本發(fā)明涉及的是智能交通管理技術(shù)領(lǐng)域，尤其涉及的是一種基于時(shí)間路網(wǎng)的套牌車分析方法及其系統(tǒng)。

背景技術(shù)：

在智能交通系統(tǒng)中，套牌車查處一直沒(méi)有一個(gè)良好的技術(shù)解決方案，主要是因?yàn)樵趩慰诤蜕倭窟^(guò)車數(shù)據(jù)的情況下通過(guò)技術(shù)手段很難發(fā)現(xiàn)套牌車?，F(xiàn)有的套牌車分析系統(tǒng)是基于過(guò)車照片的二次識(shí)別和車輛登記信息庫(kù)比對(duì)方式的，存在誤報(bào)率高、準(zhǔn)確率低的問(wèn)題，有時(shí)候甚至低到不能接受。另外，基于比對(duì)的方法，不能解決相同車型和相同顏色套牌的問(wèn)題。通過(guò)手持交通移動(dòng)執(zhí)法儀人工比對(duì)車輛品牌、車輛型號(hào)、車身顏色、和車架號(hào)的方式排查套牌車雖然準(zhǔn)確率高，能解決相同品牌、相同型號(hào)、相同車身顏色的套牌問(wèn)題，但效率非常低。隨著大數(shù)據(jù)技術(shù)的發(fā)展和智能交通建設(shè)的發(fā)展，海量的卡口過(guò)車數(shù)據(jù)被匯聚到一個(gè)統(tǒng)一的大數(shù)據(jù)中心以內(nèi)，用軟件系統(tǒng)自動(dòng)分析并發(fā)現(xiàn)套牌車變得可行。本文提出一種利用大數(shù)據(jù)平臺(tái)提取套牌嫌疑車輛。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供了一種基于時(shí)間路網(wǎng)的套牌車分析方法及其系統(tǒng)，提出了一種利用大數(shù)據(jù)平臺(tái)提取套牌嫌疑車輛，解決了套牌車分析難、效率低的技術(shù)問(wèn)題。

本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：

本發(fā)明提供了一種基于時(shí)間路網(wǎng)的套牌車分析方法，包括以下步驟：

步驟s1：收集各交通卡口/電警抓拍的過(guò)車數(shù)據(jù)，形成結(jié)構(gòu)化的過(guò)車數(shù)據(jù)p，所述結(jié)構(gòu)化的過(guò)車數(shù)據(jù)p包括交通卡口/電警設(shè)備的點(diǎn)位編碼、車牌號(hào)、號(hào)牌類型、過(guò)車時(shí)間以及圖片url地址；

步驟s2：將結(jié)構(gòu)化的過(guò)車數(shù)據(jù)p映射成一復(fù)合二元組pp((plate_nbr,plate_type),p)，其中，plate_nbr、plate_type分別指車牌號(hào)碼，號(hào)牌類型，所有pp數(shù)據(jù)組成集合s；

步驟s3：對(duì)集合s按照(plate_nbr，plate_type)分組，變換成集合s’((plate_nbr,plate_type)，set[p])，其中，set[p]是一個(gè)按照過(guò)車時(shí)間全局有序的結(jié)構(gòu)化過(guò)車數(shù)據(jù)集合；

步驟s4：提取集合set[p]中的一輛車連續(xù)經(jīng)過(guò)兩個(gè)點(diǎn)位所產(chǎn)生的數(shù)據(jù)，獲得集合set[pu]；

步驟s5：在集合set[pu]上執(zhí)行映射函數(shù)，使之變換成集合set[((fs,es),cost)]，其中，fs、es、cost分別代表開(kāi)始點(diǎn)位編碼、結(jié)束點(diǎn)位編碼和耗用時(shí)間；在集合set[((fs,es),cost)]執(zhí)行分組聚合運(yùn)算函數(shù)，產(chǎn)生set[(fs,es),cost’)，其中，cost’表示開(kāi)始點(diǎn)位到結(jié)束點(diǎn)位所需要的時(shí)間最短時(shí)間，此時(shí)，時(shí)間路網(wǎng)基礎(chǔ)數(shù)據(jù)被提取完成，這些時(shí)間路網(wǎng)基礎(chǔ)數(shù)據(jù)除了包含了從點(diǎn)s出發(fā)到達(dá)點(diǎn)s’所需要的最短時(shí)間外，還包含任意兩點(diǎn)之間的最短時(shí)間消耗路徑；

