[发明专利]同行车的检测方法及装置、存储介质、电子装置

说明书

本发明提供了一种同行车的检测方法及装置、存储介质、电子装置。其中，上述方法包括：获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量，其中，第一轨迹向量至少用于指示目标车辆经过的卡口和时间，第二轨迹向量至少用于指示候选车辆经过的卡口和时间；将第一轨迹向量和第二轨迹向量输入到神经网络模型中，输出第三轨迹向量；通过第三轨迹向量确定目标车辆和候选车辆是否为同行车。采用上述技术方案，解决了相关技术中同行车的检测方式准确度低，流程复杂的问题，提供了一种运行时间更短的同行车检测流程，加快了同行车检测速度。

技术领域

本发明涉及通信领域，具体而言，涉及一种同行车的检测方法及装置、存储介质、电子装置。

背景技术

同行车检测是安防行业数据应用的一项重要业务，相关技术中提供了几种实现方式，例如公开号为CN108932839A公开了以下技术方案：获取某一区域内目标车辆在行车路线上依照先后顺序经过的卡口及时间和候选车辆在行车路线上依照先后顺序经过的卡口及时间，确定N个卡口组，每个卡口组包括所述目标车辆在行车路线上经过的一个卡口以及所述候选车辆在行车路线上经过的一个卡口，并且所述目标车辆经过卡口的顺序和所述候选车辆经过卡口的顺序相对应。判断每个卡口组是否符合设定条件，若符合，则针对每个卡口组确定卡口组对应的第一轨迹同行度，所述第一轨迹同行度用于表征所述目标车辆和所述候选车辆在对应卡口处的行车路线相似程度，其中，所述设定条件为：卡口组中的两个卡口间的距离和时间差均小于各自的阈值，根据N个卡口各自的同行度和权重得到相似程度的值来判断是否为同行车。

可见，目标区域选择局限性较大，无法进行大区域的同行车检测且区域的选择具有偶然性；对卡口匹配的要求较高，目标车和候选车的卡口组必须一一匹配；且卡口组的权重的设置是根据人为来判断重要性，存在较大的人为主观因素。需要比较两辆车的所有卡口之间的距离以及过车时间差，运算量非常大，效率很低，无法进行大量车辆之间同行车的检测；对硬件设备的性能有一定的要求。

此外，论文名称为《基于社交属性的时空轨迹语义分析》主要公开了：尝试采用深度学习的方法挖掘具备社交属性的用户签到数据，结合用户标记、位置点及时间序列等多维数据属性探索时空轨迹的语义特征。所提出的轨迹模型综合考虑了轨迹挖掘中的空间转移和时序因素:通过不同时间粒度的划分将时间属性内嵌于位置样本中,再实施多维数据的组合单位向量化操作；在向量空间模型(vector space model，简称为VSM)中实现定量计算分析,进而开展用户轨迹的挖掘与处理工作；在位置向量自定义运算的基础上,采用Top-K近邻预测、聚类分析等手段验证模型的合理性,以达成时空轨迹语义分析的目标.轨迹数据的语义特征化表达将时空数据中隐含的用户移动模式与宏观趋势直观地展现出来,通过调整轨迹模型的参数设置即可实现对用户轨迹的定制化深度探索，该论文虽然利用了空间和时间信息，将时空数据进行了语义向量化，但还是停留在一个点的向量化上，对整条轨迹向量化没有提出好的解决方案。

针对相关技术中，同行车的检测方式准确度低，流程复杂等问题，尚未提出有效的技术方案。

发明内容

本发明实施例提供了一种同行车的检测方法及装置、存储介质、电子装置，以至少解决相关技术中同行车的检测方式准确度低，流程复杂的问题。

根据本发明的一个实施例，提供了一种同行车的检测方法，包括：获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量，其中第一轨迹向量至少用于指示目标车辆经过的卡口和时间，第二轨迹向量至少用于指示候选车辆经过的卡口和时间；将第一轨迹向量和第二轨迹向量输入到神经网络模型中，输出第三轨迹向量；通过第三轨迹向量确定目标车辆和候选车辆是否为同行车。

可选的，获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量，包括：确定用于描述车辆的轨迹词向量的内容，其中，内容至少包括：车辆经过的卡口，车辆经过卡口的时间；基于内容获取在预定时间段内第一轨迹向量和第二轨迹向量。