一种基于大数据进行车辆轨迹预测的方法技术

本发明专利技术公开了一种基于大数据进行车辆轨迹预测的方法，包括：确定目标车辆的行驶路径，获取历史车辆数据，从历史车辆数据中提取：行驶基础数据和对比数据，将基础数据和对比数据，按照采集时间从近到远进行排序，计算目标车辆通过第一目标位点F1的第一概率P1X，和从当前位点C到第一目标位点F1所用的第一时间T1X。通过本发明专利技术，降低了对工作人员的经验要求，并且能够在预测轨迹的同时预测时间，同时将结构化和非结构化数据进行了统一处理，提高了工作效率。

A method of vehicle trajectory prediction based on large data

The invention discloses a method for vehicle trajectory prediction, based on large data includes determining the driving path of the target vehicle, vehicle access to historical data, historical data extracted from the vehicle in running the basic data and comparative data, basic data and comparative data, according to the acquisition time from near to far sorting, calculating the target vehicle the first probability P1X first target sites of F1, and the first time from the current site of C to the first target site of F1 by T1X. Through the invention, the experience requirement of the staff is reduced, and the time is predicted while predicting the track. At the same time, the structured and unstructured data are processed uniformly, and the work efficiency is improved.

【技术实现步骤摘要】
一种基于大数据进行车辆轨迹预测的方法
本专利技术涉及车辆轨迹预测领域，更具体地，涉及一种基于大数据进行车辆轨迹预测的方法。
技术介绍
现代社会，犯罪分子作案后往往采用驾车逃逸的方式逃避追踪，公安机关在追捕犯罪分的时候，一方面，要派遣车辆追踪犯罪分子，另一方面，也需要提前预判犯罪分子可能的逃窜路线，在最有可能的多个路线上布置警力，提前做好拦截。随着涉车犯罪的增加，针对车辆的布控查缉在破案工作中扮演着越来越关键的角色。当前追缉嫌疑车辆，多采用人工查看视频、图片等资料的传统方式分析其历史行驶轨迹寻找目标车辆的出行规律，或通过应用系统查询某辆车多个特定时间段区域范围内的行车轨迹，然后经过分析总结在特定的时间特定的地点布控堵截，工作量大、耗费人力物力多，效率低，信息滞后，而且对于工作人员的经验要求较高，难以推广应用，而且对车辆路径的预测耗时较多，耽误追捕犯罪分子的时间，此外，很多时候即使预测出车辆的行驶路径，也很难预测车辆通过该行驶路径的时间，导致布置警力不及时，这些缺陷都给公安机关追捕犯罪分子造成了诸多困难。另一方面，捕获车辆路径数据的方式逐渐增多，包括摄像头拍摄的录像、图片和传统的人工记录数据等，捕获方式的增多导致数据量的迅速增加，大多数情况，人们是难以在短时间快速掌握如此大量的数据并进行分析总结，从而预判车辆的轨迹的。因此，提供一种能够基于大数据进行车辆轨迹预测的方法，降低对人员的经验要求，是本领域亟待解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于大数据进行车辆轨迹预测的方法，解决了现有技术中对工作人员经验要求高的问题。为了解决上述技术问题，本专利技术提出一种基于大数据进行车辆轨迹预测的方法，包括：确定目标车辆的行驶路径，所述行驶路径包括：所述目标车辆的当前位点C和第一历史位点O1，其中，所述第一历史位点O1为与所述当前位点C相邻的上一个位点；选取任一位点作为第一目标位点F1；获取历史车辆数据，其中，所述历史车辆数据包括预设时间段内多个车辆的车辆数据，所述车辆数据包括一个车辆在所述预设时间段内的行驶路径，所述行驶路径，包括：多个所述位点和所述位点的采集时间；从所述历史车辆数据中提取：所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C和第一参照位点A的所述车辆数据，作为基础数据，其中：所述第一参照位点A是任一位点，所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C和所述第一目标位点F1的所述车辆数据，作为对比数据；将所述基础数据，按照所述采集时间从近到远进行排序，获取所述基础数据中前20％的所述车辆数据，作为第一基础组，获取所述基础数据中紧邻所述第一基础组的后30％所述车辆数据作为第二基础组，获取所述基础数据中最后50％所述车辆数据，作为第三基础组；将所述对比数据，按照所述采集时间从近到远进行排序，获取所述对比数据中前20％的所述车辆数据，作为第一对比组，获取所述对比数据中紧邻所述第一对比组的后30％所述车辆数据作为第二对比组，获取所述对比数据中最后50％所述车辆数据，作为第三对比组；采用下列公式计算所述目标车辆通过所述第一目标位点F1的第一概率P1X，和从当前位点C到所述第一目标位点F1所用的第一时间T1X：P1X＝(U11X*5+U12X*3+U13X*2)/(U11*5+U12*3+U13*2)T1X＝(T11X*5+T12X*3+T13X*2)/(T11*5+T12*3+T13*2)其中：U11X是所述第一对比组中所述车辆数据的个数，U12X是所述第二对比组中所述车辆数据的个数，U13X是所述第三对比组中所述车辆数据的个数，U11是所述第一基础组中所述车辆数据的个数，U12是所述第二基础组中所述车辆数据的个数，U13是所述第三基础组中所述车辆数据的个数，T11X是所述第一对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T12X是所述第二对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T13X是所述第三对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T11是所述第一基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时，T12是所述第二基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时，T13是所述第三基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时。