CN105976617A - 非法营运车辆检测方法和系统 - Google Patents

Abstract

本发明提供一种非法营运车辆检测方法和系统，基于卡口检测系统采集的车辆通行信息，通过聚类统计方法，对路网中的车辆活跃度进行分析，并对合法营运的出租车运行模式进行挖掘，从活跃度最高的组别中检测出非法营运车辆；该方法和系统，能够实现非法营运车辆的自动识别、黑名单管理、非法营运车辆查处等功能。能够实现对路网中的车辆的自动检测，通过对非法营运车辆识别，为非现场执法系统提供可靠依据，利于城市道路交通的管理。

Description

非法营运车辆检测方法和系统

技术领域

本发明涉及一种非法营运车辆检测方法和系统。

背景技术

车辆营运市场不断的开放带来了大量非法营运车辆的滋生。非法营运车辆指未取得行业主管部门运营许可的出租车、小客车、微型面包车等机动运输车辆，通常在车站、医院、学校等人流集中区域聚集并随意拉客、载客，严重扰乱了正常的道路交通运输市场以及城市的交通运行秩序，同时侵害了乘客的合法权益。

当前，非现场执法系统在城市道路交通管理中发挥着重要的作用，卡口等智能化交通管理系统能够对过车进行记录，实现全路网的车辆监测。海量的车辆监测数据为非法营运车辆的识别提供了可能，如何利用交通监测数据实现非法营运车辆的检测具有实际应用价值。

发明内容

本发明的目的是提供一种非法营运车辆检测方法和系统解决如何利用交通监测数据实现非法营运车辆的检测等问题。

本发明的技术解决方案是：

一种非法营运车辆检测方法，基于卡口检测系统采集的车辆通行信息，通过聚类统计方法，对路网中的车辆活跃度进行分析，并对合法营运的出租车运行模式进行挖掘，从活跃度最高的组别中检测出非法营运车辆；具体为：

S1、数据采集，由城市道路的卡口检测系统获得车辆检测数据，对原始检测数据进行过滤筛选，获取有效的过车数据，包括车牌号、卡口编号、检测时间；

S2、、基于过车检测数据对路网车辆的使用度进行统计，构建K-means聚类模型，对城市道路行驶车辆活跃度进行分析，进而将路网内存在检测记录的车辆分为三类，分别为活跃度较低车辆、活跃度较高车辆、活跃度极高车辆；

S3、获取本地营运车辆许可信息，生成合法营运车辆集合A；步骤S2中由 聚类分类获得的活跃度极高组内的车辆构成集合B；将活跃度极高组内的合法营运车辆剔除，生成非法营运可疑车辆集合S，即S＝B-(A∩B)；

S4、选取采样卡口，对合法营运车辆在采样点的行驶轨迹模式进行分析，对非法营运可疑车辆的轨迹模式与合法营运车辆的轨迹模式进行相似性评估，将高度相似的可疑车辆判别为非法营运车辆，进而实现非法营运车辆的自动识别。

进一步地，步骤S2中，具体为：

S21、车辆使用状态判别：首先确定统计的时间轴长度及日期，通常长度取为一个月；根据每日卡口检测系统的车辆检测记录确定每辆车在统计时段内的每日的车辆使用状态，若卡口检测系统在当日存在该车辆的过车检测记录，则该日的车辆使用状态表征量k记为1，否则，记为0；

S22、车辆使用度统计：对统计时段内车辆在工作日、非工作日的使用状态n₁、n₂以及工作日、非工作日的车辆检测次数n₃、n₄进行统计；

S23、车辆活跃度确定：由工作日、非工作日的使用状态以及工作日、非工作日的日均车辆检测次数四个参数组成活跃度向量，即车辆i在统计时段内的活跃度为

S24、根据活跃度进行车辆分类：采用K-means聚类方法将车辆分为三类，分别为活跃度较低车辆、活跃度较高车辆、活跃度极高车辆。

进一步地，步骤S22中，工作日车辆使用度非工作日车辆使用度工作日日均车辆检测次数非工作日日均车辆检测次数 式中a、b分别为统计时段内的工作日和非工作日天数，k_i、k_j分别为工作日、非工作日的车辆使用状态表征量，l_i、l_j分别为工作日、非工作日的车辆日卡口检测次数。

