0 引言

目前国内道路旅客运输企业基本建有基于卫星定位技术的车辆动态监控系统，可实现对车辆行驶过程的实时监控和数据存储。企业的安全管理部门通过检查和统计违规驾驶行为，可实现对车辆的运营过程进行有效的监控管理。分析表明，不按规定路线行驶、超速等是车辆运行过程中常见的驾驶员违规操作行为，这些行为也是引发交通事故的主要隐患^[1-4]。如何利用有效的技术方法，实时监控或者利用历史数据自动判断和统计分析上述违规行为，将有助于运输企业实现智能化的安全生产监管，提升安全管理水平^[5-10]。通过广泛调研国内道路运输企业卫星定位系统应用情况和查阅分析相关文献发现，现有的企业动态监控系统多采用简单的阈值判断方法来实现超速等违规驾驶行为的判定，造成较多的虚警，数据可用性差，使得企业一定程度上不够重视动态监控系统的作用。而在卫星定位数据挖掘应用研究层面，一些经典的数据挖掘算法比如K均值聚类算法等，可以从宏观层面对动态监控数据进行规律性的分析^[11-16]，但对于类似超速行驶、不按规定路线行驶等违规行为的线性辨识在算法原理、应用和实现等方面并不适合或者具备优势。

目前公开的一些理论或技术方法，对使用卫星定位技术进行违规驾驶行为识别的方法进行了详细描述^[17-18]。这些方法中以文献[18]等为典型。其虽能够有效利用卫星定位数据辨识出车辆的违规行为，但对于因定位漂移而造成数据噪声点的抗干扰能力不强，当存在噪声点时将会使识别出现错误。如对于不按规定路线行驶行为，噪声点有可能会造成：(1)车辆虽正常行驶中，但因有数据噪声点，造成有极短时间的不按规定路线行驶行为发生的误判；(2)车辆已发生不按规定路线行驶行为，但因噪声点造成极短时间定位漂移回正常路线，导致误判为两次或多次间断的不按规定路线行驶的行为；(3)车辆不按规定路线行驶，但因噪声点使得一次较短时间的不按规定路线行驶行为被间断，从而未被识别或识别出的行为持续时长减少等类似情况的发生。对于超速行驶行为，噪声点有可能会造成：(1)将一段总时间超过违规行为界定时长的超速行为切断成a与b两段间隔时间极短，但单段持续时长均未超过违规行为界定时长的超速行为，导致违规行为未能被正确识别；(2)将一段总时间超过违规行为界定时长的超速行为切断成a与b两段间隔时间极短，但单段持续时长均超过违规行为界定时长超速行为，导致将其识别为两段违规超速行为；(3)将一段总时间超过违规行为界定时长的超速行为切断成a与b两段间隔时间极短，其中一段持续时长超过违规行为界定时长，而另一段未超过违规行为界定时长的超速行为，导致只识别了其中一段违规超速行为，即以上误识别情况均可能发生。

针对上述问题，本文结合国内道路运输相关法律法规，提出并验证了一种带抗噪声的使用卫星定位数据进行违规驾驶行为辨识的方法。该方法利用车载终端上传的卫星定位数据和系统基准信息数据库预存的车辆班次信息、预定路线的轨迹坐标信息和各路段的限速值等数据，建立基础数学模型，比较车辆的当前行驶位置坐标与预定路线坐标以及采用计算坐标点间距离的方法，来判断车辆的不按规定路线行驶情况；比较车辆的行驶速度和各路段的限速值以及采用计算坐标点距离的方法，来判断车辆的实时超速情况，利用实时超速时长阈值来判定车辆属于正常超速或者违规超速。所提出的方法能够有效对卫星定位数据噪声点进行屏蔽，提高了识别准确度。

1 车辆不按规定路线行驶行为识别算法

本文提出了一种车辆不按规定路线行驶识别算法。在现有算法基础上，如图 1所示，通过加入车辆不按规定路线行驶持续时间界定时长以及车辆不按规定路线行驶合并时间判断阈值，忽略极短时间的车辆不按规定路线行驶行为，以及合并两次间隔时间极短的不按规定路线行驶行为。从而避免出现背景中介绍的因噪声干扰导致出现的3种识别错误情况发生。

1.1 车辆不按规定路线行驶行为的判断原理

依据当前时间点由车载终端回传的车辆实时行驶数据，获取车辆当前行驶所在位置的卫星定位坐标点A的信息，在基准信息数据库中对规定路线的坐标信息进行遍历，找到与该坐标点的球面距离最近的两点B，C，并得到点A与B，C两点之间的球面距离值AB和AC，再计算B，C的球面距离值BC，判断(AB+AC)/BC的比值是否在预定值范围内，如果超出预定值则判断该条行驶数据为偏离路线行驶数据，并将该条行驶数据存储进入偏离路线记录数据库。

