类自动车牌识别轨迹数据的伴随车辆组挖掘

自动车牌识别(ANPR)数据比私人全球定位系统(GPS)数据更易获得,且包含更有用的信息,但是相对成熟的针对GPS轨迹数据挖掘伴随车辆组方法并不适用于自动车牌识别数据,现有的少量自动车牌识别数据伴随车辆组挖掘算法存在重视轨迹相似而忽视时间因素的缺陷,因此提出一种基于轨迹特征的聚类方法挖掘伴随车辆组。针对自动车牌识别数据中采样点固定而采样时间不定的特点,通过轨迹中共现的次数判定两个对象构成伴随模式。该共现定义引入豪斯多夫距离,综合考虑轨迹的地点、方向和时间特征,旨在挖掘数据中采样点不同但采样点距离近且轨迹相似的伴随车辆组,以此提高伴随车辆组挖掘效率。实验结果表明,所提方法较现有方法更能有效挖掘伴随车辆组,识别非伴随模式数据,效率提升了近两倍。

基于车牌识别数据的行驶轨迹重构和排放测算

随着特大城市的发展,柴油车等高排放车辆成为城市的主要移动污染源之一,对大气环境质量控制造成越来越大的压力.基于道路交通车辆的车牌自动识别数据集,从识别断面的车辆通过时空数据推算车辆的行驶轨迹,获取城市级别高排放车辆的热点行驶路径、出行特征及活动规律,为制定车辆减排政策(如高排放车辆的管控及低排放区划定等)提供定量方法和科学依据.提出基于地图应用程序开发接口(application programming interfaces,API)导航的车辆行驶轨迹重构方法,较为真实地还原车辆行驶路径,并结合移动源排放测算(motor vehicle emission simulator,MOVES)模型对行驶车辆的多种污染物排放进行估算.以中国深圳市运行的柴油车为研究对象,分析验证该方法的可行性及可靠性.结果表明,该方法可完整重构柴油车在深圳市的运行轨迹,并实现对排放的估算,为机动车污染物减排提供辅助决策支持.

基于车牌识别数据的机动车出行轨迹提取算法

为了提取城市路网上所有运行车辆的出行轨迹,系统科学地再现所有车辆的运行场景,进而为分析城市交通需求的结构和时空分布特性提供数据支撑,提出基于车牌识别数据的机动车出行轨迹提取算法.通过车牌及时间戳排序提取出行链;利用相邻节点间的速度,结合交叉口邻接矩阵完成行链的分离;基于K则最短路径算法(KSP算法)及灰色关联法(GRA算法),对出行轨迹进行补全重构.对贵阳市南明区的实际车牌识别数据进行算法测试.结果表明,提出的基于车牌识别数据的机动车出行轨迹提取算法在测试区域的综合准确率大于92%.

基于农机空间运行轨迹的作业状态自动识别试验

以物联网为代表的现代信息技术在农机作业管理领域的发展应用,实现了农机作业过程的定位监控,但现有农机远程监管系统对海量农机空间位置数据仅实现了远程存储、显示和简单分析,难以满足农机精准管理和数据智能处理的要求。该文采用数据挖掘中的聚类和空间数据分析方法,结合农机空间运行轨迹的特点,研究了基于空间运行轨迹点的农机作业状态自动识别算法;设计实现了典型农机运行状态自动识别方法,定量分析了农机作业班次内田间作业时间、空行转移时间、停歇时间的量化构成。农机试验表明:发展的基于空间索引和网格密度的聚类算法精度达89%以上。农机作业状态自动识别为农机作业生产率、农机利用率和作业成本核算提供了定量依据。

利用轨迹大数据进行城市道路交叉口识别及结构提取

交叉口是城市交通路网生成、更新的重要组成部分。本文基于车辆时空轨迹大数据,提出了一种城市交叉口自动识别方法。该方法首先通过轨迹跟踪识别轨迹数据中包含的车辆转向点对;然后基于距离和角度的生长聚类方法进行转向点对的空间聚类,并采用基于局部点连通性的聚类方法识别交叉口;最后利用交叉口范围圆和转向点对提取城市各级别路网下的交叉口结构。以武汉市出租车轨迹大数据为例,对武汉市城区内189个交叉口进行了探测。试验结果表明,本文所提方法可以准确地从轨迹大数据中识别出城市交叉口及其结构。

