一种驾培学员学时作弊判断方法

摘要

本发明提供一种驾培学员学时作弊判断方法，旨在解决现有的学时作弊方式判断困难、耗费人力和时间等问题，以提高对驾培作弊学时识别的效率和准确度，包括以下步骤：S1，在云存储服务器中抽取两条来自不同教练车的轨迹数据，判断两条轨迹数据是否存在时间重合的部分，若不存在，则判断得到两条轨迹数据不同的结论，若存在，则进行下一步；S2，在两条轨迹数据中选取时间重合的轨迹数据，计算两条时间重合轨迹的最大范围，并预判断学员训练项目；S3，根据预判断的训练项目，通过两条轨迹对应点的位置，计算加速度或距离综合分值，将其与预先设定的判断阈值比较，判断得出两条轨迹是否相似的结论；重复步骤S1‑S3，判断得出是否存在驾培学时作弊行为。

说明书

技术领域

本发明涉及驾驶培训技术领域，具体涉及一种驾培学员学时作弊判断方法。

背景技术

根据《中华人民共和国机动车驾驶员培训教学大纲》规定，学员须满足规定的驾驶培训学时要求，才能参加机动车驾驶人考试。机动车驾驶员计时培训系统（以下简称驾培系统），是确保按照机动车驾驶员培训和考试大纲实施培训，客观记录培训过程，确保机动车驾驶质量的重要技术手段，有利于从源头提高驾驶人的安全文明驾驶意识和驾驶技能，保障道路交通安全。监管部门通过安装在教练车上的计时培训终端设备所上传的车辆行驶轨迹和学员行车过程中采集的照片来判断学员的学时是否真实有效。

目前，很多驾校为了提高收入而采用非法甚至违法的手段，通过学时造假、照片造假、轨迹造假等方式，来快速缩短学员的训练时间，从而进行牟利，也造成学员的培训质量大幅度下降。学员没有经过长时间的肢体协调训练和场地道路训练，提高了在行驶过程中发生交通事故的概率，可能会造成不必要的交通事故。

现有的作弊方式主要有GPS(Global Positioning System全球定位系统)干扰器生成轨迹和人工合成轨迹两种。对于GPS干扰器生成轨迹的作弊方式，监管部门主要采用人工审核判断，需要消耗大量人力和时间；对于人工合成轨迹的作弊方式，由于轨迹和实际培训场地相吻合，难以辨别其真伪。目前，市场上也出现了可对以上作弊方式进行预警的车载终端设备和方法，例如CN115457829A专利公开了一种用于鉴别驾培车辆GPS轨迹数据真伪的方法及装置，在训练过程中，驾培监管终端和驾培计时器终端同时上传GPS定位、速度数据和三轴加速度数据。通过对GPS速度数据和三轴加速度传感器上传的加速度数据曲线的相关性计算，判断GPS速度数据是否真实。再通过对驾培计时终端上传的GPS轨迹数据和驾培监管终端上传的经过验证的GPS速度数据进行比对，从而判断驾培计时终端上传的GPS轨迹数据是否真实。但是其对于将多个计时培训终端设备放在在同一车辆上，进行作弊的情况，难以识别和判断。基于此，进行事后的复查判断显得极其重要。

发明内容

针对现有技术的不足，本发明提供一种驾培学员学时作弊判断方法，旨在解决现有的学时作弊方式判断困难、耗费人力和时间等问题，以提高对驾培作弊学时识别的效率和准确度。

为实现上述目的，本发明采用的技术方案如下：

本发明公开了一种驾培学员学时作弊判断方法，包括以下步骤：

S1，在云存储服务器中抽取两条来自不同教练车的轨迹数据，判断两条轨迹数据是否存在时间重合的部分，若不存在，则判断得到两条轨迹数据不同的结论，若存在，则进行下一步；

S2，在两条轨迹数据中选取时间重合的轨迹数据，计算两条时间重合轨迹的最大范围，并预判断学员训练项目；

S3，根据预判断的训练项目，通过两条轨迹对应点的位置，计算加速度或距离综合分值，将其与预先设定的判断阈值比较，判断得出两条轨迹是否相似的结论；

S4，重复步骤S1-S3，判断得出是否存在驾培学时作弊行为。

其中，所述的云存储服务器包括但不限于阿里云存储服务器或华为云存储服务器，所述的轨迹数据包括但不限于经度、纬度、速度、方向、时间等信息。

通过上述技术方案，可对现有的作弊情况（例如，在一辆教练车上放置多台车载终端设备，而每台设备上传到平台上对应的是不同的教练车）进行有效识别和判断。

进一步的，所述步骤S2中计算两条时间重合轨迹的最大范围，具体包括：根据两条时间重合的轨迹数据所在的区域范围及经纬度信息，以所在区域的经纬度范围的最东、最西、最南、最北四个点的经纬度信息为坐标，形成矩形的经纬度框；所形成的矩形经纬度框用于后续学员训练项目的预判断计算。

进一步的，所述学员训练项目的预判断，具体包括：将形成的矩形经纬度框进行长度和宽度的距离计算，将其与预先设定的标准范围进行比较；若矩形框的范围大于预设的标准范围，则预判断学员进行道路训练项目；若矩形框的范围小于预设的标准范围，则预判断学员进行场地训练项目。需要注意的是，当一条轨迹路径很长，一条轨迹路径很短时，根据判断规则以及两条轨迹数据最大范围的确认，可能会将两条轨迹数据预判断为道路训练项目；当两条轨迹路径都很短，但两条轨迹路径相隔很远时，根据判断规则以及两条轨迹数据最大范围的确认，可能也会将两条轨迹数据预判断为道路训练项目。