步驟s6：對(duì)一輛車的任一pu，使用時(shí)間路網(wǎng)中搜索出的pu的開(kāi)始位置和結(jié)束位置的最短路徑評(píng)估該pu的消耗時(shí)間是否合理，如果pu的消耗時(shí)間明顯小于最短時(shí)間消耗路徑的總時(shí)間，則認(rèn)為此pu為非正常pu，也即存在此車輛的號(hào)牌有被套牌的可能，將這些非正常pu收集起來(lái)，保存到套牌嫌疑庫(kù)中；

步驟s7：由于受到系統(tǒng)中校時(shí)服務(wù)、數(shù)據(jù)完整性(如漏拍、漏傳)的影響，單個(gè)非正常pu對(duì)套牌車認(rèn)定的貢獻(xiàn)率很低，不到20％。而對(duì)一輛車而言，出現(xiàn)非正常pu的次數(shù)越多，和路網(wǎng)最短路徑的總時(shí)間比值越大，則套牌的可能性越高，將套牌嫌疑庫(kù)中的非正常pu用置信度表示如下：

其中，x表示車輛p一定時(shí)間范圍內(nèi)被檢測(cè)到的非正常pu的總數(shù)，ti和t′i分別是pu經(jīng)過(guò)開(kāi)始點(diǎn)位和結(jié)束點(diǎn)位的消耗時(shí)間和時(shí)間路網(wǎng)基礎(chǔ)數(shù)據(jù)中搜索的pu的開(kāi)始點(diǎn)位和結(jié)束點(diǎn)位最短時(shí)間消耗路徑的總時(shí)間；

步驟s8：將車輛按照置信度進(jìn)行倒序排列后，進(jìn)行人工篩選，鑒定套牌車。

進(jìn)一步地，將最短時(shí)間消耗路徑的總時(shí)間乘以系數(shù)k后，與pu的消耗時(shí)間相比，判斷該pu的消耗時(shí)間是否合理，其中，系數(shù)k<0.8。

本發(fā)明的原理為：在智能交通管理系統(tǒng)中，存在卡口/電警安裝所在點(diǎn)位的經(jīng)緯度信息缺失和不準(zhǔn)確的現(xiàn)象，存在點(diǎn)位編碼未按規(guī)范編寫(xiě)的情形，依賴點(diǎn)位的經(jīng)緯度和點(diǎn)位編碼分析套牌車誤報(bào)率高。本文提出一種假設(shè)和創(chuàng)新：“大部分車會(huì)選擇一條近的線路到達(dá)目的地，歷史的過(guò)車數(shù)據(jù)隱含了這樣的信息，從歷史過(guò)車數(shù)據(jù)中提取的這種信息稱為時(shí)間路網(wǎng)，有助于判別一輛車從一個(gè)地方達(dá)到另外一個(gè)地方所耗用的時(shí)間是否合理”。受到卡口設(shè)備校時(shí)的影響，單次違反空間和時(shí)間合理性的行程單元對(duì)套牌的認(rèn)定貢獻(xiàn)率低，綜合多個(gè)行程單元和時(shí)間因素，最終形成本發(fā)明的套牌置信度評(píng)估方法。

本發(fā)明還提供了一種基于時(shí)間路網(wǎng)的套牌車分析系統(tǒng)，包括分布式數(shù)據(jù)匯聚系統(tǒng)、分布式文件存儲(chǔ)系統(tǒng)、車牌識(shí)別系統(tǒng)、套牌車分析系統(tǒng)和套牌車分析人機(jī)界面，其中：

所述分布式數(shù)據(jù)匯聚系統(tǒng)用于收集從交通卡口/電警處拍攝的過(guò)車監(jiān)控圖片；

所述分布式文件存儲(chǔ)系統(tǒng)用于保存過(guò)車圖片；

所述車牌識(shí)別系統(tǒng)用于從過(guò)車圖片中獲取車牌號(hào)碼，號(hào)牌類型數(shù)據(jù)；

所述套牌車分析系統(tǒng)用于構(gòu)建時(shí)間路網(wǎng)基礎(chǔ)數(shù)據(jù)，判斷非正常車輛，計(jì)算非正常車輛的置信度并進(jìn)行排序；

