程度日漸增加，在公安工作中，需要對一些高危車輛、問題車輛的可能行為進行一個系統性預測，配合研判分析人員進行車輛違法行為的判斷，達到一個防范未然的目的，減少車輛違法的可能性，對于社會治安防控起到一定的積極作用。車輛行為預警分析技術的應用，解決車輛行為自動分析預警，可以在很大程度上實現車輛行為的自動分析判斷。常規方式中，采用人工方式進行車輛行為的判斷，需要耗損大量的人力和時間，當面規模龐大的數據量時，人工方式已經無法進行任何操作，只能對其中的小部分車輛信息進行判斷分析，工作效率極低。可見，在實現本發明的過程中，發明人發現現有技術中至少存在人工勞動量大、工作效率低、可靠性低與工作難度大等缺陷。
發明內容
本發明的目的在于，針對上述問題，提出一種車輛行為預警分析方法，以實現人工勞動量小、工作效率高、可靠性高與工作難度小的優點。為實現上述目的，本發明采用的技術方案是一種車輛行為預警分析方法，包括以下步驟
a、將車輛抓拍點位與城市區域劃分相結合，構成多個封閉的環狀結構，建立基礎模
型；
b、在步驟a所述基礎模型的基礎上，結合車輛行駛軌跡形成的線狀和/或環狀結構，建立行為模型；
C、結合步驟b所述行為模型，分析靜態的城市區域與動態的車輛行蹤結構，獲取車輛的具體行駛行為信息；
d、根據步驟c所得車輛的具體行駛行為信息，進行車輛行為的預警和決策處理。進一步地，在步驟b中，所述行為模型包括車輛初次駛入城市或區域的行為模型， 車輛快速過境城市或區域的行為模型，車輛重復路徑動作的行為模型，以及車輛調頭的行為模型。進一步地，步驟c具體包括
Cl、根據所述基礎模型和行為模型，獲取車輛的當前行蹤數據，即車輛當前的空間地點和時間信息；
c2、獲取車輛的當前數據后，調用并加載相應車輛的歷史行蹤數據； c3、加載所述車輛的歷史行蹤數據后，加載相應車輛當前的行為模型；c4、加載相應車輛當前的行為模型后，進行行為模型匹配處理； c5、判斷行為模型匹配處理是否完畢，若是，則車輛行為的預警分析完成；否則，返回步驟c4。進一步地，步驟c4具體包括
c41 判斷車輛當前的行為模型與歷史行蹤數據是否匹配，若是，則調用并加載與歷史行蹤數據相應的積分模型；否則，執行步驟c5 ；
c42 根據步驟c41所得已與車輛當前的行為模型相匹配的歷史行蹤數據，判斷該歷史行蹤數據與積分模型是否匹配，若是，則進行積分累加后，執行步驟c5 ；否則，直接執行步馬聚c5 ο本發明各實施例的車輛行為預警分析方法，由于包括將車輛抓拍點位與城市區域劃分相結合，構成多個封閉的環狀結構，建立基礎模型；在該基礎模型的基礎上，結合車輛行駛軌跡形成的線狀和/或環狀結構，建立行為模型；結合該行為模型，分析靜態的城市區域與動態的車輛行蹤結構，獲取車輛的具體行駛行為信息；根據所得車輛的具體行駛行為信息，進行車輛行為的預警和決策處理；從而可以克服現有技術中人工勞動量大、工作效率低、可靠性低與工作難度大的缺陷，以實現人工勞動量小、工作效率高、可靠性高與工作難度小的優點。本發明的其它特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現和獲得。下面通過附圖和實施例，對本發明的技術方案做進一步的詳細描述。
附圖用來提供對本發明的進一步理解，并且構成說明書的一部分，與本發明的實施例一起用于解釋本發明，并不構成對本發明的限制。在附圖中
圖1為根據本發明車輛行為預警分析方法的流程示意圖； 圖2為根據本發明車輛行為預警分析方法
圖3為根據本發明車輛行為預警分析方法中基礎模型的結構示意圖； 圖4為根據本發明車輛行為預警分析方法中行為模型示例一的結構示意圖； 圖5為根據本發明車輛行為預警分析方法中行為模型示例二的結構示意圖； 圖6為根據本發明車輛行為預警分析方法中行為模型示例三的結構示意圖； 圖7為根據本發明車輛行為預警分析方法中行為模型示例四的結構示意圖。
具體實施例方式以下結合附圖對本發明的優選實施例進行說明，應當理解，此處所描述的優選實施例僅用于說明和解釋本發明，并不用于限定本發明。根據本發明實施例，如圖1-圖7所示，提供了一種車輛行為預警分析方法。如圖1所示，本實施例的車輛行為預警分析方法，包括以下步驟