进一步的，当预判断学员进行道路训练项目时，将重合时间段根据比对需要标记为K个采样点，根据两条轨迹数据对应采样点所在的位置，计算对应采样点两条轨迹数据所在位置的距离，并根据划分的时间小段转化成加速度，采用正态分布方式进行统计，得到加速度综合分值；将其与预先设定的判断阈值比较，判断得出两条轨迹是否相似的结论。若得到的加速度综合分值小于预设的判断阈值，则判断两条轨迹相似，得出存在作弊行为的情况；若得到的加速度综合分值大于预设的判断阈值，则判断两条轨迹不同。

进一步的，当预判断学员进行场地训练项目时，将形成的矩形经纬度框由地理坐标系转换为直角坐标系，轨迹数据由地理坐标转换为直角坐标，并在直角坐标系上划分出M*N个正方形区域块，将重合时间段根据比对需要标记为K个采样点，按照距离=△X+△Y的方式计算对应采样点两条轨迹数据所在位置的距离，并采用正态分布方式进行统计，得到距离综合分值；将其与预先设定的判断阈值比较，判断得出两条轨迹是否相似的结论；其中，△X为两条轨迹数据对应采样点在横轴上相隔的区域块的数量，△Y为两条轨迹数据对应采样点在纵轴上相隔的区域块的数量。若得到的速度综合分值小于预设的判断阈值，则判断两条轨迹相似，得出存在作弊行为的情况；若得到的速度综合分值大于预设的判断阈值，则判断两条轨迹不同。

在上述技术方案中，所述采样点的标记，具体包括：将重合时间段所在的轨迹数据进行数据对齐，将相同或相近时间点的数据标记为采样点，或者按照时间间隔进行采样点的划分。

进一步的，所述正方形区域块的规格大小根据实际要求预先设定。

本发明的有益效果：本发明提供了一种驾培学员学时作弊判断方法，可以有效解决现有的学时作弊方式判断困难、耗费人力和时间等问题，提高对驾培作弊学时识别的效率和准确度。本发明通过对云存储服务器中来自不同教练车的轨迹数据进行比对，进而得出是否存在驾培学习作弊的行为，方便、简单、有效。

附图说明

附图1 为本发明实施例提供的一种驾培学员学时作弊判断方法流程示意图。

实施方式

以下结合附图对本发明的具体实施方式作了说明，但本领域技术人员应当理解，以下实施例仅是为了进行说明，而不是为了限制本发明的范围。本领域技术人员应当理解，可在不脱离本发明的范围和精神的情况下，对以下实施例进行修改。本发明的保护范围由所附的权利要求来限定。

本实施例提供了一种驾培学员学时作弊判断方法，如图1所示，具体包括以下步骤：

S1，在阿里云存储服务器中抽取两条来自不同教练车的轨迹数据，判断两条轨迹数据是否存在时间重合的部分，若不存在，则判断得到两条轨迹数据不同的结论，若存在，则进行下一步；其中所述轨迹数据包括经度、维度、速度和时间信息；

S2，在两条轨迹数据中选取时间重合的轨迹数据，确定最大范围，即根据两条时间重合的轨迹数据所在的区域范围及经纬度信息，以所在区域的经纬度范围的最东、最西、最南、最北四个点的经纬度信息为坐标，形成矩形的经纬度框，所述矩形的经纬度框用于后续学员训练项目的预判断计算；

S3，进行学员训练项目的预判断计算：将形成的矩形经纬度框进行长度和宽度的距离换算，将其与预先设定的标准范围（1 km*1 km）进行比较；若矩形框的范围大于预设的标准范围，则预判断学员进行道路训练项目；若矩形框的范围小于预设的标准范围，则预判断学员进行场地训练项目；

S4，根据预判断的训练项目，通过两条轨迹对应点的位置，计算加速度或距离综合分值，将其与预先设定的判断阈值比较，判断得出两条轨迹是否相似的结论；

S5，通过对阿里云存储服务器中来自不同的教练车的轨迹数据进行对比判断，进而得出该驾校是否存在学员学时作弊的情况。

具体的，当预判断学员进行道路训练项目时，将重合时间段根据每60 S划分成K个采样点，根据两条轨迹数据对应时间点所在的位置，计算对应时间点两条轨迹数据所在位置的距离，并根据划分的时间小段转化成加速度，采用正态分布方式进行统计，得到加速度综合分值；将其与预先设定的判断阈值比较，判断得出两条轨迹是否相似的结论。

当预判断学员进行场地训练项目时，将形成的矩形经纬度框由地理坐标系转换为直角坐标系，轨迹数据由地理坐标转换为直角坐标，并在直角坐标系上划分出M*N个正方形区域块，将重合时间段划分成K个采样点，按照距离=△X+△Y的方式计算对应采样点两条轨迹数据所在位置的距离，并采用正态分布方式进行统计，得到距离综合分值；将其与预先设定的判断阈值比较，判断得出两条轨迹是否相似的结论；其中，△X为两条轨迹数据对应采样点在横轴上相隔的区域块的数量，△Y为两条轨迹数据对应采样点在纵轴上相隔的区域块的数量。所述正方形区域块的规格大小为20 m*20 m。