Resumen

La seguridad de los desplazamientos de los vehículos de transporte de mercancías preocupa mucho a la sociedad y es la cuestión clave para que los gestores urbanos supervisen y evalúen eficazmente los posibles riesgos para la seguridad social. Con las continuas mejoras de la tecnología basada en el movimiento, se dispone fácilmente de las trayectorias de los vehículos de carga, cuyos cambios inusuales pueden indicar riesgos urbanos ocultos. Además, la creciente resolución espacial y temporal de las trayectorias ofrece la oportunidad de reconocer en tiempo real los movimientos anómalos o arriesgados de los vehículos. Sin embargo, las investigaciones existentes se centran principalmente en la detección de anomalías espaciales, y hay pocas investigaciones sobre la detección de anomalías temporales en tiempo real. En este trabajo, se propone un algoritmo basado en cuadrículas, que combina la detección de anomalías espaciales y temporales, para rastrear el riesgo de la trayectoria de los vehículos de transporte urbano de mercancías teniendo en cuenta la ventana temporal local. Se analiza la distribución de probabilidad del tiempo de viaje de la trayectoria histórica de los vehículos para satisfacer los requisitos de complejidad temporal del cálculo de anomalías en tiempo real. La metodología desarrollada se aplica a un estudio de caso en Pekín para demostrar su precisión y eficacia.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:detección de anomalías temporales, vehículos de carga, posibles riesgos para la seguridad social, distribución de probabilidad del tiempo de viaje, trayectoria de vehículos de carga urbanos, gran preocupación social, ventana temporal local, movimiento arriesgado de vehículos, detección de anomalías espaciales, cálculo de anomalías temporales
• Keywords:temporal anomaly detection, freight vehicles, possible social security risks, travel time probability distribution, urban freight vehicles trajectory, high societal concern, local temporal window, risky vehicle motion, spatial anomaly detection, time anomaly calculation