本發(fā)明涉及數據處理領域，具體地，涉及一種識別伴隨車輛的方法及裝置。

背景技術：

隨著城市機動車保有量的增長，伴隨的問題也日益顯現。為了提升社會治安水平，針對機動車輛的檢測和監(jiān)控技術得到了廣泛的研究，機動車輛數據分析技術得到了迅速的推廣應用，被廣泛應用于治安卡口、車輛信息實時分析、涉案嫌疑車攔截等交通場景中。

據刑偵統計，利用機動車進行違法、犯罪活動的嫌疑人采用結伴而行的方式較多，而且車輛盜竊或搶劫案件中通常也是多人伙同作案，犯罪嫌疑人及其同伙的車輛通常尾隨在受害人車輛附近。伴隨車是指在某一時間跨度內，與指定號牌車輛一起出現在多個卡口的車輛，且這些車輛經過同一卡口的時間差小于某時間閾值且方向相同。在卡口站點上布置監(jiān)控系統，并實時對監(jiān)控系統獲取的車輛信息進行伴隨車檢測，來尋找伙同犯罪的嫌疑車輛，可以及時向公安機關告警并提供有價值的破案線索，使人民的生命財產安全得到最大限度的保障。

目前針對伴隨車輛的識別主要通過對比車輛的行駛軌跡，進行行駛軌跡相似性分析，而沒有從涉案伴隨車行為特點入手做深入的分析，導致涉案伴隨車識別率低，在公安實戰(zhàn)中，需要公安人員進行進一步篩查，消耗大量的人力物力。

技術實現要素：

本發(fā)明的主要目的是提供一種識別伴隨車輛的方法及裝置，用以解決現有技術中伴隨車輛識別率低的技術問題，提升了公安辦案中對涉案伴隨車輛的識別率。

為了實現上述目的，本發(fā)明第一方面提供一種識別伴隨車輛的方法，包括：

獲取多個道路卡口在指定時間段監(jiān)控到的車輛信息，所述車輛信息包括車輛通過每個所述道路卡口的時刻，以及所述車輛通過所述道路卡口的通過方向；

將通過同一所述道路卡口的時刻小于時長閾值且通過方向相同的兩輛車作為車輛組合；

根據所述車輛組合通過的道路卡口數，以及所述車輛組合中任一車輛通過的道路卡口數，計算所述車輛組合的伴隨置信度；

根據所述伴隨置信度確定所述車輛組合中的兩輛車是否為伴隨車輛。

可選地，所述將通過同一所述道路卡口的時刻小于時長閾值且通過方向相同的兩輛車作為車輛組合包括：

根據第一道路卡口在所述指定時間段的各個子時間段的車流量分別設定對應每一所述子時間段的時間窗口大小，所述第一道路卡口為任一道路卡口；

在第一子時間段內滑動對應所述第一子時間段的時間窗口，確定通過方向相同且通過所述第一道路卡口的時刻同時落入所述時間窗口的任意兩輛車為一個車輛組合，所述第一子時間段為所述指定時間段的任一子時間段。

可選地，所述根據所述車輛組合通過的道路卡口數，以及所述車輛組合中任一車輛通過的道路卡口數，計算所述車輛組合的伴隨置信度包括：

通過如下公式計算所述車輛組合(A-＞B)的伴隨置信度Conf(A-＞B)：

其中，Ti是所述車輛組合集合中道路卡口i的車輛組合，是所述車輛組合(A-＞B)通過的道路卡口數，是車輛A通過的道路卡口數。

可選地，所述根據所述伴隨置信度確定所述車輛組合中的兩輛車是否為伴隨車輛包括：

根據所有車輛組合的伴隨置信度大小，設定置信度閾值Conf_t；

在所述車輛組合的伴隨置信度大于所述置信度閾值時，確定所述車輛組合中的兩輛車為伴隨車輛，在所述車輛組合的伴隨置信度不大于所述置信度閾值時，確定所述車輛組合中的兩輛車非伴隨車輛。