进一步地，步骤S4中，具体为：

S41、卡口采样点确定：采样点为日常营运车辆较为活跃的路段检测点；

S42、合法营运车辆轨迹模式分析：根据合法营运出租车在各采样点的过车 记录对营运车辆的日常轨迹的时空特性进行分析；

S43、非法营运车辆判别：对非法营运可疑车辆的轨迹模式与合法营运车辆的轨迹模式进行相似性评估，将高度相似的可疑车辆判别为非法营运车辆。

进一步地，步骤S42中，具体为：

S421、行驶特性指标统计分析，包括车辆在各采样点的每时段的平均被检次数x₁、平均被检频率x₂；平均被检次数计算公式为式中表示出租车在j时段内的于检测点i的平均被检次数，为车辆p在第q日的j时段在检测点i的被检次数，m为在检测点i存在检测记录的车辆数、n为统计天数；日均被检频率计算公式为式中表示出租车在j时段内的于检测点i的平均被检频率，为车辆p在第q日的j时段在检测点i的相邻两次被检记录的时间间隔，s为在时段j内的车辆p于检测点i的检测记录数，m为在检测点i存在检测记录的车辆数、n为统计天数。

S422、生成合法营运车辆标准轨迹模式序列X₁、X₂：其中，表示出租车在j时段内于检测点i的平均被检次数，表示出租车在j时段内于检测点i的平均被检频率，u为在检测点数、v为时段数；

进一步地，步骤S43具体为：

S431、可疑车辆轨迹模式序列分析：计算非法营运可疑车辆集合内各车辆元素在采样卡口检测点的每时段的平均被检次数平均被检频率 为可疑车辆k在时段j内于检测点i的平均被检次数，n为统计天数，为车辆k在第q日的j时段在检测点i的被检次数；为可疑车辆k在时段j内于检测点i的平均被检频率，为车辆k在第q日的j时段在检测点i的相邻两次被检记录的时间间隔，s为在时段j内的车辆p于检 测点i的检测记录数，n为统计天数；生成对应车辆的轨迹模式序列 为车辆k的轨迹模式序列，u为在检测点数、v为时段数；

S432、相似度分析：采用欧氏距离衡量可疑车辆轨迹模式序列与合法营运车辆标准轨迹模式序列的相似性，车辆k轨迹模式序列与标准轨迹模式序列X₁、X₂似度低于阈的相似度的计算方法为 为可疑车辆k在j时段内于检测点i的行驶特性指标值，为合法运营出租车在j时段内于检测点i的的行驶特性指标，u为在检测点数、v为时段数。

S433、相似性评估：采用阈值法对可疑车辆轨迹模式相似性进行评估，将相值的轨迹序列判断为相似序列，对应车辆判断为非法营运车辆。其中，阈值的确定方法通过合法营运车辆轨迹模式序列与标准序列的相似度的统计分析确定，一般选取85％位的相似度值作为检测阈值。

一种实现上述方法的非法营运车辆检测系统，包括数据采集模块、配置模块、车辆识别模块；

数据采集模块：接收城市道路安装的卡口检测系统的过车检测数据；

配置模块：接收用户通过系统交互界面上设置的基础参数，包括进行非法营运车辆识别所需的数据样本设置、卡口采样点设置、标准运营出租车设置；

车辆识别模块：根据配置模块的基础参数，从数据采集模块获取全路网卡口过车检测数据，基于上述非法营运车辆检测方法对分析时段内存在卡口检测记录的车辆进行非法营运行为的检测，对非法营运车辆进行标记。

进一步地，还包括黑名单管理模块和重点监管模块，

黑名单管理模块：接收车辆识别模块的非法营运标记车辆数据以及用户通过交互界面输入的人工查处的黑车信息；

重点监管模块：实现对黑名单内车辆的重点监管，自动对黑名单车辆在检查时段内是否存在非法营运行为进行判别，若存在，则系统生成警报以及检查报告；实现用户查看黑名单车辆的卡口通行记录，实现黑名单车辆通行状况的人工监管。

进一步地，车辆查处模块：对非法营运车辆的查处记录进行管理，实现用户查看车辆的历史查处记录。

本发明的有益效果是：该种非法营运车辆检测方法和系统，能够实现非法营运车辆的自动识别、黑名单管理、非法营运车辆查处等功能。该方法和系统，基于城市道路网布设的卡口系统获取海量车辆监控信息，通过数据挖掘方法实现对非法营运车辆的识别与检测。通过聚类对路网车辆活跃度进行分析，进而缩小车辆检测范围。分析合法营运车辆的行驶轨迹模式，评估可疑车辆轨迹模式与标准营运车辆轨迹模式的相似性，从而实现非法营运车辆的判别。能够实现对路网中的车辆的自动检测，通过对非法营运车辆识别，为非现场执法系统提供可靠依据，利于城市道路交通的管理。