步驟100 將車輛抓拍點位與城市區域劃分相結合，構成多個封閉的環狀結構，建立基礎模型；步驟101 在步驟100所得基礎模型的基礎上，結合車輛行駛軌跡形成的線狀和/或環狀結構，建立行為模型；
步驟102 結合步驟101所得行為模型，分析靜態的城市區域與動態的車輛行蹤結構， 獲取車輛的具體行駛行為信息；
步驟103 根據步驟102所得車輛的具體行駛行為信息，進行車輛行為的預警和決策處理。在步驟102中，如圖2所示，結合步驟101所得行為模型，分析靜態的城市區域與動態的車輛行蹤結構，獲取車輛的具體行駛行為信息的步驟，具體可以包括以下步驟
步驟200:根據上述基礎模型和行為模型，獲取車輛的當前行蹤數據，即車輛當前的空間地點和時間信息，執行步驟201 ；
步驟201 獲取車輛的當前數據后，調用并加載相應車輛的歷史行蹤數據，執行步驟
202 ；
步驟202 加載所述車輛的歷史行蹤數據后，加載相應車輛當前的行為模型，執行步驟
203 ；
步驟203 加載相應車輛當前的行為模型后，開始行為模型匹配處理，執行步驟204; 步驟204 判斷車輛當前的行為模型與歷史行蹤數據是否匹配，若是，則執行步驟205 ； 否則，執行步驟208;
步驟205 調用并加載與歷史行蹤數據相應的積分模型，執行步驟206 ； 步驟206 根據步驟204所得已與車輛當前的行為模型相匹配的歷史行蹤數據，判斷該歷史行蹤數據與積分模型是否匹配，若是，則執行步驟207 ；否則，執行步驟208 ； 步驟207 進行積分累加后，執行步驟208 ；
步驟208:判斷行為模型匹配處理是否完畢，若是，則執行步驟209 ；否則，返回步驟
203 ；
步驟209 車輛行為的預警分析完成，用戶可以根據所得車輛的具體行駛行為信息，進行車輛行為的預警和決策處理。其中，步驟100所得基礎模型，如圖3所示；步驟101所得行為模型，可以包括如圖 4所示的車輛初次駛入城市或區域的行為模型，如圖5所示的車輛快速過境城市或區域的行為模型，如圖6所示的車輛重復路徑動作的行為模型，以及如圖7所示的車輛調頭的行為模型。在上述實施例中，所有車輛的行為都是通過自動分析取得的，對車輛的有關行為進行抽象提取，轉化成數值的積分累積，來進行車輛行為的一個分析。具體地，上述實施例的分析模型如下 ⑴基礎數據依托
在上述實施例的車輛行為預警分析方法中，車輛抓拍點位基本上對整個路網都進行了覆蓋，這樣，就為系統提供了大量的連續的車輛行蹤位置信息。所有的信息中，最主要的就是車輛的空間和時間信息，在車輛的空間與時間信息連續分布的情況下，可以以此兩項數據為依據，并且結合日常經驗來對車輛的一個動作行為作出分析與推斷； ⑵空間動作
針對車輛抓拍點分布密集、覆蓋完全的特點，把抓拍點位與城市區域劃分相結合，構成多個封閉的環狀結構，參見圖3 ；在區域分布的基礎上面，車輛行駛的軌跡又會形成新的線狀或者環狀結構，通過分析靜態的區域和動態的車輛行蹤結構我們可以獲得車輛的一個行駛行為，從而為用戶的決策分析提供支持； ⑶時間動作
與車輛的空間動作相對應，還有時間動作，配合車輛的空間和時間行為再加上車輛本身的屬性，就可以對行為進行判斷和預測。下面，列舉幾個的行為模型，具體說明上述實施例的車輛行為預警分析方法。⑴初次進入即是對指定車輛是否第一次進入城市或者某一區域。如圖4所示，抓拍點位的區域劃分已經完成，從中可以選取出屬于城市或者指定區域邊界的點位集群P = {pl，p2…px}，然后判斷是否從入口出現^i(P)，從數據倉庫中搜索指定車輛的歷史軌跡，辨識是否有曾今在邊界內部出現的數據記錄E (y)