可選地，在所述根據所述伴隨置信度確定所述車輛組合中的兩輛車是否為伴隨車輛之前，所述方法還包括：

將所述車輛組合的行駛路徑按照道路卡口劃分為多個子軌跡；

根據每一所述子軌跡中所有道路卡口記錄的車輛數確定每一所述子軌跡的偏僻值；

根據每一所述子軌跡的偏僻值確定所述車輛組合行駛路徑的偏僻度。

可選地，所述根據所述伴隨置信度確定所述車輛組合中的兩輛車是否為伴隨車輛包括：

根據所述伴隨置信度以及所述車輛組合行駛路徑的偏僻度確定所述車輛組合中的兩輛車是否為伴隨車輛。

可選地，所述根據每一所述子軌跡的偏僻值確定所述車輛組合的行駛路徑的偏僻度，包括：

采用如下公式計算所述車輛組合行駛路徑的偏僻度RF：

其中，R_τ是路徑偏僻值的閾值，R_min是所述車輛組合行駛路徑的所有子軌跡中的最小偏僻值。

第二方面提供一種識別伴隨車輛的裝置，包括：

獲取模塊，用于獲取多個道路卡口在指定時間段監(jiān)控到的車輛信息，所述車輛信息包括車輛通過每個所述道路卡口的時刻，以及所述車輛通過所述道路卡口的通過方向；

第一劃分模塊，用于將通過同一所述道路卡口的時刻小于時長閾值且通過方向相同的兩輛車作為車輛組合；

第一計算模塊，用于根據所述車輛組合通過的道路卡口數，以及所述車輛組合中任一車輛通過的道路卡口數，計算所述車輛組合的伴隨置信度；

判斷模塊，用于根據所述伴隨置信度確定所述車輛組合中的兩輛車是否為伴隨車輛。

可選地，所述第一劃分模塊包括：

第一設定子模塊，用于根據第一道路卡口在所述指定時間段的各個子時間段的車流量分別設定對應每一所述子時間段的時間窗口大小，所述第一道路卡口為任一道路卡口；

確定子模塊，用于在第一子時間段內滑動對應所述第一子時間段的時間窗口，確定通過方向相同且通過所述第一道路卡口的時刻同時落入所述時間窗口的任意兩輛車為一個車輛組合，所述第一子時間段為所述指定時間段的任一子時間段。

可選地，所述第一計算模塊用于：

通過如下公式計算所述車輛組合(A-＞B)的伴隨置信度Conf(A-＞B)：

其中，Ti是所述車輛組合集合中道路卡口i的車輛組合，是所述車輛組合(A-＞B)通過的道路卡口數，是車輛A通過的道路卡口數。

可選地，所述判斷模塊包括：

第二設定子模塊，用于根據所有車輛組合的伴隨置信度大小，設定置信度閾值Conf_t；

判斷子模塊，用于在所述車輛組合的伴隨置信度大于所述置信度閾值時，確定所述車輛組合中的兩輛車為伴隨車輛，在所述車輛組合的伴隨置信度不大于所述置信度閾值時，確定所述車輛組合中的兩輛車非伴隨車輛。

可選地，還包括：

第二劃分模塊，用于將所述車輛組合的行駛路徑按照道路卡口劃分為多個子軌跡；

第二計算模塊，用于根據每一所述子軌跡中所有道路卡口記錄的車輛數確定每一所述子軌跡的偏僻值；

第三計算模塊，用于根據每一所述子軌跡的偏僻值確定所述車輛組合行駛路徑的偏僻度。

可選地，所述判斷模塊用于：

根據所述伴隨置信度以及所述車輛組合行駛路徑的偏僻度確定所述車輛組合中的兩輛車是否為伴隨車輛。

可選地，所述第三計算模塊用于：

采用如下公式計算所述車輛組合行駛路徑的偏僻度RF：

其中，R_τ是路徑偏僻值的閾值，R_min是所述車輛組合行駛路徑的所有子軌跡中的最小偏僻值。

上述技術方案，通過對潛在的伴隨車輛進行兩兩組合，并基于車輛組合通過各個道路卡口的情況計算每一車輛組合作為伴隨車輛的置信度，根據置信度的大小判斷車輛組合是否為伴隨車輛，由于伴隨行駛的兩輛車通過相同道路卡口的數目多且通過時間接近，因此，本發(fā)明通過計算車輛組合的置信度可以有效識別出伴隨車輛，提高了識別率，減少了人力消耗。

