[发明专利]基于行程时间概率最大的车牌识别数据再匹配方法

权利要求书

1.基于行程时间概率最大的车牌识别数据再匹配方法，其特征在于该方法包括以下步骤：

S1：提取路段行程时间及预处理，包括目标路段的上下游车牌匹配，行程时间提取及行程时间离群值处理；

S11：将上下游车牌匹配数据以识别的车牌为信息执行匹配；

S12：提取目标路段的行程时间数据，并滚动处理行程时间离群值；

S2：构造行程时间分布，由获取的路段行程时间数据，采用非参数估计方法估计路段行程时间的分布，具体是：

设n个行程时间样本点数据{tt₁,tt₂,...,tt_n}服从独立同分布F，其概率密度函数为f；f的概率密度函数估计如下：

其中K(·)是核函数，h0是称为带宽的平滑参数；tt是路段行程时间变量；核函数K_h为缩放内核，并定义为K_h(tt)＝1/h·K(tt/h)；选用高斯内核作为核函数，即其中是标准正态密度函数；

核密度估计的带宽选择如下：

其中，为行程时间标准偏差，n为行程时间采样数量；

则行程时间累积分布函数F(tt)为计算如下：

S3：计算行程时间概率及行程时间置信区间，由估计的行程时间累积分布及逆累积分布计算行程时间概率及行程时间置信区间，具体是：

S31：计算行程时间概率；

行程时间tt_ij对应的概率p_ij(tt_ij)计算如下所示：

p_ij(tt_ij)＝F(tt_ij)-F(tt_ij-1) (5)

F(·)为对应行程时间的累积分布函数；

S32：计算行程时间置信区间；

对于行程时间累计分布函数F，设有一概率p(0≤p≤1)，逆累积分布函数F^-1返回行程时间阈值tt使得：

F^-1(p)＝inf{tt∈R:F(tt)≥p} (6)

在置信水平CL:β＝1-α下，行程时间的置信区间为CI＝[tt₁,tt₂]，则行程时间的置信区间计算如下：

p(tt₁≤tt≤tt₂)＝β (7)

其中，tt₁为行程时间置信区间的下限，tt₂为行程时间置信区间的上限；F^-1为逆累积分布，α为行程时间置信区间的显著性水平；

S33：滚动查找上下游未匹配车牌数据；

滚动时间窗法找出下游的未匹配车辆集合，这里选择时间窗h^w，则第q个时间窗内，在下游找到n辆未匹配车辆集合其对应时间戳向量为其中，表示为下游第q组中第n辆车辆，表示为下游第q组中第n辆车辆通过停车线的时间戳，d_L(k)表示该车处于下游第k车道；

在上游一个设定的时间范围内找到第q组共m辆未匹配车辆集合其对应时间戳向量为其中，表示为上游第q组中第m辆车辆，表示为上游第q组中第m辆车辆通过停车线的时间戳；

由于，在β置信水平下，行程时间置信区间为：

故上游最早及最迟的时间点如下：

其中，为上游第j辆车被采集到的时间戳，为下游第i辆车被采集到的时间戳，该车处于第k车道；

则上游在置信水平β对应的时间范围如下：

S4：滚动执行再匹配算法，以行程时间发生概率最大为目标，执行再匹配算法，具体是：

S41：以行程时间发生概率最大执行匹配；

为使得匹配的行程时间概率之积最大，目标函数如下：

对目标函数取对数，则令logp_ij＝a_ij，logz＝z'，目标函数转换为如下：

匹配矩阵为X如下所示，如果x_ij＝1，则表示下游第i个车牌号与上游第j个车牌号匹配；

当mn0时，即下游车牌数多于上游车牌数时，新增m×(m-n)列虚拟车牌，令虚拟车牌对应的行程时间概率大于零的一个很小正数，则其对数值为一负的大值新的m×m行程时间概率对数值矩阵A'_m×m如下；

当nm0时，即下游车牌数少于上游车牌数时，新增(n-m)×n行虚拟车牌，新的n×n行程时间概率对数值矩阵如下；

S42：匹配结果检查；

执行检查，若上下游中与虚拟车牌匹配的部分重置为未匹配数据；若再匹配的行程时间不在置信区间内，则将该部分重置为未匹配数据。