附图说明

图1是本发明实施例非法营运车辆检测方法的流程示意图。

图2是本发明实施例非法营运车辆检测系统的说明框图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

一种基于卡口过车检测数据的非法营运车辆检测方法和系统，通多对卡口过车数据的挖掘对车辆活跃度、车辆轨迹特性进行分析，评估可疑车辆与典型运营车辆运行特性的相似性，从海量的过车检测记录中，查找出异常的车辆行驶记录。由此实现对非法营运车辆的识别。该种非法营运车辆检测系统基于上述的研判分析方法和流程，实现非法营运车辆的自动识别、黑名单管理、非法营运车辆查处等功能。

非法营运车辆检测方法基于卡口检测系统采集的车辆通行信息，通过聚类统计方法，对全路网的车辆活跃度进行分析，并对合法营运的出租车运行模式进行挖掘，从活跃度最高的组别中检测出非法营运车辆。如图1，具体检测流程：

S1、数据采集。由城市道路的卡口检测系统获得车辆检测数据，包括车辆图片、车牌号码、车型、车身颜色。其中，卡口检测系统需对每辆过车进行抓拍、车牌识别。对卡口检测系统采集的原始数据进行过滤筛选，获取有效的车 辆检测数据。后续步骤中，车辆检测数据字段包括车牌号、卡口编号、检测时间。

S2、车辆活跃度分析。通过K-means聚类统计方法，分析城市道路行驶车辆活跃度。

S21、车辆使用状态判别：首先确定统计的时间轴长度及日期，通常长度取为一个月；根据每日卡口检测系统的车辆检测记录确定每辆车在统计时段内的每日的车辆使用状态，若卡口检测系统在当日存在该车辆的过车检测记录，则该日的车辆使用状态表征量k记为1，否则，记为0。

S22、车辆使用度统计：对统计时段内车辆在工作日、非工作日的使用状态以及工作日、非工作日的车辆检测次数分别进行统计。其中，工作日车辆使用度非工作日车辆使用度工作日日均车辆检测次数 非工作日日均车辆检测次数式中a、b分别为统计时段内的工作日和非工作日天数，k_i、k_j分别为工作日、非工作日的车辆使用状态表征量，l_i、l_j分别为工作日、非工作日的车辆日卡口检测次数。

S23、车辆活跃度确定：由工作日、非工作日的使用状态以及工作日、非工作日的日均车辆检测次数四个参数组成活跃度向量，即车辆i在统计时段内的活跃度为

S24、根据活跃度进行车辆分类：采用K-means聚类方法将车辆分为三类，分别为活跃度较低车辆，活跃度较高车辆，活跃度极高车辆。其中，活跃度较低车辆指工作日、非工作日的使用状态、被检测次数均较低；活跃度较高车辆指较类别一(活跃度较低)而言，车辆在工作日的使用状态和被检测次数相对较高，非工作日的车辆使用量相对适中；活跃度极高车辆指工作日和非工作日的使用状态、被检测次数非常高，这类车辆主要为出租车等运营车辆，而非法营运车辆一般也归属于该类别。

S3、生成非法营运可疑车辆集合：获取本地营运车辆许可信息，生成合法营运车辆集合A；S24步骤里由聚类分类获得的活跃度极高组内的车辆构成集合B； 将活跃度极高组内的合法营运车辆剔除，生成非法营运可疑车辆集合S，即S＝B-(A∩B)。

S4、分析可疑车辆活跃轨迹，识别非法营运车辆。

S41、卡口采样点确定：

S411、将客运站、机场等交通枢纽以及学校、医院、商场、大型住宅区等黑车易聚集区域直接关联道路、交叉口的卡口检测点作为卡口采样点。

S412、将统计时段内的合法营运出租车在城市各卡口检测点位的被检次数进行统计并构建递减序列，将检测数量排名较前的点位做为卡口采样点，一般取前10％的点位作为采样点。

S42、合法营运车辆轨迹模式分析：根据合法营运出租车在各采样点的过车记录对营运车辆的日常轨迹的时空特性进行分析。

S421、行驶特性指标统计分析，包括车辆在各采样点的每时段的平均被检次数x₁、平均被检频率x₂；平均被检次数计算公式为式中表示出租车在j时段内的于检测点i的平均被检次数，为车辆p在第q日的j时段在检测点i的被检次数，m为在检测点i存在检测记录的车辆数、n为统计天数；日均被检频率计算公式为式中表示出租车在j时段内的于检测点i的平均被检频率，为车辆p在第q日的j时段在检测点i的相邻两次被检记录的时间间隔，s为在时段j内的车辆p于检测点i的检测记录数，m为在检测点i存在检测记录的车辆数、n为统计天数。

