【技术实现步骤摘要】
本专利技术涉及智能交通，尤其是涉及一种基于车牌识别的城市车辆通勤特征识别方法及系统。
技术介绍
1、通勤交通是城市高峰期交通组成中较为稳定且占比较高的出行类型，常见的通勤方式有公共交通、私人小汽车、出租车、非机动车等。在城镇化的进程下，城市职住分离情况明显，大型城市的通勤距离增大，加之人们经济水平的不断提升与机动车保有量的逐步增长，私家车通勤逐渐成为通勤交通中不可忽视的出行方式，同时也对高峰期交通状况产生较为严重的影响。车辆通勤特征在一定程度上反映了早晚高峰时段内车辆频繁经过的路径，这些路径的流量相对较大，承担着较大的交通压力，对交通管控的需求更大。在现有的情况下主要根据指挥人员的经验判断哪些路径较为繁忙或者通过实时的视频监控来观察出现拥堵情况的路段，存在管控的滞后性和粗放性，因此需要对通勤车辆的路径挖掘，能够有效发现高峰期城市交通拥堵的形成机理及通勤交通的供需特点，为制定通勤车辆引导措施、高峰期交通管控策略等提供重要参考。
2、在中国专利文献上公开的“一种基于车牌识别数据的通勤模式车辆识别方法”，其公开号为cn111523562b，公开日期为2021-06-08，利用车牌识别数据，设计并识别了9个反应通勤出行行为的指标，然后从整个样本中进行随机抽样，使用因子分析将9个指标综合成m个因子。基于这m个因子使用迭代自组织数据分析算法(isodata)进行通勤模式车辆的识别。最后使用决策树模型进行通勤规则的识别，并对整个样本中的通勤模式车辆进行识别。该技术可以准确识别具有通勤模式的车辆，但也仅仅只是对通勤车辆的识别方法，并
技术实现思路
1、本专利技术是为了克服现有技术中缺少对于大量通勤车辆在城市内的车辆通勤特征进行分析的问题，提供了一种基于车牌识别的城市车辆通勤特征识别方法及系统，由路口电警设备获取车牌识别数据形成车辆的出行链，并考虑不同车辆的出行链之间在空间轨迹和时间上的相似性，识别出车辆出行轨迹在时空范围内的聚集情况，从而根据通勤频繁路径以及车辆通勤特征为城市交通管理提供理论和参考依据。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、一种基于车牌识别的城市车辆通勤特征识别方法，包括：
4、获取包含时间和空间维度信息的车牌识别数据生成各个车辆的出行链；
5、基于出行链的轨迹序列和被检测时间序列分别生成轨迹相似度矩阵和被检测时间相似度矩阵，并进行融合得到时空相似性矩阵；
6、对时空相似性矩阵的数据样本进行密度聚类得到时空相似车辆聚类簇，基于聚类结果得到车辆通勤特征。
7、本专利技术中车辆通勤特征在一定程度上反映了某一时段内车辆频繁经过的路径，这些路径的流量相对较大，承担着较大的交通压力，对交通管控的需求更大；通过对城市内车辆通勤特征的分析，可以了解居民的出行规律并进行分析，还可以根据通勤时频繁经过的路径及其起点和终点的分布情况，为城市交通管理尤其是城市交通高峰期的管控提供理论和参考依据；本专利技术将车辆出行链在空间上的相似度和时间上的相似度进行计算并融合，再以密度聚类算法将数据样本进行聚类得到不同的时空相似车辆聚类簇，每一簇则代表一种车辆通勤特征的车辆轨迹聚合，以此来进行分析。
8、作为优选，所述出行链的获取过程包括：
9、路口电警设备获取车辆的车牌识别数据，得到车辆经过各个路口的位置和时间，按照时间先后顺序对车辆经过的路口排序；
10、以路口排序对应的位置顺序作为轨迹序列，以路口排序对应的时间顺序作为被检测时间序列，得到车辆的出行链。
11、本专利技术中通过获取每个路口电警设备的车牌识别数据，即可以知道某辆车在哪个时间点通过了哪个路口，然后同一车牌数据经过不同路口位置的时间先后关系，可以知道车辆经过的路口排序从而得到车辆的行驶路径，即车辆的出行链；其包含有空间维度信息(轨迹序列)和时间维度信息(被检测时间序列)。
12、作为优选，筛选出n个车辆对应的出行链，对任意两个出行链的组合进行轨迹相似度计算和被检测时间相似度计算，遍历所有的出行链组合生成轨迹相似度矩阵和被检测时间相似度矩阵；
13、对轨迹相似度矩阵和被检测时间相似度矩阵进行矩阵预处理和矩阵标准化处理后，融合得到时空相似性矩阵。
14、本专利技术中对于车辆对应的出行链的筛选可以以一天中某一具体的时间段作为筛选条件，如以早高峰时间段的早上七点到九点这一时间段内的车辆或者其他条件筛选出n个车辆对应的出行链，从而对特定时间段的车辆通勤特征进行识别分析同时还能避免全样本分析时数据量过大的问题；相似度矩阵可以为一个n*n的矩阵，每一个元素对应某两条出行链的相似度；此外为了同时考虑车辆时间和空间两个层面的相似性关系，进行融合得到时空相似性矩阵进行后续的分析处理。
15、作为优选，所述轨迹相似度计算的过程包括：