基于车牌自动识别系统的城市道路行程时间预测算法

基于车牌自动识别系统采集的实时行程时间数据,提出了一种实用的行程时间预测算法。面对城市道路交通流较为复杂的现状,通过界定预测状态,选择了可靠的预测策略,针对采样量足够、采样量不足、部分采集设备故障3种情况,提出了应对算法方案。结合实际调查的数据进行了实例分析,结果表明,该算法具有良好的预测效果。

复杂环境下的窄口段水域AIS轨迹重塑方法研究

针对窄口段航道船舶自动识别系统(AIS)轨迹信息易出错和缺失的问题,对宁波舟山港条帚门水域及其船舶基本情况进行统计分析,并提出AIS船舶轨迹修复方法。对异常数据归一化处理构建预输入模型,提出一种基于DS(Dempster-Shafer)证据融合理论的双向长短期记忆的多层前馈网络修复方法,将此方法与BP(Back Propagation)、长短期记忆网络(LSTM)方法进行试验论证比较。结果表明:所提方法在轨迹修复4个维度上均优于其他方法,且连续丢失点在20个以内,机器学习平均损失率为0.048 3%,均低于其他方法。修复后的船舶轨迹信息更加完整也更符合船舶运动规律。

基于Multi-DOTS算法的船舶轨迹数据压缩研究

为在船舶轨迹数据的压缩过程中保留船舶运动特性,提出一种基于有向无环图的在线轨迹数据多步压缩(Multi-step Directed Acyclic Graph Based Online Trajectory Simplification, Multi-DOTS)算法。Multi-DOTS算法先对输入的船舶轨迹进行检测并划分,然后采用基于有向无环图的在线轨迹数据压缩(Directed Acyclic Graph Based Online Trajectory Simplification, DOTS)算法初步确定最优的局部子轨迹压缩路径,再以对应子轨迹类型的滑动统计窗口检测并保留有关键运动信息的船舶轨迹点,最终综合各局部压缩子轨迹得到全局压缩轨迹。以厦门港及附近水域船舶轨迹数据验证了算法的有效性,检验结果表明:当压缩率小于80%时,Multi-DOTS算法的动态误差约为道格拉斯-普克(Douglas-Peucker, DP)算法和DOTS算法的65.17%;在相同参数条件下对不同类型船舶的轨迹数据有稳定的压缩率。可见Multi-DOTS算法避免了参数的频繁切换,压缩后的船舶轨迹数据能更好地反映船舶运动特性,能满足船舶交通流特性分析及船舶行为模式识别等应用研究的需要。

基于车牌识别流数据的伴随车辆发现算法

针对伴随车辆发现及其实时性问题,基于随时间变化的车牌识别流数据,提出一种采用并行频繁项集发现(PFID)技术的伴随车辆组实时发现算法。该算法根据频繁项挖掘Eclat算法的思想,并利用分布式流数据处理框架Spark Streaming生成最大伴随车辆组。实验结果表明,与排列组合算法及FP-Growth算法相比,PFID算法消耗内存更少,响应时间更短,在秒级响应时间内能找到伴随车辆组,达到及时预警目的。

基于BO-GRU和AKDE的船舶异常行为识别

船舶异常行为识别是海事安全科学理论研究的重要组成部分,对异常行为的识别是海事监管的主要内容,对于船舶安全以及海上交通安全具有重要意义。针对船舶异常行为的识别,提出一种基于贝叶斯优化器(BO)改进的门控循环单元(GRU)BO-GRU和自适应核密度估计(AKDE)的船舶异常行为识别方法。利用BO-GRU对船舶经纬度、航向和速度进行点预测,并对基于该神经网络所得到的预测值跟实际值进行比较得到误差数据集,利用AKDE对误差数据集进行非参数估计,以得到不同置信度下的船舶轨迹特征数据波动区间。试验基于天津港船舶自动识别系统(AIS)数据,通过与基础GRU、长短期记忆网络(LSTM)和双向长短期记忆网络(Bi-LSTM)相比较,验证BO-GRU预测精度更高;AKDE相比于其他方法估计能更好地拟合,并及时发现船舶异常行为。

