论文部分内容阅读
恢复肇事逃逸车辆的轨迹对于警方破案、交通事故责任认定等具有重要的作用。然而因为城市道路交通卡口的分布的稀疏性以及肇事逃逸车辆会故意地绕行躲避交通卡口摄像头,精确地追踪肇事车辆是一项极具挑战性的工作。截止目前,还没有一个系统地解决肇事逃逸车辆轨迹恢复问题的方法。现有的一些轨迹恢复系统使用简单的算法进行轨迹恢复,其效果非常不理想。而相似的研究主要聚焦于从低频GPS点恢复完整轨迹,这些研究基于历史数据对车辆轨迹进行轨迹恢复,不适用于故意绕行躲避监控的肇事逃逸车辆,也没有考虑同时结合卡口监控以及出租车行车记录仪数据进行轨迹恢复。基于上述的分析,本文提出了一套系统地解决肇事逃逸车辆轨迹恢复问题的解决方案。本文首先建立路网通行时间的概率模型,即使用对数正态分布对每个路段的通行时间的概率分布进行建模,然后本文使用斜对数正态分布来近似地对路段通行时间分布叠加,近似地得到一段路径的通行时间的概率密度分布。在轨迹恢复算法部分,本文首先使用无监督和有监督学习两种方式分析最优的查询策略,即基于卡口监控以及路网交通模式分析肇事逃逸车辆在某个查询点出现的概率。然后提出了两种肇事逃逸车辆轨迹恢复算法RVTR以及IRVTRLQ,前者使用贪心算法的思想对每个查询点的出租车行车记录仪视频按概率降序进行查询,后者对RVTR算法基础上进行改进,根据用户需求仅对效用值高的查询点按照降序查询。当查询成功时,算法以查询点为中点,将轨迹分为两条子轨迹并递归地执行相应的算法;当查询失败时,算法选择概率稍小的下一个查询点进行查询,直到肇事逃逸车辆轨迹被唯一地确定或者没有合适的出租车可以查询。最后,本文通过驾车在苏州工业园区进行道路测试以模拟肇事逃逸车辆行为的方式进行试验仿真。本文将本文提出的RVTR算法以及IRVTRLQ算法和SDD、MDT、IST以及MLR算法进行对比。实验结果表明:对于RVTR算法,其准确率相比较四种对比算法准确率提升了 126.21%、118.86%,107.83%,142.44%,而其每个路段的平均查询次数仅为0.7;而针对RVTR进行改进的IRVTRLQ算法可以更高效地利用出租车查询,即IRVTRLQ算法可以根据用户需求不同程度地降低效用值低的查询,以达到在牺牲少量准确率的情况下节省大量查询带宽的目的,IRVTRLQ算法最多可以在将准确率较RTVR下降9.87%的情况下,将查询次数降低58.34%。