可选的，还包括：选取任一所述位点作为第二目标位点F2；从所述历史车辆数据中提取：所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C、所述第一参照位点A和第二参照位点B的所述车辆数据，作为基本数据，其中：所述第二参照位点B是任一位点，所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C、所述第一目标位点F1和所述第二目标位点F2的车辆数据，作为对照数据；将所述基本数据，按照所述采集时间从近到远进行排序，获取所述基本数据中前20％的所述车辆数据，作为第一基本组，获取所述基本数据中紧邻所述第一基本组的后30％所述车辆数据，作为第二基本组，获取所述基本数据中最后50％所述车辆数据，作为第三基本组；将所述对照数据，按照所述采集时间从近到远进行排序，获取所述对照数据中前20％的所述车辆数据，作为第一对照组，获取所述对照数据中紧邻所述第一对照组的后30％所述车辆数据作为第二对照组，获取所述对照数据中最后50％所述车辆数据，作为第三对照组；采用下列公式计算所述目标车辆通过所述第一目标位点F1和所述第二目标位点F2的第二概率P2X，以及从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2所用的第二时间T2X：P2X＝(U21X*5+U22X*3+U23X*2)/(U21*5+U22*3+U23*2)T2X＝(T21X*5+T22X*3+T23X*2)/(T21*5+T22*3+T23*2)其中：U21X是所述第一对照组中所述车辆数据的个数，U22X是所述第二对照组中所述车辆数据的个数，U23X是所述第三对照组中所述车辆数据的个数，U21是所述第一基本组中所述车辆数据的个数，U22是所述第二基本组中所述车辆数据的个数，U23是所述第三基本组中所述车辆数据的个数，T21X是所述第一对照组中各车辆从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2的平均用时，T12X是所述第二对照组中各车辆从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2的平均用时，T23X是所述第三对照组中各车辆从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2的平均用时，T21是所述第一基本组中各车辆从所述当前位点C通过所述第一参照位点A和所述第二参照位点B的平均用时，T12是所述第二基本组中各车辆从所述当前位点C通过所述第一参照位点A和所述第二参照位点B的平均用时，T13是所述第三基本组中各车辆从所述当前位点C通过所述第一参照位点A和所述第二参照位点B的平均用时。可选的，在选取任一位点作为第一目标位点F1之前，还包括：从所述目标车辆的所述行驶路径中获取，与所述第一历史位点O1相邻的上一位点，作为第二历史位点O2；此时，所述基础数据和所述对比数据的所述行驶路径中，都依次包括：所述第二历史位点O2、所述第一历史位点O1和所述当前位点C。可选的，在本文档来自技高网...

【技术保护点】
一种基于大数据进行车辆轨迹预测的方法，其特征在于，包括：确定目标车辆的行驶路径，所述行驶路径包括：所述目标车辆的当前位点C和第一历史位点O1，其中，所述第一历史位点O1为与所述当前位点C相邻的上一个位点；选取任一位点作为第一目标位点F1；获取历史车辆数据，其中，所述历史车辆数据包括预设时间段内多个车辆的车辆数据，所述车辆数据包括一个车辆在所述预设时间段内的行驶路径，所述行驶路径，包括：多个所述位点和所述位点的采集时间；从所述历史车辆数据中提取：所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C和第一参照位点A的所述车辆数据，作为基础数据，其中：所述第一参照位点A是任一位点，所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C和所述第一目标位点F1的所述车辆数据，作为对比数据；将所述基础数据，按照所述采集时间从近到远进行排序，获取所述基础数据中前20％的所述车辆数据，作为第一基础组，获取所述基础数据中紧邻所述第一基础组的后30％所述车辆数据作为第二基础组，获取所述基础数据中最后50％所述车辆数据，作为第三基础组；将所述对比数据，按照所述采集时间从近到远进行排序，获取所述对比数据中前20％的所述车辆数据，作为第一对比组，获取所述对比数据中紧邻所述第一对比组的后30％所述车辆数据作为第二对比组，获取所述对比数据中最后50％所述车辆数据，作为第三对比组；采用下列公式计算所述目标车辆通过所述第一目标位点F1的第一概率P1X，和从当前位点C到所述第一目标位点F1所用的第一时间T1X：P1X＝(U11X*5+U12X*3+U13X*2)/(U11*5+U12*3+U13*2)T1X＝(T11X*5+T12X*3+T13X*2)/(T11*5+T12*3+T13*2)其中：U11X是所述第一对比组中所述车辆数据的个数，U12X是所述第二对比组中所述车辆数据的个数，U13X是所述第三对比组中所述车辆数据的个数，U11是所述第一基础组中所述车辆数据的个数，U12是所述第二基础组中所述车辆数据的个数，U13是所述第三基础组中所述车辆数据的个数，T11X是所述第一对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T12X是所述第二对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T13X是所述第三对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T11是所述第一基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时，T12是所述第二基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时，T13是所述第三基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时。...