给出识别车辆不按规定路线行驶行为和违规超速行为所使用的球面距离计算公式：

(1)

式中，x₁，x₂为纬度的弧度值；y₁，y₂为经度的弧度值，R为地球半径。

1.2 车辆不按规定路线行驶行为判断的抗噪声原理

为判断是否为噪声点，引入违规不按规定路线行驶行为界定时长δ，单位为s。该参数可根据生产实际进行适当调整，根据运输企业安全管理人员管理经验，可预取δ≥3 s。

一条或多条连续不按规定路线行驶记录的集合，无论Δt是否大于δ，均定义为“不按规定路线行驶行为”(其中Δt表示不按规定路线行驶行为的持续时长)。Δt>δ的不按规定路线行驶行为定义为“违规不按规定路线行驶行为”，因持续时间大于界定时长，可判断为非噪声点，即有效的不按规定路线行驶行为；相对的，持续时间小于阈值的不按规定路线行驶行为可判断为因卫星定位数据坐标漂移而造成的噪声点，为无效的不按规定路线行驶行为。

为合并两次因噪声点而间断的违规不按规定路线行驶行为，引入相邻两条不按规定路线行驶记录定位时间间隔T，并引入违规不按规定路线行驶行为合并时长判断阈值β，单位为s。同上按照经验预取0 < β≤4 s。

算法所记录的违规不按规定路线行驶行为信息包括：相关车辆信息、违规不按规定路线行驶行为次数、违规不按规定路线行驶行为起始时间t₁、违规不按规定路线行驶行为截止时间t₂、违规不按规定路线行驶行为持续时长Δt、违规不按规定路线行驶行为起止经纬度。

1.3 车辆不按规定路线行驶行为的识别与统计算法

该算法流程如图 2所示。具体步骤如下：

(1) 由动态监控平台，依据要统计的车辆信息和时间段在不按规定路线行驶记录数据库中查询得出该车辆在该时间段内的全部不按规定路线行驶数据记录，记录数为n，其中n>1。

(2) 设定获取的行驶记录序号为i，违规不按规定路线行驶行为记录序号为j，令i=1，j=0，当i < n时，取第i条与第i+1条不按规定路线行驶记录各自的定位坐标，并根据球面距离计算公式计算两坐标点间球面距离d。

(3) 判断d是否大于α，若是则判断T是否大于β，若是则令t₂为第i条记录时间，序号i自增1。若Δt>δ，则违规不按规定路线行驶行为记录序号j自增1，违规不按规定路线行驶行为次数自增1，并记录违规不按规定路线行驶信息；如果本次违规不按规定路线行驶行为起始时间t₁和已输出的违规不按规定路线行驶记录中数据的起始时间存在相同值，则保留车辆信息、违规不按规定路线行驶行为次数、t₁以及起始经纬度，更新并输出其他违规不按规定路线行驶信息，t₁、Δt清零，执行步骤5。若T≤β，则执行步骤4；若d≤α，则直接执行步骤4。

(4) 判断t₁是否为0，若是，则令t₁=第i条不按规定路线数据定位时间，i自增1，执行步骤5；若否，则i自增1，执行步骤5。

(5) 判断i是否小于n，若是，则返回步骤2；否则为最后一条数据，判断为一个违规不按规定路线行驶行为的结束。令t₂为第i条记录时间，序号i自增1。如果Δt>δ，则违规不按规定路线行驶行为序号j自增1，违规不按规定路线行驶行为次数自增1，并记录违规不按规定路线行驶信息；如果本次违规不按规定路线行驶行为起始时间t₁和已输出的违规不按规定路线行驶记录中数据的起始时间存在相同值，则保留车辆信息、违规不按规定路线行驶行为次数、t₁以及起始经纬度，更新并输出其他违规不按规定路线行驶信息，算法结束。

2 违规超速行为识别算法

本研究提出了一种违规超速行为识别算法。在现有算法基础上，如图 3所示，通过加入车辆违规超速行驶行为合并时长判断阈值等参数，目的在于避免单一或者极短时间的坐标漂移噪声点所造成超速行为识别间断的情况发生。若相邻两条超速数据的时间间隔小于阈值，则改进算法将把两段超速行为合并为一段超速行为，即无论超速行为发生的时间是否超出阈值，改进型算法都将把两段超速行为进行合并，从而避免出现背景中介绍的因噪声干扰导致出现的3种识别错误情况发生。