本發(fā)明的其他特征和優(yōu)點將在隨后的具體實施方式部分予以詳細說明。

附圖說明

附圖是用來提供對本發(fā)明的進一步理解，并且構成說明書的一部分，與下面的具體實施方式一起用于解釋本發(fā)明，但并不構成對本發(fā)明的限制。在附圖中：

圖1是本發(fā)明實施例提供的一種識別伴隨車輛的方法的流程示意圖；

圖2是本發(fā)明實施例提供的一種劃分車輛組合的方法示意圖；

圖3A是本發(fā)明實施例提供的一種識別伴隨車輛的裝置的結構示意圖；

圖3B是本發(fā)明實施例提供的另一種識別伴隨車輛的裝置的結構示意圖；

圖3C是本發(fā)明實施例提供的另一種識別伴隨車輛的裝置的結構示意圖。

具體實施方式

以下結合附圖對本發(fā)明的具體實施方式進行詳細說明。應當理解的是，此處所描述的具體實施方式僅用于說明和解釋本發(fā)明，并不用于限制本發(fā)明。

本發(fā)明實施例提供一種識別伴隨車輛的方法，如圖1所示，該方法包括：

S101、獲取多個道路卡口在指定時間段監(jiān)控到的車輛信息，所述車輛信息包括車輛通過每個所述道路卡口的時刻，以及所述車輛通過所述道路卡口的通過方向。

其中，根據不同的應用場景，在具體實施時，上述多個道路卡口可以根據實際情況選擇。例如，在市區(qū)內發(fā)生的刑事案件中，針對案發(fā)地點，所述多個道路卡口可以是案發(fā)地點五公里范圍內的所有道路卡口，而對于在高速路上發(fā)生的案件，所述多個道路卡口可以是案發(fā)地點二十公里范圍內的所有道路卡口。另外，所述指定時間段也可以根據實際情況設定，例如，針對摩托車犯案的情況，指定時間段可以是案發(fā)前后各一小時，對于汽車犯案的情況，指定時間段可以是案發(fā)前后各兩小時。本發(fā)明對此不做限定。

S102、將通過同一所述道路卡口的時刻小于時長閾值且通過方向相同的兩輛車作為車輛組合。

也就是說，針對任一道路卡口，將通過該道路卡口的車輛根據通過時刻的先后進行排列，若任意兩個車輛通過的該道路卡口的時刻之間的時間差小于時長閾值，則該兩輛車作為一個車輛組合。

示例地，車輛A通過道路卡口1的時刻是9:15:00，車輛B通過道路卡口1的時刻是9:15:30，車輛C通過道路卡口1的時刻是9:17:00，且車輛A、B、C是同一方向通過道路卡口1，在此種情況下，若時長閾值為兩分鐘，則車輛A和車輛B為一個車輛組合，車輛A和車輛C為一個車輛組合，車輛B和車輛C為一個車輛組合。若時長閾值為一分鐘，則車輛A和車輛B為一個車輛組合。

值得說明的是，該時時長閾值可以是預先設置的，也可以是根據實際情況動態(tài)調整的。

S103、根據所述車輛組合通過的道路卡口數，以及所述車輛組合中任一車輛通過的道路卡口數，計算所述車輛組合的伴隨置信度。

值得說明的是，深入分析伴隨車輛的行為可知，對于伴隨行駛的兩輛車，其通過的相同道路卡口較多且通過的時刻相接近。因此，基于該特性計算兩輛車作為伴隨車輛的伴隨置信度，可以有效評估車輛組合是伴隨車輛的概率。