當兩個條件同時成立，即A (初次)=In(P)& E (y)結果為真時，則該行為成立。⑵快速出入車輛的快速出入指的是不做停留，快速過境一個城市或者一個區域。如圖5所示，抓拍點位的區域劃分已經完成，從中可以選取出屬于城市或者指定區域邊界的點位集群P = {pl，p2…px}，然后判斷是否從入口出現^i(P)已經最后從出口出現Out (ρ)，并且中間沒有或少有重復地點經過No (y)。當多個條件同時成立，即指定車輛從一邊界進入，中間無重復路徑，最后從同一邊界駛出，A (快速出入)=In(P)& Out(P)& No (y)為真，則可以判定為車輛的快速出入行為。⑶重復路徑車輛的重復路徑動作，指的是車輛反復在同一條行駛路線上運動。如圖6所示，此次分析與區域劃分無關，主要以車輛的行蹤軌跡為主，及多次通過一個或多個地點，或者通過的地點位置有大比率是重復的，即A(重復)=IF( IP(x) / P(y) < z%)，其中|p(x) I表示實際通過地點個數，ρ(y)表示通過的總地點數量，兩者的比率越小就表明重復通行的路徑可能性越高，2%表示行為判定的閥值，當低于門限閥值是就表示車輛正在進行重復路徑的行駛行為。⑷調頭車輛調頭是一種特殊行為。如圖7所示，指的是車輛在同一地點連續進行相反方向的行駛行為，即三組條件， P (xl，x2)，是否同一地點，D (X，y)是否相反方向，L (χ)是否連續發生，當A (調頭)=P (xl，x2) &D (χ, y) &L (χ)結果為真時就表示車輛進行調頭行為。在上述實施例中，進行積分累加時，需要使用積分預置算法，具體說明如下 由前述描述可知，車輛行為已經可以初步進行判斷，為了能夠在系統中進行量化分析，
把車輛的描述性的行為轉換為系統可以進行甄別決策量化數據，方便對一些異常行為進行預測，所以采用積分預警的方式。其中，可疑行為分值定制的具體方法，可參見下表
權利要求
1.一種車輛行為預警分析方法，其特征在于，包括以下步驟a、將車輛抓拍點位與城市區域劃分相結合，構成多個封閉的環狀結構，建立基礎模型；b、在步驟a所述基礎模型的基礎上，結合車輛行駛軌跡形成的線狀和/或環狀結構，建立行為模型；C、結合步驟b所述行為模型，分析靜態的城市區域與動態的車輛行蹤結構，獲取車輛的具體行駛行為信息；d、根據步驟c所得車輛的具體行駛行為信息，進行車輛行為的預警和決策處理。
2.根據權利要求1所述的車輛行為預警分析方法，其特征在于，在步驟b中，所述行為模型包括車輛初次駛入城市或區域的行為模型，車輛快速過境城市或區域的行為模型，車輛重復路徑動作的行為模型，以及車輛調頭的行為模型。
3.根據權利要求1或2所述的車輛行為預警分析方法，其特征在于，步驟c具體包括 Cl、根據所述基礎模型和行為模型，獲取車輛的當前行蹤數據，即車輛當前的空間地點和時間信息；c2、獲取車輛的當前數據后，調用并加載相應車輛的歷史行蹤數據； c3、加載所述車輛的歷史行蹤數據后，加載相應車輛當前的行為模型； c4、加載相應車輛當前的行為模型后，進行行為模型匹配處理； c5、判斷行為模型匹配處理是否完畢，若是，則車輛行為的預警分析完成；否則，返回步驟c4。
4.根據權利要求3所述的車輛行為預警分析方法，其特征在于，步驟c4具體包括 c41 判斷車輛當前的行為模型與歷史行蹤數據是否匹配，若是，則調用并加載與歷史行蹤數據相應的積分模型；否則，執行步驟c5 ；c42 根據步驟c41所得已與車輛當前的行為模型相匹配的歷史行蹤數據，判斷該歷史行蹤數據與積分模型是否匹配，若是，則進行積分累加后，執行步驟c5 ；否則，直接執行步馬聚c5 ο
全文摘要
本發明公開了一種車輛行為預警分析方法，包括a、將車輛抓拍點位與城市區域劃分相結合，構成多個封閉的環狀結構，建立基礎模型；b、在步驟a所述基礎模型的基礎上，結合車輛行駛軌跡形成的線狀和/或環狀結構，建立行為模型；c、結合步驟b所述行為模型，分析靜態的城市區域與動態的車輛行蹤結構，獲取車輛的具體行駛行為信息；d、根據步驟c所得車輛的具體行駛行為信息，進行車輛行為的預警和決策處理。本發明所述車輛行為預警分析方法，可以克服現有技術中人工勞動量大、工作效率低、可靠性低與工作難度大等缺陷，以實現人工勞動量小、工作效率高、可靠性高與工作難度小的優點。
文檔編號G08G1/01GK102411846SQ20111036396
公開日2012年4月11日 申請日期2011年11月16日 優先權日2011年11月16日
發明者包可為 申請人:江蘇大為科技股份有限公司