2.1 违规超速行为识别算法相关定义

为合并因噪声点而间断的两次超速行为，引入相邻两条超速行驶记录定位时间间隔T，并引入违规超速行驶行为合并时长判断阈值λ，单位为s。同上按照经验预取0 < λ≤4 s。

算法所记录的违规超速行为信息包括：相关车辆信息P、违规超速行为次数、违规超速行为起始时间t₁、违规超速行为截止时间t₂、违规超速行为持续时长Δt、违规超速行为起止经纬度、最大速度、平均速度。

2.2 违规超速行为识别与统计算法

该算法流程如图 4所示。具体步骤如下：

(1) 由动态监控平台，依据要统计的车辆信息和时间段在实时超速行驶记录数据库中查询得出该车辆在该时间段内的全部超速行驶数据记录，记录数为n，其中n>1。

(2) 设定获取的行驶记录序号为i，违规超速行驶行为记录序号为j，令i=1，j=0，当i < n时，取第i条与第i+1条超速行驶记录各自定位坐标，并根据球面距离计算公式计算两坐标点间球面距离d。

(3) 判断d是否大于α，若是，再判断T是否大于λ，若是则令t₂为第i条记录时间，序号i自增1。若Δt>δ，则违规超速行驶行为序号j自增1，违规超速行驶行为次数自增1，并记录超速信息；如果本次违规超速行驶行为起始时间t₁和已输出的违规超速记录中数据的起始时间存在相同值，则保留车辆信息、违规超速行驶行为次数、t₁以及起始经纬度，更新并输出其他超速信息，t₁，Δt清零，执行步骤5。若T≤β，则执行步骤4；若d≤α，则执行步骤4。

(4) 判断t₁是否为0，若是，则令t₁=第i条超速数据定位时间，i自增1，执行步骤5；若否，则i自增1，执行步骤5。

(5) 判断i是否小于n，若是，则返回步骤2；否则为最后一条数据，判断为一个超速行驶行为的结束。令t₂为第i条记录时间，序号i自增1。如果Δt>δ，则违规超速行驶行为序号j自增1，违规超速行驶行为次数自增1，并记录违规超速行驶信息；如果本次违规超速行驶行为起始时间t₁和已输出的违规超速记录中数据的起始时间存在相同值，则保留车辆信息、违规超速行驶行为次数、t₁以及起始经纬度，更新并输出其他超速信息，算法结束。

本研究算法在阈值取值时参考了作者在国内数家较具规模和代表性的道路运输企业调研的结果数据，一般情况下，行业安全管理部门和道路运输企业会根据超速持续的时长来界定是正常超车加速还是违规持续超速，这也是本研究设定了违规超速行为界定时长δ这一参数的主要依据，根据调研结果，行业内一般以30 s为界限，即持续超速超过30 s认定是违规超速。

在两种算法的具体工程化应用过程中，对于α，β，λ和δ等参数的选取，也可以根据运输企业在具体运营线路的车辆超速情况以及不按规定路线行驶情况的统计报表来辅助确定其值。不同道路的超速情况有所不同，故根据实际情况选取不同参数值，具有一定科学性与合理性。同时可以根据识别分析结果的好坏对参数值进行修正，提高识别质量。

3 算法验证

为便于进一步了解本方法，利用实车卫星定位数据来验证算法对抗噪声干扰能力的有效性。

3.1 不按规定路线行驶行为识别算法验证

本文所使用的验证数据为从动态监控平台中提取的不按规定路线行驶报警数据，包括5辆营运车辆的1 004条数据，数据回传间隔1到2 s左右，满足识别算法数据质量要求。部分实际运行数据如表 1。

根据道路运输行业安全管理人员经验，设定相关不按规定路线行驶行为识别参数：当次不按规定路线行驶行为截止判断阈值α=500 m，不按规定路线行驶行为合并时间阈值β=4 s，不按规定路线行驶行为界定时长δ=3 s。由表 1可得，第231和232条数据为两条连续的短时间因坐标漂移造成的卫星定位噪声点，若不排除噪声点的干扰，这两个连续的噪声点将被算作一次不按规定路线行驶行为从而发生误识别的情况。

通过编程将上述设计的算法实现，由图 5可得，原始算法共识别出76次不按规定路线行驶行为，其中序号为13即时间从2009-06-26 12:28:25到2009-06-26 12:28:26的不按规定路线行驶行为，实际是一段噪声数据，不应该被识别出来，但原始算法也将其识别为一次不按规定路线行驶行为，从而发生了误识别的情况。由此可知，噪声点数据使得原始算法对违规驾驶行为的有效识别造成一定的干扰。