所述套牌車分析人機(jī)界面用于顯示系統(tǒng)的運(yùn)行結(jié)果，即按照置信度排列的套牌嫌疑數(shù)據(jù)，供人工篩選需要。

本發(fā)明相比現(xiàn)有技術(shù)具有以下優(yōu)點(diǎn)：本發(fā)明提供了一種基于時(shí)間路網(wǎng)的套牌車分析方法，該方法采用一種從歷史監(jiān)控過(guò)車數(shù)據(jù)中快速高效和高準(zhǔn)確率的套牌車分析算法，不需要依賴點(diǎn)位經(jīng)緯度、點(diǎn)位編碼的里程樁號(hào)，抓拍卡口的行政區(qū)劃編碼，即可以發(fā)現(xiàn)不同品牌、不同車型、不同顏色的套牌車，也可以發(fā)現(xiàn)相同品牌、相同車型、相同顏色的套牌車，且不受地域地理因素限制，效率高，具有較高的準(zhǔn)確率。

附圖說(shuō)明

圖1為基于時(shí)間路網(wǎng)的套牌車分析方法的步驟流程圖；

圖2為基于時(shí)間路網(wǎng)的套牌車分析系統(tǒng)的拓?fù)鋱D；

圖3為構(gòu)建的時(shí)間路網(wǎng)模型結(jié)構(gòu)示意圖；

圖4為置信度函數(shù)的曲線圖。

具體實(shí)施方式

下面對(duì)本發(fā)明的實(shí)施例作詳細(xì)說(shuō)明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

實(shí)施例1

本實(shí)施例提供了一種基于時(shí)間路網(wǎng)的套牌車分析方法，包括以下步驟：

步驟s1：收集各交通卡口/電警抓拍的過(guò)車數(shù)據(jù)，形成結(jié)構(gòu)化的過(guò)車數(shù)據(jù)p，所述結(jié)構(gòu)化的過(guò)車數(shù)據(jù)p包括交通卡口/電警設(shè)備的點(diǎn)位編碼、車牌號(hào)、號(hào)牌類型、過(guò)車時(shí)間以及圖片url地址。

步驟s2：將結(jié)構(gòu)化的過(guò)車數(shù)據(jù)p映射成一復(fù)合二元組pp((plate_nbr,plate_type),p)，其中，plate_nbr、plate_type分別指車牌號(hào)碼，號(hào)牌類型，所有pp數(shù)據(jù)組成集合s。

步驟s3：對(duì)集合s按照(plate_nbr，plate_type)分組，變換成集合s’((plate_nbr,plate_type)，set[p])，其中，set[p]是一個(gè)按照過(guò)車時(shí)間全局有序的結(jié)構(gòu)化過(guò)車數(shù)據(jù)集合。

步驟s4：提取集合set[p]中的一輛車連續(xù)經(jīng)過(guò)兩個(gè)點(diǎn)位所產(chǎn)生的數(shù)據(jù)，獲得集合set[pu]。

步驟s5：在集合set[pu]上執(zhí)行映射函數(shù)，使之變換成集合set[((fs,es),cost)]，其中，fs、es、cost分別代表開(kāi)始點(diǎn)位編碼、結(jié)束點(diǎn)位編碼和耗用時(shí)間；在集合set[((fs,es),cost)]執(zhí)行分組聚合運(yùn)算函數(shù)，產(chǎn)生set[(fs,es),cost’)，其中，cost’為平均值算子、kmean算子或高斯算子。