16、选择两个出行链的轨迹序列q＝{q1,q2,…,qi,…,qn}和c＝{c1,c2,…,cj,…,cm}，qi和cj表示各自出行链上路口的纬度值或经度值；计算q和c中每个分量相互之间的距离d(qi,cj)；
17、根据累计距离公式计算q和c之间的最小累计距离作为相似性结果；
18、分别计算两条出行链的经度相似度和纬度相似度，求平均得到轨迹相似度。
19、本专利技术中对于两个不同序列的相似度的比较结果，是把输入的序列通过延伸和缩短实现序列扭曲，使两个序列在得以对齐，再用满足一定条件的规整函数描述测试模板和参考模板之间的对应关系，考虑了序列对齐的所有可能性，并选择了一条最优的路径求解两序列匹配时最小的累计距离作为相似度结果；在轨迹相似度的计算式，分别计算纬度值序列的相似度和经度值序列的相似度，然后对两者求平均得到最终的轨迹相似度，对于两个分量之间的距离可以使欧氏距离或者曼哈顿距离等。
20、作为优选，所述被检测时间相似度计算的过程包括：
21、选择两个出行链的被检测时间序列t＝{t1,t2,…,ti,…,tn}和p＝{p1,p2,…,pj,…,pm}，ti和pj表示经过路口的时间；计算t和p中每个分量相互之间的距离d(ti,pj)；
22、根据累计距离公式计算t和p之间的最小累计距离作为被检测时间相似度。
23、本专利技术中对于被检测时间相似度的计算方法与轨迹相似度的计算方法相同，计算两条出行链经过各个路口的被检测时间序列的相似度，时间数值用时间戳来表示，能包含日期时间信息，时间戳表示了从某个起始时间点(通常是一个固定的基准时间，如1970年1月1日00:00:00utc)到指定时刻之间的时间间隔。
24、作为优选，所述轨迹相似度计算的过程还包括：
25、选择两个出行链的轨迹序列q＝{q1,q2,…,qi,…,qn}和c＝{c1,c2,…,cj,…,cm}，qi和cj表示路口本文档来自技高网...
【技术保护点】
1.一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，所述出行链的获取过程包括：
3.根据权利要求1或2所述的一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，筛选出N个车辆对应的出行链，对任意两个出行链的组合进行轨迹相似度计算和被检测时间相似度计算，遍历所有的出行链组合生成轨迹相似度矩阵和被检测时间相似度矩阵；
4.根据权利要求3所述的一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，所述轨迹相似度计算的过程包括：
5.根据权利要求3所述的一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，所述被检测时间相似度计算的过程包括：
6.根据权利要求3所述的一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，所述轨迹相似度计算的过程还包括：
7.根据权利要求4或5或6所述的一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，所述进行矩阵预处理的过程包括：
8.根据权利要求1或2或4或5
9.根据权利要求8所述的一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，对所述时空相似性矩阵进行降维处理：
10.一种基于车牌识别的城市车辆通勤特征识别系统，适用于如权利要求1-9任一项所述的城市车辆通勤特征识别方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，所述出行链的获取过程包括：
3.根据权利要求1或2所述的一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，筛选出n个车辆对应的出行链，对任意两个出行链的组合进行轨迹相似度计算和被检测时间相似度计算，遍历所有的出行链组合生成轨迹相似度矩阵和被检测时间相似度矩阵；
4.根据权利要求3所述的一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，所述轨迹相似度计算的过程包括：
5.根据权利要求3所述的一种基于车牌识别的城市车辆通勤特征识别方法，其特征在于，所述被检测时间相似度计算的过程包括：...
【专利技术属性】
技术研发人员：周俊杰，卢一笑，胡跃中，苟竹梅，
申请(专利权)人：浙江中控信息产业股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。