如图 6所示，将上述卫星定位数据输入系统，利用改进型算法可以有效识别出车辆的不按规定路线行驶行为，并统计出不按规定路线行驶行为开始时间、结束时间、持续时间、起始经纬度、结束经纬度，并且算法将噪声点的干扰进行了排除，未出现上文中所述的误识别情况。改进型算法一共识别出75次不按规定路线行驶行为，避免了卫星定位噪声点的干扰，证明了其有效性。

3.2 违规超速行为识别算法验证

本研究选取2012年1月16日当天合肥到郑州班线的某班线营运车辆在高速公路路段的部分行驶数据，数据采集与回传频率为1 s。对车载终端回传的卫星定位数据中超过速度阈值的超速数据进行初步筛选，存入动态监控平台实时超速数据库之中。所选超速数据共2 013条，部分超速数据见表 2。

根据道路运输行业相关经验，设定相关违规超速行为识别参数：当次违规超速行为截止判断阈值α=200 m，超速行为合并时间阈值β=4 s，违规超速行为界定时长δ=30 s。由表 2可以看到，第649条数据为坐标漂移而产生的卫星定位噪声点，它将把从第623条数据到第659条数据的一段持续时间为36 s的违规超速行为切割成两段不超过30 s的超速行为。若不对其干扰进行排除，则此段持续时长为36 s的违规超速行为将不被识别，从而造成漏识别的情况发生。

通过编程将上述设计的算法进行实现，由图 7可得，原始算法共识别出15次违规超速行为，但未对第623条数据到第659条数据，即时间从2012-01-16 17:53:00到2012-01-16 17:53:36的违规超速行为进行识别，出现了漏识别的情况。由此可知，出现卫星定位噪声点会使得原始算法对违规驾驶行为的有效识别造成一定的干扰。

由图 8可知，通过本改进型算法可以有效识别出车辆的超速行为，并统计出违规超速行为开始时间、结束时间、持续时间、起始经纬度、结束经纬度、最大速度以及平均速度。算法排除了卫星定位噪声点的干扰，对噪声点所在的序号为4的违规超速行为，即上文中所提及的包含有噪声点的违规超速行为也进行了识别。最终，改进型算法共识别出16次违规超速行为，证明了其有效性。

3.3 算法应用系统实现

从验证结果可以看到，本研究所提出的算法有效可行。为将所研究的算法实现系统化应用的目标，以上述的违规驾驶行为识别算法为核心，利用Java Web相关技术进行编程实现，开发完成违规驾驶行为识别系统^[19]。系统在后台定时运行算法程序的同时，前台采用定时刷新技术，以实时呈现对违规驾驶行为的实时识别分析结果。

界面整体包括左、中、右3部分，如图 9所示，左侧为菜单导航部分，点击菜单中的各个功能栏，可以进入到不同识别分析功能的界面。在“卫星定位数据”栏可以查看车辆的完整卫星定位数据、超速报警卫星定位数据、不按规定路线行驶卫星定位数据；在“疲劳驾驶识别”、“急加速与急减速识别”、“超速识别”、“不按规定路线行驶识别”栏分别对应相应的识别功能；在“系统管理”栏可对系统的用户进行管理，查询、添加、修改、删除用户，并对不同的用户分配不同的角色，赋予相应的系统使用权限。在右侧部分可以对相应的车牌号码进行查询，快速定位分析结果，并在界面的中间部分显示。

4 结论

在深入了解道路运输行业动态监控管理需求和充分比较现有应用算法的基础上，对营运车辆驾驶人员常见的违规超速以及不按规定路线行驶行为的识别算法进行了改进，增强了算法对由于漂移产生的卫星定位数据噪声点的抗干扰能力。在对算法进行理论描述后，利用在动态监控平台上提取的实际运行数据，对上述违规驾驶行为识别算法进行了试验验证，从试验测试结果可以看出，对于输入的实际数据，本研究所设计的算法可以有效识别出不按规定路线行驶和违规超速行驶等违规驾驶行为，并且弥补了现有动态监控平台采用简单阈值识别机制的局限性，提高了对违规驾驶识别的准确率，增强了算法的抗干扰性。可以证明本研究所提出的违规驾驶行为识别算法是有效可用的。

在对算法进行实际测试之后，以上述识别算法为核心，设计和开发了违规驾驶行为识别系统，系统采用B/S模式，成本低廉，使用数据仅为现有动态监控平台累积的海量卫星定位数据，实用性较高。使用成熟的前台以及后台框架，系统稳定性强，经过相关需求改进和完善之后可以投入到企业和行业安全监管实际业务应用之中。