一种异常停留车辆的检测方法技术

本发明专利技术涉及大数据分析技术领域，提供一种异常停留车辆的检测方法，包括：步骤100，获取两个连续卡口原始的卡口数据；所述原始的卡口数据包括卡口ID、车牌号码、车速、进入时间、车辆图像；步骤200，根据两个连续卡口原始的卡口数据，形成过车数据；步骤300，通过聚类算法将过车数据按照过车时间的长短进行聚类，得到按照通行时间长短进行区分的过车数据分组；步骤400，根据步骤300得到的过车数据分组，筛选停留车辆；步骤500，根据步骤400筛选出的停留车辆，确定停留车辆的停留频次，筛选出异常停留车辆。本发明专利技术能够筛选出指定区域、指定时间段内非规律性停留的车辆，筛选出异常停留车辆。筛选出异常停留车辆。筛选出异常停留车辆。

【技术实现步骤摘要】
一种异常停留车辆的检测方法


[0001]本专利技术涉及大数据分析
，尤其涉及一种异常停留车辆的检测方法。

技术介绍

[0002]随着大数据时代的来临，将大数据分析方法应用到公共安全的场景是必然的发展趋势。一些犯罪行为发生之前，往往犯案人员会到案发地点进行踩点，通过筛选出案发地点附近疑似踩点的车辆，可以帮助锁定嫌疑人。
[0003]相比于人工筛选，通过大数据分析的方法可以更加快捷准确的筛选出异常停留的车辆。但是，某些情况下，犯罪前进行踩点的车辆在卡口之间停留的时间不会特别长，仅仅根据停留时间的长短来判断车辆是否停留存在一定的局限性，即无法区分是道路拥堵还是车辆停留造成的通行时间较长。