基于船舶运动行为与时序图神经网络的轨迹预测研究

随着我国“海洋强国”战略的提出,航运业飞速发展;海上交通量迅猛增长,碰撞事故频发,同时积累了丰富的船舶航行数据,亟需在此数据基础上,对船舶的航行位置进行长时序的预测,加强对海域的整体交通状况的认知,降低船舶碰撞事故率;为此在实验中首先对AIS数据进行预处理,剔除其中的易于去除的异常点,提出基于船舶航行特征的动态轨迹去纠缠方法去除纠缠点;其次,依据船舶航行特征提出顾及行为语义约束的时空轨迹密度自适应聚类方法对船舶运动模式进行挖掘,得到船舶典型运动行为模式;最后,针对船舶轨迹以及船舶运动模式,提出一种基于运动模式的时序图神经网络轨迹预测模型,对轨迹进行长时序预测,选取粤港澳大湾区作为实验海域,经对比实验验证,该模型在长时序预测上效果优于传统模型。

广州开装车牌自动识别系统

最近，广州市黄埔区公安系统在广深公路与新塘交界的南新收费站安装了卡口机车牌自动识别系统。通过这套系统，对于纳入“黑名单”的车辆，只需将其车牌号码输入到“黑名单”数据库中，车牌自动识别系统将识读所有通过南新收费站车辆的车牌号码并与数据库中的“黑名单”进行比对，

高速公路车牌自动识别仪的故障维修

本文从高速公路车牌自动识别仪的重要性出发,依据车牌自动识别仪工作流程,为其故障维修方法提供了比较详细的技术参考。引言高速公路车牌自动识别仪是采用先进的光电、计算机、图像处理、模式识别、远程数据访问等技术,实现车牌图像抓拍、识别车牌号码的机电设备。

车牌视频检测自动识别技术在交警执法中的应用

设计指导思想 为进一步加强机动车管理,促进机动车管理工作向规范化、法制化、科学化方向发展,我们充分利用高科技手段查处违规肇事车辆,开发设计了"移动电子警察".

基于AIS数据的水域航路网络提取方法

随着航运业的蓬勃发展,港口间交通愈发拥挤,不仅为船舶的航行安全带来挑战,也为港航部门监管带来巨大压力。为了助力港航部门掌握船舶交通网络演化趋势,提升船舶交通精细化管理水平,基于船舶自动识别系统数据提出一种水域航路网络提取方法。通过该方法挖掘水域中的船舶航行特征,识别特征节点并进行轨迹划分;利用频繁轨迹模式识别构造水域航路网络拓扑,并采用垂线分治法确定航路范围。基于宁波-舟山港的数据开展实证研究,结果表明:所提取的航路网络结果与水域航路分布现状高度吻合,能帮助港航部门及时发现已形成的习惯航路,还能用来进行航路规划,充分验证了方法的准确性、有效性和实用性。

基于AIS数据的船舶轨迹修复方法研究

针对当前海上AIS数据量持续增加并且存在较多异常点,导致基于AIS数据的船舶轨迹构建困难,提出一种基于单船自身AIS数据进行轨迹异常点识别与修复方法。此方法充分利用AIS数据中的经纬度、速度、加速度以及航向等参数,进行轨迹异常点判定与修复,与基于单一位置数据的异常点判定与修复方法相比,能有效减少异常点的漏判,提高AIS数据的可靠性;与基于航迹聚类的异常点判定方法相比,不需要历史航迹数据支撑,拓展了使用范围。而采用三次样条方法对轨迹间的断点进行插值处理,进一步提升了轨迹数据的连续性和完整性。实际海域船舶AIS数据处理与分析结果验证表明,所提出方法具有较高可行性和有效性。