S104、根據所述伴隨置信度確定所述車輛組合中的兩輛車是否為伴隨車輛。

采用上述技術方案，通過對潛在的伴隨車輛進行兩兩組合，并基于車輛組合通過各個道路卡口的情況計算每一車輛組合作為伴隨車輛的伴隨置信度，根據置信度的大小判斷車輛組合是否為伴隨車輛，由于伴隨行駛的兩輛車通過相同道路卡口的數目多且通過時間接近，因此，本發(fā)明實施例通過計算車輛組合的置信度可以有效識別出伴隨車輛，提高了識別率，減少了人力消耗。

為了使本領域技術人員更加理解本發(fā)明實施例提供的技術方案，下面對上述步驟進行詳細說明。

具體地，步驟S102中，所述將通過同一所述道路卡口的時刻小于時長閾值且通過方向相同的兩輛車作為車輛組合可以包括：根據第一道路卡口在所述指定時間段的各個子時間段的車流量分別設定對應每一所述子時間段的時間窗口大小，所述第一道路卡口為任一道路卡口；在第一子時間段內滑動對應所述第一子時間段的時間窗口，確定通過方向相同且通過所述第一道路卡口的時刻同時落入所述時間窗口的任意兩輛車為一個車輛組合，所述第一子時間段為所述指定時間段的任一子時間段。

示例地，如圖2所示，上述指定時間段為T₁至T_k。根據車流量情況將該指定時間段劃分為多個子時間段，其中，每兩個相鄰子時間段的車流量差異較大。在具體實施時，可以設定車流量閾值，示例地，若早上八點到九點之間的車流量與早上六點到早上七點之間的車流量差值大于所述車流量閾值，則將早上六點到早上七點劃分為一個子時間段，將早上八點到九點劃分為另一個時間段。這樣，在得到如圖2示出的子時間段t₁，子時間段t₂至至子時間段t_k-1后，進一步地，根據每一子時間段的車流量大小設定對應的時間窗口，如圖2中示出的，子時間段t₁對應的時間窗口為τ₁，子時間段t₂對應的時間窗口為τ₂，子時間段t_k-1對應的時間窗口為τ_k-1。

值得說明的是，時間窗口大小的設定可以遵循以下規(guī)則：車流量越大的子時間段，對應的時間窗口越小，車流量越小的子時間段，對應的時間窗口越大。例如，子時間段t₁的車流量為10輛每分鐘，則子時間段t₁對應的時間窗口τ₁可以為兩分鐘，子時間段t₂的車流量為20輛每分鐘，則子時間段t₁對應的時間窗口τ₁可以為一分鐘。

這樣，在子時間段t₁內，將車輛按照通過道路卡口的時刻的先后進行排列，并依次滑動時間窗口τ₁，每次滑動后，落入時間窗口τ₁中的任意兩輛車之間組成一個車輛組合。其中，時間窗口每次滑動的大小可以根據實際情況預先設定，例如，計算機運算量的大小。本發(fā)明對此不做限定。

在對每一道路卡口的車輛通過圖2所示的方法進行組合后，可得到車輛組合集合。具體地，每個道路卡口監(jiān)控到的車輛信息包括車輛標識，例如，車牌號，這樣，針對確定為車輛組合的兩輛車，可以成對的記錄這兩輛車的車牌號，以表明該兩輛車是一個車輛組合。另外，在具體實施時，還可以去掉重復的車輛組合，例如，道路卡口1確定的車輛組合包括車輛A和車輛B的組合，道路卡口2確定的車輛組合也包括車輛A和車輛B的組合，則可以在劃分車輛組合時刪除重復的車輛組合，使得車輛組合集合中每一車輛組合僅有一條記錄。

進一步地，上述步驟S103計算目標車輛組合的置信度可以包括：

通過如下公式計算所述車輛組合(A-＞B)的置信度Conf(A-＞B)：

其中，T_i是所述車輛組合集合中道路卡口i的車輛組合，是所述車輛組合(A-＞B)通過的道路卡口數，即車輛A和車輛B作為車輛組合通過的道路卡口的數目，是車輛A通過的道路卡口數。

