识别车辆的营运行为的方法、装置及计算设备制造方法及图纸

本申请提供一种识别车辆的营运行为的方法，涉及人工智能技术领域。该方法中：识别装置可以获取目标时间内多个监控设备记录的过车数据，根据过车数据确定目标车辆的轨迹信息，目标车辆的轨迹信息记录了目标车辆经过的多个分区，分区为地理区域中的一部分。确定目标车辆经过的多个分区中的每个分区的POI信息，POI信息记录了目标车辆经过的多个分区中的每个分区的POI的分布情况，根据目标车辆的轨迹信息和POI信息，获得目标车辆的行车轨迹特征，最后根据目标车辆的行车轨迹特征和分类模型，确定目标车辆为具有营运行为的车辆。本申请不需要耗费太多人力的情况下能够准确地识别具有营运行为的车辆。有营运行为的车辆。有营运行为的车辆。

【技术实现步骤摘要】
识别车辆的营运行为的方法、装置及计算设备


[0001]本申请涉及人工智能(artificial intelligence，AI)
，特别涉及一种识别车辆的营运行为的方法、装置及计算设备。

技术介绍

[0002]在交通运输中，为了维护道路运输市场秩序，消除交通安全隐患，会禁止非法营运车辆进行营运。在确定非法营运车辆时，首先需要在道路上行驶的大量车辆中，确定出具有营运行为的车辆，然后在这些车辆中确定非法营运车辆，所以如何确定具有营运行为的车辆就尤为重要。
[0003]相关技术中，为了确定具有营运行为的车辆，一般是交通执法人员在路口突击检查经过的车辆，确定经过的车辆是否具有营运行为。
[0004]由于路口的数量巨大，若每个路口都设置交通执法人员，会花费大量的人力，若仅在某些路口设置交通执法人员，具有非法营运行为的车辆可以避开检查的路口行驶，导致检查效果不佳。而且在交通执法人员的检查过程中，有可能某些非法营运的车辆仅是当前不具有营运行为，也会导致检查效果不佳。