基于大规模船舶轨迹数据的航道边界提取方法

传统的道路数据获取方法成本高、更新慢等无法适用于海洋航道的获取,从众源轨迹数据中提取道路或航道信息具有成本低、更新快等特性,然而,由于船舶轨迹数据噪声多、数据量大、不同区域分布不均使得航道边界提取面临较大挑战。针对该问题,提出一种基于大规模船舶轨迹数据进行航道边界提取的方法。首先对大规模的船舶轨迹数据进行并行化去噪、插值、轨迹分段;然后,基于并行化及基于Geohash编码的空间聚类,将轨迹数据化简为多个方形区域的点集数据;其次,对其进行窗口划分,对传统的Ni Black方法进行扩展,提出Spatial Ni Black算法,对方形区域进行航道识别;最后,提出一种新的提取算法del-alpha-shape,基于航道识别结果获得航道边界。理论分析与实验结果表明,所提方法在最大密度值是200,最小密度值是10,窗口长和宽分别为5和5时,可同时达到86. 7%的准确率和79. 4%的召回率。实验结果表明,该方法可以从大规模的轨迹数据中提取有价值的航道边界,是一种有效的航道提取方法。

多特征点驱动的船舶轨迹聚类方法

轨迹聚类在船舶行为分析与海事监管等领域发挥着重要作用。船舶轨迹存在长度与采样率不一致、结构差异明显等特点,在大范围水域难以实现大量船舶轨迹的高精度与快速聚类。针对该问题,在利用船舶自动识别系统获取海量船舶历史航行数据的基础上,提取与船舶航行行为、船舶交通密度相关的位置特征点,进而提出了多特征点驱动的船舶轨迹聚类方法。针对船舶航行时在大多数情形下具有保向、保速的特点,采用数据压缩的方法捕获船舶航行状态以及船舶航向发生显著变化的轨迹点,作为船舶轨迹结构特征点;针对目标水域中某些特定区域常存在船舶交叉会遇的情形,利用概率密度估计法分析船舶交通流的空间分布特点,并提取船舶会遇局面下的轨迹点,作为船舶交通流特征点;为剔除2类特征点中的异常值,采用密度聚类算法对特征点进行聚类,进一步提高特征点提取的可靠性,并将聚类结果中每类特征点的中心作为代表性特征点;统计途经代表性特征点的船舶轨迹分布情况,将具有相似分布的船舶轨迹视为同一类。实验结果表明:相比于常用的K-medoids聚类、层次聚类、谱聚类和DBSCAN等方法,提出的轨迹聚类方法在成山头水域、长江口南槽水域及舟山水域等典型区域均可获得优异的聚类结果;在上述典型水域,平均轮廓系数分别提升约53%,71%,63%和41%,戴维森堡丁指数分别降低约57%,67%,63%和45%;同时,此方法可平均降低约56%的聚类时间,显著提升了船舶轨迹数据聚类分析的效率。

基于改进滑动窗口的渔船轨迹在线压缩算法

为解决传统在线压缩算法在渔船轨迹点密集处易丢失轨迹,难以保留方向变化较大的特征点的问题,提出一种基于改进滑动窗口的渔船轨迹在线压缩算法。该算法将船舶领域的思想与经典滑动窗口算法相结合,在滑动窗口中加入一个可变的椭圆形船舶领域作为判断压缩轨迹点的依据。实验结果表明,该算法能够在不影响算法运行时间的同时更好地保留渔船轨迹的局部特征,并且在不同阈值下的压缩率比经典滑动窗口算法的平均提高了约5%,压缩效果更优。

智能车牌识别系统

本系统是集车辆视频检测、动态模糊消除、车牌自动识别和车辆管理数据库自动检索等先进技术于一体的检测系统。同时，采用先进的电脑控制云台镜头智能调节功能，具有速度快、清晰度高、使用方便的特点。在不影响交通秩序的情况下，能随时随地自动实时检测、识别、检索和记录行进中的车辆车牌。本系统在使用时，可以将摄像机放在车顶或路旁，主机与供电系统放在车辆内部，主机对摄像机获得的画面进行处理，自动进行车牌识别并与主机中的数据进行对比，