[发明专利]车辆行驶轨迹监测方法及系统

说明书

本发明提供一种车辆行驶轨迹监测方法及系统，在车辆开始新的行程时，获取该行程之起点地理坐标和终点的地理坐标并分别转换为起点网格坐标和终点网格坐标，在网格轨迹库中查找出包含该起点网格坐标和终点网格坐标的所有历史轨迹的轨迹集合；然后对车辆在该行程过程中当前所在位置的地理坐标进行采样并转换为采样点网格坐标，将该车辆上一采样点网格坐标对应的轨迹集合中不包含当前采样点网格坐标的历史轨迹清除得到当前采样点网格坐标对应的轨迹集合，进而根据该轨迹集合以及上一采样点对应的轨迹集合计算当前采样点的支持度值并与预设支持度阈值进行比较确定当前采样点是否异常。该监测算法能保持良好的轨迹异常识别效果，响应时间短，准度高。

技术领域

本发明涉及智能交通领域，尤其涉及一种车辆行驶轨迹监测方法及系统。

背景技术

出租车行业是现代城市地区的主要交通服务，为我们日常生活提供了大量的好处和方便。但是当前社会，由于出租车业内的激烈竞争，不少出租车乘客，特别是外地城市游客，成为了一些贪心出租车司机的受害者。他们故意绕行一些非必要的路段增加对乘客的收费。为了提高出租车服务质量，检测和惩罚此类欺诈行为意义重大。目前，检测出租车驾车欺骗行为的手段非常有限，主要是根据乘客主动投诉，依靠有经验的工作人员，手动检测出租车的行车轨迹。这种方式代价较大且低效，甚至很多欺骗行为根本就没有被乘客发现。因此，设计出租车异常行为探测系统，通过对出租车异常行为探测，准确地检测出出租车司机刻意的绕路行为，具有重大研究意义。既有利于城市出租车公司整体运营声誉，有效地监督和约束司机规范行为营造文明城市，同时也能保护顾客合法利益，节省顾客在旅程所花费的时间和金钱。

现有的针对出租车异常轨迹检测方法大致分为基于距离和基于统计方法。

基于距离的异常检测算法，其主要思想是异常点在给定阈值范围内没有足够多的邻域对象，常见的距离度量有马氏(Mahalanobis)距离、曼哈顿(Manhattan)距离、欧式(Euclidean)距离和豪斯多夫(Hausdorff)距离。从类型上划分则包括基于单元(cell-based)、索引(index-based)或嵌套循环(nested-loop)等方法，这种方法存在计算量大难实现且检测结果误差大的问题。

基于统计的方法检测存在以下缺陷：第一，异常点可通过不同的分布模型检测得到，异常机制不唯一，导致异常点含义存在不确定性。第二需要预先知道数据集服从的分布或概率模型，实际环境通常难以得到，实现比较难，且导致检测结果误差较大。

因此提出一种能快速、精准的检测出车辆行驶路径是否正常的方法是目前急需解决的问题。

发明内容

本发明实施例提供的车辆行驶轨迹监测方法及系统，主要解决的技术问题是现有车辆行驶路径检测方法存在的实现较难且检测结果误差较大的问题。

为解决上述技术问题，本发明实施例提供一种车辆行驶轨迹监测方法，包括：

检测到车辆开始新的行程时，获取该行程之起点地理坐标和终点的地理坐标；

将所述行程的起点地理坐标和终端地理坐标分别转换为起点网格坐标和终点网格坐标；并在网格轨迹库中查找出包含所述起点网格坐标和终点网格坐标的所有历史轨迹的轨迹集合；

对所述车辆在所述行程过程中当前所在位置的地理坐标进行采样并转换为采样点网格坐标；

获取所述车辆上一采样点网格坐标对应的轨迹集合中历史轨迹信息，并将该轨迹集合中不包含当前采样点网格坐标的历史轨迹清除，得到当前采样点网格坐标对应的轨迹集合中历史轨迹信息；

根据所述当前采样点网格坐标对应的轨迹集合以及上一采样点网格坐标对应的轨迹集合计算当前采样点网格坐标的支持度值；

将得到的所述支持度值与预设支持度阈值进行比较，根据比较结果确定所述当前采样点网格坐标是否异常。