技术实现思路

[0005]本申请提供了一种识别车辆的营运行为的方法、装置及计算设备，用以高效的确定具有营运行为的车辆。
[0006]第一方面，本申请提供了一种识别车辆的营运行为的方法，该方法可以应用于一个地理区域，地理区域中分布有多个监控设备和多个兴趣点(Point of Interest，POI)。该方法可以由识别车辆的营运行为的装置(后续简称为识别装置)执行。具体的，识别装置可以获取目标时间内地理区域中的多个监控设备记录的过车数据，过车数据包括经过的车辆的信息，如车辆的车牌号码、车辆经过监控设备的时间点。然后识别装置在该多个监控设备记录的过车数据中，确定目标车辆的轨迹信息。该轨迹信息记录了目标车辆经过的多个分区，每个分区为地理区域的一部分，每个分区中包括一个或多个监控设备。然后识别装置可以确定目标车辆经过的多个分区中每个分区的POI信息，POI信息用于记录车辆经过的每个分区的POI的分布情况。识别装置可以根据车辆的轨迹信息和POI信息，得到目标车辆的行车轨迹特征。然后识别装置使用目标车辆的行车轨迹特征和分类模型，确定目标车辆为具有营运行为的车辆。
[0007]这样，识别装置可以使用一段时间内监控设备的过车数据，确定目标车辆的轨迹信息，然后基于轨迹信息中记录的目标车辆经过的多个分区的POI信息，确定出目标车辆的行车轨迹特征，基于目标车辆的行车轨迹特征，准确的确定出目标车辆为具有营运行为的车辆。而且在不需要花费太多人力的基础上，能够高效的确定具有营运行为的车辆。
[0008]一种可能的实现方式中，识别装置可以使用Voronoi图划分地理区域，具体可以是使用分治法、扫描线算法和Delaunay三角剖分算法中任一种，对地理区域进行划分，得到多
个分区，每个分区包括一个或多个监控设备。
[0009]一种可能的实现方式中，识别装置可以在多个监控设备记录的过车数据中，确定出目标车辆经过的多个目标监控设备(目标监控设备为地理区域中的任一监控设备)、以及目标车辆经过多个目标监控设备的时间点。然后识别装置将目标车辆经过多个目标监控设备的时间点按照时间从前到后的顺序进行排序，依次将时间点与目标监控设备的标识进行对应，得到时间点与监控设备的标识的对应关系。识别装置可以将该对应关系，确定为目标时间内目标车辆的轨迹信息。
[0010]这样，可以准确的确定出目标车辆在目标时间内的轨迹信息。
[0011]一种可能的实现方式中，识别装置还可以确定地理区域中的多个分区中的POI的分布情况。具体可以是：识别装置可以获取地理区域内所有的POI，然后使用K均值聚类算法、层次聚类算法、基于密度的聚类算法、高斯混合模型聚类算法或者均值漂移聚类算法中的任意一种，对地理区域中的所有POI进行聚类处理，建立起POI类型与POI的对应关系。然后在地理区域的每个分区中使用该对应关系，确定该分区中每个POI对应的POI类型。识别装置可以确定该分区中各种POI类型的POI的数目，将各种POI类型的POI的数目，确定为该分区的POI信息。
[0012]这样，提供了一种确定分区中POI的分布情况。
[0013]一种可能的实现方式中，识别装置可以基于目标车辆的轨迹信息和目标车辆经过的多个分区的POI信息，确定出行车轨迹特征。具体处理可以是：目标车辆的轨迹信息中包括时间点与监控设备的标识的对应关系。识别装置可以在地理区域中的多个分区的POI的分布情况中，确定目标车辆经过的多个分区的POI的分布情况。分区中包括至少一个(即一个或多个)监控设备，在分区中包括一个监控设备时，可以使用一个监控设备的标识来标识一个分区，在分区中包括多个监控设备时，可以使用多个监控设备的标识来标识一个分区，或者可以使用其中一个监控设备的标识来标识分区。这样，由于分区中包括监控设备，那么分区可以对应其包括的监控设备的标识，所以可以确定出监控设备的标识对应的分区的POI信息。
[0014]然后识别装置可以在目标车辆的轨迹信息中，依次获取时间点，确定时间点对应的监控标识，再确定监控设备的标识对应的POI信息。这样，可以建立起时间点与POI信息的对应关系，将该对应关系，确定为目标时间内目标车辆对应的行车轨迹特征，且在该对应关系中，时间点是按照时间先后顺序进行排列的。
[0015]这样，由于行车轨迹特征中添加了经过的分区的POI信息，所以更能反映车辆经常去的地点。
[0016]一种可能的实现方式中，在识别目标车辆的营运行为时，还可以使用目标车辆的出行特征，目标车辆的出行特征可以包括以下信息中的一种或多种：目标车辆在一段时间内的出行次数特征、目标车辆在一段时间内的出行频率特征、目标车辆的类型特征、目标车辆出行的天气特征、目标车辆出行的时间段特征。具体可以是：识别装置使用多个监控设备的过车数据，确定出目标车辆的出行特征。然后识别装置将目标车辆的行车轨迹特征和目标车辆的出行特征输入至分类模型，得到分类模型的输出结果。分类模型的输出结果可以是具有营运行为和不具有营运行为的概率。在具有营运行为的概率大于或等于不具有营运行为的概率时，可以确定目标车辆具有营运行为。在具有营运行为的概率小于不具有营运
行为的概率时，可以确定目标车辆不具有营运行为。
[0017]这样，由于同时考虑车辆的出行特征和行车轨迹特征，所以可以使确定出的结果更准确。