示例地，車輛A在指定時間段通過道路卡口1、道路卡口2、道路卡口3、道路卡口4、道路卡口5、道路卡口6、道路卡口7、道路卡口8、道路卡口9和道路卡口10；車輛B在指定時間段通過道路卡口4、道路卡口5、道路卡口6、道路卡口7、道路卡口8、道路卡口9、道路卡口10、道路卡口11、道路卡口12、道路卡口13、道路卡口14、道路卡口15、道路卡口16和道路卡口17；車輛A和車輛B作為車輛組合通過道路卡口6、道路卡口7、道路卡口8、道路卡口9和道路卡口10。

這樣，等于5，等于10，等于14。則計算可得Conf(A-＞B)等于5/10，Conf(B-＞A)等于5/14。其中，在具體實施時，可以選擇統一選擇較大值作為車輛組合的伴隨置信度，也可以同一選擇較小值作為車輛組合的伴隨置信度。

另一個例子，在已經鎖定目標車輛A后，例如涉嫌刑事案件的車輛，通過獲取各個道路卡口在指定時間段監(jiān)控到的車輛信息，確定包含目標車輛A的車輛組合有：AC、AB和AE，則通過計算，選取和中的較大值作為車輛組合AC的伴隨置信度，選取和中的較大值作為車輛組合AB的伴隨置信度，選取和中的較大值作為車輛組合AE的伴隨置信度。進一步地，通過比較各個包含目標車輛A的車輛組合的伴隨置信度可以識別目標車輛A的伴隨車輛。

上述計算伴隨置信度的方式只是本發(fā)明實施例一種可能的實現方式，在具體實施時，還可以考慮實際場景的客觀因素計算伴隨置信度。例如，在公安辦案的場景下，對于案發(fā)地點，選定距離案發(fā)地點五公里范圍內的道路卡口，并設定各個道路卡口的權值，其中，達到所述案發(fā)地點必經的道路卡口的權值最高，離案發(fā)地點越近的，權值越高。也就是說，本發(fā)明實施例還可以基于各個道路卡口的權值計算車輛組合的伴隨置信度。

進一步地，步驟S104可以包括：根據所有車輛組合的伴隨置信度大小，設定置信度閾值Conf_t；在所述車輛組合的伴隨置信度大于所述置信度閾值時，確定所述車輛組合中的兩輛車為伴隨車輛，在所述車輛組合的伴隨置信度不大于所述置信度閾值時，確定所述車輛組合中的兩輛車非伴隨車輛。

示例地，置信度閾值為車輛組合最大置信度的百分之八十，這樣，若所有車輛組合中伴隨置信度最大值為1，最小值為0.1，則可以設定置信度閾值為0.8。這樣，伴隨置信度大于0.8的即可確定為伴隨車輛，小于0.8的可以確定為非伴隨車輛。

以上是對基于置信度判斷車輛組合是否為伴隨車輛的方法進行的說明。在本發(fā)明實施例的一種可能的實現方式中，還可以在置信度的基礎上結合車輛組合的行駛路徑判斷車輛組合是否為伴隨車輛，具體如下：

首先，將所述車輛組合的行駛路徑按照道路卡口劃分為多個子軌跡；根據每一所述子軌跡中所有道路卡口記錄的車輛數確定每一所述子軌跡的偏僻值；根據每一所述子軌跡的偏僻值確定所述車輛組合的行駛路徑的偏僻度。

示例地，將車輛組合在所述指定時間段內的行駛路徑S分割為多個子軌跡并將第i個子軌跡用該子軌跡中的每一個道路卡口的記錄點序列表示，即Si＝{p₁,p₂,...,p₁₊,i...,p_1+n}。其中，p₁是子軌跡的起點的道路卡口記錄，p_1+n是終點道路卡口的記錄，n表示此條子軌跡中有多少卡口記錄。