【技术特征摘要】
1.一种基于大数据进行车辆轨迹预测的方法，其特征在于，包括：确定目标车辆的行驶路径，所述行驶路径包括：所述目标车辆的当前位点C和第一历史位点O1，其中，所述第一历史位点O1为与所述当前位点C相邻的上一个位点；选取任一位点作为第一目标位点F1；获取历史车辆数据，其中，所述历史车辆数据包括预设时间段内多个车辆的车辆数据，所述车辆数据包括一个车辆在所述预设时间段内的行驶路径，所述行驶路径，包括：多个所述位点和所述位点的采集时间；从所述历史车辆数据中提取：所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C和第一参照位点A的所述车辆数据，作为基础数据，其中：所述第一参照位点A是任一位点，所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C和所述第一目标位点F1的所述车辆数据，作为对比数据；将所述基础数据，按照所述采集时间从近到远进行排序，获取所述基础数据中前20％的所述车辆数据，作为第一基础组，获取所述基础数据中紧邻所述第一基础组的后30％所述车辆数据作为第二基础组，获取所述基础数据中最后50％所述车辆数据，作为第三基础组；将所述对比数据，按照所述采集时间从近到远进行排序，获取所述对比数据中前20％的所述车辆数据，作为第一对比组，获取所述对比数据中紧邻所述第一对比组的后30％所述车辆数据作为第二对比组，获取所述对比数据中最后50％所述车辆数据，作为第三对比组；采用下列公式计算所述目标车辆通过所述第一目标位点F1的第一概率P1X，和从当前位点C到所述第一目标位点F1所用的第一时间T1X：P1X＝(U11X*5+U12X*3+U13X*2)/(U11*5+U12*3+U13*2)T1X＝(T11X*5+T12X*3+T13X*2)/(T11*5+T12*3+T13*2)其中：U11X是所述第一对比组中所述车辆数据的个数，U12X是所述第二对比组中所述车辆数据的个数，U13X是所述第三对比组中所述车辆数据的个数，U11是所述第一基础组中所述车辆数据的个数，U12是所述第二基础组中所述车辆数据的个数，U13是所述第三基础组中所述车辆数据的个数，T11X是所述第一对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T12X是所述第二对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T13X是所述第三对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T11是所述第一基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时，T12是所述第二基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时，T13是所述第三基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时。2.根据权利要求1所述的一种基于大数据进行车辆轨迹预测的方法，其特征在于，还包括：选取任一所述位点作为第二目标位点F2；从所述历史车辆数据中提取：所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C、所述第一参照位点A和第二参照位点B的所述车辆数据，作为基本数据，其中：所述第二参照位点B是任一位点，所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C、所述第一目标位点F1和所述第二目标位点F2的车辆数据，作为对照数据；将所述基本数据，按照所述采集时间从近到远进行排序，获取所述基本数据中前20％的所述车辆数据，作为第一基本组，获取所述基本数据中紧邻所述第一基本组的后30％所述车辆数据，作为第二基本组，获取所述基本数据中最后50％所述车辆数据，作为第三基本组；将所述对照数据，按照所述采集时间从近到远进行排序，获取所述对照数据中前20％的所述车辆数据，作为第一对照组，获取所述对照数据中紧邻所述第一对照组的后30％所述车辆数据作为第二对照...

【专利技术属性】
技术研发人员：吴永，李善宝，马述杰，
申请(专利权)人：泰华智慧产业集团股份有限公司，
类型：发明
国别省市：山东,37