[0018]一种可能的实现方式中，分类模型可以包括第一输入子模型、第二输入子模型和全连接子模型。第一输入子模型可以为长短时记忆(long short term memory，LSTM)网络、双向递归神经网络(Bidirectional Recurrent Neural Networks，BRNN)、记忆网络(Memory Networks)中的任意一种，第二输入子模型可以是嵌入处理层。
[0019]具体在进行识别时，识别装置可以将目标车辆的行车轨迹特征输入至第一输入子模型，输出第一输出结果，同时可以将目标车辆的出行特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种识别车辆的营运行为的方法，其特征在于，所述方法应用于一个地理区域，所述地理区域内分布有多个监控设备和多个兴趣点POI，所述方法包括：获取目标时间内的所述多个监控设备记录的过车数据，根据所述过车数据确定目标车辆的轨迹信息，所述目标车辆的轨迹信息记录了所述目标车辆经过的多个分区，一个分区为所述地理区域中的一部分；确定所述目标车辆经过的所述多个分区中的每个分区的POI信息，所述POI信息记录了所述目标车辆经过的所述每个分区的POI的分布情况；根据所述目标车辆的轨迹信息和所述POI信息，获得所述目标车辆的行车轨迹特征；根据所述目标车辆的行车轨迹特征和分类模型，确定所述目标车辆为具有营运行为的车辆。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述过车数据，确定所述目标车辆的出行特征；所述根据所述目标车辆的行车轨迹特征和分类模型，确定所述目标车辆为具有营运行为的车辆，具体包括：输入所述目标车辆的行车轨迹特征和所述目标车辆的出行特征至所述分类模型，根据所述分类模型的输出结果，确定所述目标车辆为具有营运行为的车辆。3.根据权利要求2所述的方法，其特征在于，所述分类模型包括第一输入子模型、第二输入子模型和全连接子模型；所述输入所述目标车辆的行车轨迹特征和所述目标车辆的出行特征至所述分类模型，根据所述分类模型的输出结果确定所述目标车辆为具有营运行为的车辆，具体包括：输入所述目标车辆的行车轨迹特征至所述第一输入子模型，输出第一输出结果；输入所述目标车辆的出行特征至所述第二输入子模型，输出第二输出结果；将所述第一输出结果和所述第二输出结果进行拼接，得到拼接后的特征；将所述拼接后的特征输入至所述全连接子模型，根据所述全连接子模型的输出结果，确定所述目标车辆为具有营运行为的车辆。4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述过车数据确定目标车辆的轨迹信息，具体包括：根据所述过车数据，确定所述目标车辆经过的多个目标监控设备的标识和所述目标车辆经过所述多个目标监控设备的时间点；根据所述目标车辆经过的所述多个目标监控设备的标识和所述目标车辆经过所述多个目标监控设备的时间点，确定所述目标车辆的轨迹信息。5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：获取所述地理区域内的车辆营运资质信息，根据所述车辆营运资质信息确定所述目标车辆为非法营运车辆。6.根据权利要求1-5任一项所述的方法，其特征在于，所述地理区域中的每个分区中包括至少一个监控设备，所述确定所述目标车辆经过的所述多个分区中的每个分区的POI信息之前，所述方法还包括：对所述地理区域内的所有POI进行聚类，获得多个POI类型；统计所述地理区域中的多个分区中的POI的分布情况。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述根据所述目标车辆的轨迹信息和所述POI信息，获得所述目标车辆的行车轨迹特征，具体包括：根据所述目标车辆的轨迹信息中的监控设备的标识和所述POI信息中的监控设备的标识，将相同监控设备的标识对应的所述轨迹信息中的时间点与所述POI信息中POI的分布情况相关联，得到所述目标车辆的轨迹信息中的每个时间点对应的POI的分布情况；将所述每个时间点对应的POI的分布情况，按照时间的先后顺序进行排列，获得所述目标车辆的行车轨迹特征。8.根据权利要求1-7任一项所述的方法，其特征在于，所述分类模型采用深度学习模型，在输入所述目标车辆的行车轨迹特征至所述分类模型之前，所述方法还包括：确定初始分类模型；根据已知的具有营运行为的车辆和不具有营运行为的车辆的行车轨迹特征对所述初始分类模型进行训练，获得所述分类模型。9.根据权利要求1-8任一项所述的方法，其特征在于，所述方法还包括：根据所述地理区域的地图拓扑数据和所述多个监控设备的地理位置信息，对所述地理区域进行划分，获得所述地理区域的多个分区，每个分区中包括至少一个监控设备。10.根据权利要求2或3所述的方法，其特征在于，所述目标车辆的出行特征中包含的信息包括以下信息中的一种或多种：所述目标车辆在一段时间内的出行次数特征、所述目标车辆在一段时间内的出行频率特征、所述目标车辆的类型特征、所述目标车辆出行的天气特征、所述目标车辆出行的时间段特征。11.一种识别车辆的营运行为的装置，其特征在于，所...

【专利技术属性】
技术研发人员：朱林，郭红贞，汪亮，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：