基于上述處理，可以得到每一車輛組合在指定時間段內通過的多個子軌跡。這樣，針對某一條子軌跡，在指定時間段內通過該子軌跡所有車輛的集合定義為V_p，利用V_p即可表示該子軌跡的偏僻值R_p，具體地，R_p＝|V_p|。

進一步地，本發(fā)明實施例可以采用如下公式計算所述車輛組合的偏僻度RF：

其中，R_τ是路徑偏僻值的閾值，R_min是所述車輛組合行駛路徑的所有子軌跡的最小偏僻值。

也就是說，在計算得到所有車輛組合的所有子軌跡的偏僻值R_p后，根據所有車輛組合的所有子軌跡的偏僻值設定偏僻值閾值R_τ，并針對某一車輛組合，確定該車輛組合的所有子軌跡中最小的偏僻值R_min，再由上式計算得到該車輛組合行駛路徑的偏僻度。

由上述公式可知，若某一車輛組合的行駛路徑的偏僻度較小，則表明所述車輛組合選擇的行駛路徑比較隱蔽，其他行車比較少，符合犯案人員的作案心理，從而該車輛組合是伴隨車輛的可能性較大。

進一步地，在計算得到每一車輛組合的置信度以及偏僻度后，可以根據每一車輛組合的置信度以及每一車輛組合行駛路徑的偏僻度確定所述車輛組合中的兩輛車是否為伴隨車輛。

例如，確定置信度大于置信度閾值且偏僻度大于偏僻度閾值的車輛組合為伴隨車輛，其中，置信度閾值和偏僻度閾值可以預先設置。又例如，將車輛組合按照置信度由大到小排序，選取前百分之二十的車輛組合，又按照偏僻度有小到大對車輛組合進行排序，選取前百分之二十的車輛組合，確定輛車選取中重復出現的車輛組合為伴隨車輛。

這樣，在置信度的基礎上結合偏僻度，進一步增加了伴隨車輛的識別率。由此可知，本發(fā)明實施例提供的方法從涉案伴隨車行為特點入手做深入的分析，提升了識別率，減少了人力消耗。

本發(fā)明實施例還提供一種識別伴隨車輛的裝置30，用于實施上述方法實施例提供的一種識別伴隨車輛的方法，如圖3A所示，該裝置30包括：

獲取模塊301，用于獲取多個道路卡口在指定時間段監(jiān)控到的車輛信息，所述車輛信息包括車輛通過每個所述道路卡口的時刻，以及所述車輛通過所述道路卡口的通過方向；

第一劃分模塊302，用于將通過同一所述道路卡口的時刻小于時長閾值且通過方向相同的兩輛車作為車輛組合；

第一計算模塊303，用于根據所述車輛組合通過的道路卡口數，以及所述車輛組合中任一車輛通過的道路卡口數，計算所述車輛組合的伴隨置信度；

判斷模塊304，用于根據所述伴隨置信度確定所述車輛組合中的兩輛車是否為伴隨車輛。

采用上述裝置，通過對潛在的伴隨車輛進行兩兩組合，并基于車輛組合通過各個道路卡口的情況計算每一車輛組合作為伴隨車輛的置信度，根據置信度的大小判斷車輛組合是否為伴隨車輛，由于伴隨行駛的兩輛車通過相同道路卡口的數目多且通過時間接近，因此，本發(fā)明通過計算車輛組合的置信度可以有效識別出伴隨車輛，提高了識別率，減少了人力消耗。

可選地，如圖3B所示，所述第一劃分模塊302包括：

第一設定子模塊3021，用于根據第一道路卡口在所述指定時間段的各個子時間段的車流量分別設定對應每一所述子時間段的時間窗口大小，所述第一道路卡口為任一道路卡口；確定子模塊3022，用于在第一子時間段內滑動對應所述第一子時間段的時間窗口，確定通過方向相同且通過所述第一道路卡口的時刻同時落入所述時間窗口的任意兩輛車為一個車輛組合，所述第一子時間段為所述指定時間段的任一子時間段。