技术实现思路

[0004]本专利技术主要解决现有技术的无法区分是道路拥堵还是车辆停留造成的车辆停留的技术问题，提出一种异常停留车辆的检测方法，能够筛选出指定区域、指定时间段内非规律性停留的车辆，筛选出异常停留车辆，帮助警方找到疑似作案前踩点的车辆。
[0005]本专利技术提供的一种异常停留车辆的检测方法，包括：
[0006]步骤100，获取两个连续卡口原始的卡口数据；所述原始的卡口数据包括卡口ID、车牌号码、车速、进入时间、车辆图像；
[0007]步骤200，根据两个连续卡口原始的卡口数据，形成过车数据；
[0008]步骤300，通过聚类算法将过车数据按照过车时间的长短进行聚类，得到按照通行时间长短进行区分的过车数据分组；
[0009]步骤400，根据步骤300得到的过车数据分组，筛选停留车辆；
[0010]步骤500，根据步骤400筛选出的停留车辆，确定停留车辆的停留频次，筛选出异常停留车辆。
[0011]进一步的，在步骤500之后，还包括：
[0012]步骤600，将筛选出异常停留车辆的数据存入数据库以供查询。
[0013]进一步的，步骤300，通过K均值聚类算法将过车数据按照过车时间的长短进行聚类。
[0014]进一步的，步骤300包括以下过程：
[0015]步骤301，确定聚类分组数K和最大更新次数N；
[0016]步骤302，在数据范围内随机选取K个起始过车数据分组中心；
[0017]步骤303，遍历所有数据，对于每一条过车数据，计算这条数据通行时间与各过车数据分组中心的差距，将该过车数据放入差距最小的过车数据分组中；
[0018]步骤304，将各过车数据分组的中心更新为该过车数据分组的平均通行时间；
[0019]步骤305，重复302-303，直到各过车数据分组不再变化，计算各过车数据分组通行
时间方差的加权平均和；
[0020]步骤306，将第一次的聚类结果设为起始最优结果，重复步骤301-步骤305，如果新结果的各过车数据分组的通行时间方差的加权平均和小于当前最优结果的通行时间方差的加权平均和，则更新最优结果；如果连续N次聚类都未更新最优结果，则停止聚类，得到最优结果；
[0021]步骤307，将最优结果中的过车数据分组，按照平均通行时间由大到小排序输出。
[0022]进一步的，步骤400包括以下过程：
[0023]根据预设的停留等级制定停留指标组，停留指标组包括[A1、A2、A3、
…
、AM]；
[0024]超过最大的A1分位数的记录将被判定为停留车辆，停留等级为一级；超过最大的A2分位数的记录的停留等级为二级；超过最大的A3分位数的记录的停留等级为三级；
…
；超过最大的AM分位数的记录的停留等级为M级；有多个停留等级时取最大停留等级。
[0025]进一步的，所述过车数据的格式为：[车牌，过车时间，进入时间]。
[0026]本专利技术提供的一种异常停留车辆的检测方法，通过获取两个连续卡口原始的卡口数据，并形成过车数据；通过聚类算法将过车数据按照过车时间的长短进行聚类，得到按照通行时间长短进行区分的过车数据分组；再根据过车数据分组，筛选停留车辆；在根据停留车辆，筛选出异常停留车辆；本专利技术能够基于道路拥堵和车辆停留两种情况的特征差异(停留车辆的通行时间较长且与其他正常通行车辆的通行时间有明显差异；道路拥堵时通行时间长的车辆之间的通行时间相近)，可以较为准确的区分出道路拥堵和车辆停留；能够筛选出指定区域、指定时间段内非规律性停留的车辆，帮助警方找到疑似作案前踩点的车辆；通过聚类方法有效的解决了从道路拥堵和车辆停留两种情况造成的通行时间过长的数据中筛选出停留的车辆的问题。
附图说明
[0027]图1是本专利技术提供的异常停留车辆的检测方法的实现流程图。
具体实施方式
[0028]为使本专利技术解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部内容。
[0029]如图1所示，本专利技术实施例提供的异常停留车辆的检测方法，包括：
[0030]步骤100，获取两个连续卡口原始的卡口数据。
[0031]在交通卡口，普遍是通过高清卡口系统采集卡口数据，并将卡口数据上传到服务器；向服务器中读取一段时间(如一个月内)两个连续卡口的数据，按天分类。两个连续卡口分别为第一卡口和第二卡口。
[0032]其中，原始的卡口数据包括卡口ID、车牌号码、车速、进入时间、车辆图像等数据。原始的卡口数据格式为：[卡口ID，车牌号码，进入时间，
…
][0033]步骤200，根据两个连续卡口原始的卡口数据，形成过车数据。
[0034]过车数据的格式为：[车牌，过车时间，进入时间][0035]其中，过车时间为车辆进入第一卡口到车辆进入第二卡口所经过的时间长度，进入时间为车辆通过第一卡口的时间。将整理后的过车数据按照时段分类。
[0036]步骤300，通过K均值聚类(k-means clustering algorithm，K-means)算法将过车数据按照过车时间的长短进行聚类，得到按照通行时间长短进行区分的过车数据分组。具体过程包括如下步骤301至步骤307：
[0037]步骤301，确定聚类分组数K和最大更新次数N；
[0038]步骤302，在数据范围内随机选取K个起始过车数据分组中心；
[0039]步骤303，遍历所有数据，对于每一条过车数据，计算这条数据通行时间与各过车数据分组中心的差距，将该过车数据放入差距最小的过车数据分组中；
[0040]步骤304，将各过车数据分组的中心更新为该过车数据分组的平均通行时间；
[0041]步骤305，重复302-303，直到各过车数据分组不再变化，计算各过车数据分组通行时间方差的加权平均和；
[0042]步骤306，将第一次的聚类结果设为起始最优结果，重复步骤301-步骤305，如果新结果的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常停留车辆的检测方法，其特征在于，包括：步骤100，获取两个连续卡口原始的卡口数据；所述原始的卡口数据包括卡口ID、车牌号码、车速、进入时间、车辆图像；步骤200，根据两个连续卡口原始的卡口数据，形成过车数据；步骤300，通过聚类算法将过车数据按照过车时间的长短进行聚类，得到按照通行时间长短进行区分的过车数据分组；步骤400，根据步骤300得到的过车数据分组，筛选停留车辆；步骤500，根据步骤400筛选出的停留车辆，确定停留车辆的停留频次，筛选出异常停留车辆。2.根据权利要求1所述的异常停留车辆的检测方法，其特征在于，在步骤500之后，还包括：步骤600，将筛选出异常停留车辆的数据存入数据库以供查询。3.根据权利要求1所述的异常停留车辆的检测方法，其特征在于，步骤300，通过K均值聚类算法将过车数据按照过车时间的长短进行聚类。4.根据权利要求3所述的异常停留车辆的检测方法，其特征在于，步骤300包括以下过程：步骤301，确定聚类分组数K和最大更新次数N；步骤302，在数据范围内随机选取K个起始过车数据分组中心；步骤303，遍历所有数据，对于每一条过车数据，计算这条数据通行时间与各过车数据分组中心的差距，将该过车数据放入差距最小的过车数据分组中；步骤3...

【专利技术属性】
技术研发人员：张积存，宋雪萍，费继友，冯佳伟，
申请(专利权)人：大连交通大学，
类型：发明
国别省市：