例如：藍(lán)色號(hào)牌是a的車輛先后在t1、t2時(shí)間經(jīng)過(guò)s1，s2兩個(gè)點(diǎn)位，產(chǎn)生的過(guò)車監(jiān)控圖片存儲(chǔ)在監(jiān)控圖片服務(wù)上的統(tǒng)一資源定位為url1，url2，其結(jié)構(gòu)化過(guò)車數(shù)據(jù)表示如下，[{a,02,t1,s1,url1},{a,02,t2,s2,url2}]，其中，02代表藍(lán)色車牌，運(yùn)行s2-s5步驟，最終產(chǎn)生如下數(shù)據(jù)集，[{(s1,s2),dt}]，dt是t1、t2的時(shí)間差。當(dāng)系統(tǒng)中包含大量上述數(shù)據(jù)時(shí)，系統(tǒng)的時(shí)間路網(wǎng)基礎(chǔ)數(shù)據(jù)就被提取完成。這些路網(wǎng)基礎(chǔ)數(shù)據(jù)包含了從點(diǎn)s出發(fā)到達(dá)點(diǎn)s’所需要的最短時(shí)間，還可以搜索出任意兩點(diǎn)之間的最短時(shí)間消耗路徑。例如圖3中，從s1出發(fā)到達(dá)s5的最短消耗是15單位時(shí)間，依次經(jīng)過(guò)s1、s3、s4、s5。從s4出發(fā)到達(dá)s6最短消耗是20單位時(shí)間，依次經(jīng)過(guò)s4、s3、s1、s2、s6。

步驟s6：對(duì)一輛車的任一pu，使用時(shí)間路網(wǎng)中搜索出的pu的開(kāi)始位置和結(jié)束位置的最短路徑評(píng)估該pu的消耗時(shí)間是否合理，如果pu的消耗時(shí)間明顯小于最短時(shí)間消耗路徑的總時(shí)間乘以系數(shù)k，則認(rèn)為此pu為非正常pu，也即存在此車輛的號(hào)牌有被套牌的可能，將這些非正常pu收集起來(lái)，保存到套牌嫌疑庫(kù)中，本實(shí)施例中，系數(shù)k取0.7。

步驟s7：由于受到系統(tǒng)中校時(shí)服務(wù)、數(shù)據(jù)完整性(如漏拍、漏傳)的影響，單個(gè)非正常pu對(duì)套牌車認(rèn)定的貢獻(xiàn)率很低，不到20％。而對(duì)一輛車而言，出現(xiàn)非正常pu的次數(shù)越多，和路網(wǎng)最短路徑的總時(shí)間比值越大，則套牌的可能性越高，將套牌嫌疑庫(kù)中的非正常pu用置信度表示如下：

其中，x表示車輛p一定時(shí)間范圍內(nèi)被檢測(cè)到的非正常pu的總數(shù)，ti和t′i分別是pu經(jīng)過(guò)開(kāi)始點(diǎn)位和結(jié)束點(diǎn)位的消耗時(shí)間和時(shí)間路網(wǎng)基礎(chǔ)數(shù)據(jù)中搜索的pu的開(kāi)始點(diǎn)位和結(jié)束點(diǎn)位最短時(shí)間消耗路徑的總時(shí)間，置信度函數(shù)的曲線如圖4所示；

步驟s8：將車輛按照置信度進(jìn)行倒序排列后，獲得如下表1所示的結(jié)果：

最后，按照置信度從高到低進(jìn)行人工篩查，確定套牌嫌疑車。

在某省實(shí)際環(huán)境中，利用本發(fā)明所述方法分析2017年1月1號(hào)至2017年3月10號(hào)約6.1億條的過(guò)車監(jiān)控?cái)?shù)據(jù)記錄中，使用套牌車分析服務(wù)分析出636例套牌嫌疑，最終由套牌車分析人機(jī)界面確認(rèn)155例，整體準(zhǔn)確率24.37％，其中，黃牌車整體準(zhǔn)確率55.17％，藍(lán)牌車整體準(zhǔn)確率17.64％，置信度大于0.85的準(zhǔn)確率達(dá)到61.11％；置信度在0.7～0.85之間的準(zhǔn)確率23.78％，隨置信度降低，準(zhǔn)確率快速下降。

表2：套牌車分析準(zhǔn)確率統(tǒng)計(jì)結(jié)果1

表3：套牌車分析準(zhǔn)確率統(tǒng)計(jì)結(jié)果2

實(shí)際運(yùn)行結(jié)果表明，置信度大于0.85的套牌車分析準(zhǔn)確率超過(guò)61％，進(jìn)一步證實(shí)了利用本發(fā)明的方法分析鑒定套牌車具有一定的可行性。

以上為本發(fā)明一種詳細(xì)的實(shí)施方式和具體的操作過(guò)程，是以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，但本發(fā)明的保護(hù)范圍不限于上述的實(shí)施例。