具體地，參照方法實施例中對應圖2的描述，此處不再贅述。

可選地，所述第一計算模塊303用于：

通過如下公式計算所述車輛組合(A-＞B)的伴隨置信度Conf(A-＞B)：

其中，Ti是所述車輛組合集合中道路卡口i的車輛組合，是所述車輛組合(A-＞B)通過的道路卡口數，是車輛A通過的道路卡口數。

可選地，如圖3B所示，所述判斷模塊304包括：

第二設定子模塊3041，用于根據所有車輛組合的伴隨置信度大小，設定置信度閾值Conf_t；判斷子模塊3042，用于在所述車輛組合的伴隨置信度大于所述置信度閾值時，確定所述車輛組合中的兩輛車為伴隨車輛，在所述車輛組合的伴隨置信度不大于所述置信度閾值時，確定所述車輛組合中的兩輛車非伴隨車輛。

在本發(fā)明實施例的另一種可能的實現方式中，如圖3C所示，該裝置30還包括：

第二劃分模塊305，用于將所述車輛組合的行駛路徑按照道路卡口劃分為多個子軌跡；

第二計算模塊306，用于根據每一所述子軌跡中所有道路卡口記錄的車輛數確定每一所述子軌跡的偏僻值；

第三計算模塊307，用于根據每一所述子軌跡的偏僻值確定所述車輛組合行駛路徑的偏僻度。

這樣，該裝置30在在置信度的基礎上結合車輛組合的行駛路徑判斷車輛組合是否為伴隨車輛。進一步提高伴隨車輛的識別率。

具體地，所述第三計算模塊307用于：

采用如下公式計算所述車輛組合行駛路徑的偏僻度RF：

其中，R_τ是路徑偏僻值的閾值，R_min是所述車輛組合行駛路徑的所有子軌跡的最小偏僻值。

示例地，將車輛組合在所述指定時間段內的行駛路徑S分割為多個子軌跡并將第i個子軌跡用該子軌跡中的每一個道路卡口的記錄點序列表示，即Si＝{p₁,p₂,...,p_1+i,...,p_1+n}。其中，p₁是子軌跡的起點的道路卡口記錄，p_1+n是終點道路卡口的記錄，n表示此條子軌跡中有多少卡口記錄。

基于上述處理，可以得到每一車輛組合在指定時間段內通過的多個子軌跡。這樣，針對某一條子軌跡，在指定時間段內通過該子軌跡所有車輛的集合定義為V_p，利用V_p即可表示該子軌跡的偏僻值R_p，這樣，通過上式計算可得到車輛組合行駛路徑的偏僻度。

進一步地，所述判斷模塊304用于：

根據所述伴隨置信度以及所述車輛組合行駛路徑的偏僻度確定所述車輛組合中的兩輛車是否為伴隨車輛。

本領域的技術人員可以清楚地了解到，為描述的方便和簡潔，僅以上述各功能模塊的劃分進行舉例說明，實際應用中，可以根據需要而將上述功能分配由不同的功能模塊完成，即將裝置的內部結構劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。上述描述功能模塊的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。

值得說明的是，在具體實施時，裝置30可以通過軟件、硬件或者兩者結合實現成為計算機設備的部分或者全部。

另外，在本申請所提供的實施例中，應該理解到，所公開的裝置和方法，可以通過其它的方式實現。例如，在本發(fā)明各個實施例中的各功能模塊可以集成在一個處理單元中，也可以是各個單元單獨物理存在。上述集成的單元既可以采用硬件的形式實現，也可以采用硬件加軟件功能單元的形式實現。

上述以軟件功能單元的形式實現的集成的單元，可以存儲在一個計算機可讀取存儲介質中。上述軟件功能單元存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的部分步驟。而前述的存儲介質包括：U盤、移動硬盤、RAM(Random Access Memory，隨機存取存儲器)、磁碟或者光盤等各種可以存儲數據的介質。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，可輕易想到的變化或替換，都應涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護范圍應以權利要求的保護范圍為準。