基于稀疏道路卡口監(jiān)控和智能出租車(chē)的肇事逃逸車(chē)輛軌跡恢復(fù)系統(tǒng).pdf

1、恢復(fù)肇事逃逸車(chē)輛的軌跡對(duì)于警方破案、交通事故責(zé)任認(rèn)定等具有重要的作用。然而因?yàn)槌鞘械缆方煌诘姆植嫉南∈栊砸约罢厥绿右蒈?chē)輛會(huì)故意地繞行躲避交通卡口攝像頭，精確地追蹤肇事車(chē)輛是一項(xiàng)極具挑戰(zhàn)性的工作。截止目前，還沒(méi)有一個(gè)系統(tǒng)地解決肇事逃逸車(chē)輛軌跡恢復(fù)問(wèn)題的方法?，F(xiàn)有的一些軌跡恢復(fù)系統(tǒng)使用簡(jiǎn)單的算法進(jìn)行軌跡恢復(fù)，其效果非常不理想。而相似的研究主要聚焦于從低頻GPS點(diǎn)恢復(fù)完整軌跡，這些研究基于歷史數(shù)據(jù)對(duì)車(chē)輛軌跡進(jìn)行軌跡恢復(fù)，不適用于故意繞行躲

2、避監(jiān)控的肇事逃逸車(chē)輛，也沒(méi)有考慮同時(shí)結(jié)合卡口監(jiān)控以及出租車(chē)行車(chē)記錄儀數(shù)據(jù)進(jìn)行軌跡恢復(fù)。
　　基于上述的分析，本文提出了一套系統(tǒng)地解決肇事逃逸車(chē)輛軌跡恢復(fù)問(wèn)題的解決方案。本文首先建立路網(wǎng)通行時(shí)間的概率模型，即使用對(duì)數(shù)正態(tài)分布對(duì)每個(gè)路段的通行時(shí)間的概率分布進(jìn)行建模，然后本文使用斜對(duì)數(shù)正態(tài)分布來(lái)近似地對(duì)路段通行時(shí)間分布疊加，近似地得到一段路徑的通行時(shí)間的概率密度分布。在軌跡恢復(fù)算法部分，本文首先使用無(wú)監(jiān)督和有監(jiān)督學(xué)習(xí)兩種方式分析最優(yōu)的查

3、詢(xún)策略，即基于卡口監(jiān)控以及路網(wǎng)交通模式分析肇事逃逸車(chē)輛在某個(gè)查詢(xún)點(diǎn)出現(xiàn)的概率。然后提出了兩種肇事逃逸車(chē)輛軌跡恢復(fù)算法RVTR以及IRVTRLQ，前者使用貪心算法的思想對(duì)每個(gè)查詢(xún)點(diǎn)的出租車(chē)行車(chē)記錄儀視頻按概率降序進(jìn)行查詢(xún)，后者對(duì)RVTR算法基礎(chǔ)上進(jìn)行改進(jìn)，根據(jù)用戶(hù)需求僅對(duì)效用值高的查詢(xún)點(diǎn)按照降序查詢(xún)。當(dāng)查詢(xún)成功時(shí)，算法以查詢(xún)點(diǎn)為中點(diǎn)，將軌跡分為兩條子軌跡并遞歸地執(zhí)行相應(yīng)的算法;當(dāng)查詢(xún)失敗時(shí)，算法選擇概率稍小的下一個(gè)查詢(xún)點(diǎn)進(jìn)行查詢(xún)，直到肇事

4、逃逸車(chē)輛軌跡被唯一地確定或者沒(méi)有合適的出租車(chē)可以查詢(xún)。
　　最后，本文通過(guò)駕車(chē)在蘇州工業(yè)園區(qū)進(jìn)行道路測(cè)試以模擬肇事逃逸車(chē)輛行為的方式進(jìn)行試驗(yàn)仿真。本文將本文提出的RVTR算法以及IRVTRLQ算法和SDD、MDT、IST以及MLR算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明:對(duì)于RVTR算法，其準(zhǔn)確率相比較四種對(duì)比算法準(zhǔn)確率提升了126.21％、118.86％，107.83％，142.44％，而其每個(gè)路段的平均查詢(xún)次數(shù)僅為0.7;而針對(duì)RVTR進(jìn)行