S422、生成合法营运车辆标准轨迹模式序列X₁、X₂：其中，表示出租车在j时段内于检测点i的平均被检次数，表示出租车在j时段内于检测点i的平均被检频率，u为在检测点数、v为时段数；

S43、非法营运车辆判别：

S431、可疑车辆轨迹模式序列分析：计算非法营运可疑车辆集合内各车辆元素在采样卡口检测点的每时段的平均被检次数平均被检频率 为可疑车辆k在时段j内于检测点i的平均被检次数，n为统计天数，为车辆k在第q日的j时段在检测点i的被检次数；为可疑车辆k在时段j内于检测点i的平均被检频率，为车辆k在第q日的j时段在检测点i的相邻两次被检记录的时间间隔，s为在时段j内的车辆p于检测点i的检测记录数，n为统计天数；生成对应车辆的轨迹模式序列 为车辆k的轨迹模式序列，u为在检测点数、v为时段数；

S432、相似度分析：采用欧氏距离衡量可疑车辆轨迹模式序列与合法营运车辆标准轨迹模式序列的相似性，车辆k轨迹模式序列与标准轨迹模式序列X₁、X₂似度的计算方法为 为可疑车辆k在j时段内于检测点i的行驶特性指标值，为合法运营出租车在j时段内于检测点i的的行驶特性指标，u为在检测点数、v为时段数。

S433、相似性评估：采用阈值法对可疑车辆轨迹模式相似性进行评估，对相似度低于阈值的轨迹序列判断为相似序列，对应车辆判断为非法营运车辆。其中，阈值的确定方法通过合法营运车辆轨迹模式序列与标准序列的相似度的统计分析确定，一般选取85％位的相似度值作为检测阈值。

实施例的非法营运车辆检测系统包含模块：数据采集模块、配置模块、车辆识别模块、黑名单管理模块、车辆查处模块，如图2。

数据采集模块：接收城市道路安装的卡口检测系统的过车检测数据，包括卡口编号、过车检测时间、车辆图片、车牌号码、车型、车身颜色。

配置模块：接收用户通过系统交互界面上设置的基础参数，包括进行非法营运车辆识别所需的数据样本设置，即设置统计时段；卡口采样点设置；标准运营出租车设置等。

车辆识别模块：根据配置模块的基础参数，从数据采集模块获取全路网卡口过车检测数据，基于非法营运车辆检测算法对分析时段内存在卡口检测记录的车辆进行非法营运行为的检测，对非法营运车辆进行标记。

黑名单管理模块：该模块接收车辆识别模块的非法营运标记车辆数据以及用户通过交互界面输入的人工查处的黑车信息；车辆信息包括：车牌号码、车型、车身颜色、车辆图片、检测时间、检测类型(系统识别、人工查处)。

重点监管模块：该模块实现对黑名单内车辆的重点监管，系统自动对黑名单车辆在检查时段内是否存在非法营运行为进行判别，若存在，则系统生成警报以及检查报告。另一方面，用户可查看黑名单车辆的卡口通行记录，实现黑名单车辆通行状况的人工监管。

车辆查处模块：该模块对非法营运车辆的查处记录进行管理，用户可通过查处时间、车牌号码等条件查看车辆的历史查处记录，一般查处记录中包含车辆信息、查处时间、处罚内容、负责人等。

该系统以友好的人机交互界面为用户提供非法营运车辆研判检验服务，包括车辆监管、车辆查处、黑名单管理、执勤管理、系统设置、权限管理等功能。

车辆监管：对黑名单内的非法营运车辆进行监管，若黑名单车辆存在非法营运行为，系统自动发出警报。

车辆查处：对车辆查处记录进行管理，用户可通过设置查处时间、车牌号码、查处部门(人员)等条件查询查询非法营运车辆查处记录。

黑名单管理：对非法营运车辆信息进行管理，用户可根据权限查询、添加、编辑、删除黑名单内车辆信息，包括车牌号码、车型、车身颜色、车辆图片、检测时间、检测类型(系统识别、人工查处)、查处记录等。

执勤管理：监管部门人员外勤执勤信息管理，用户可根据权限查询、添加、编辑、删除执勤计划表。

系统设置：用户可设置系统识别非法营运车辆的统计时段、取样的关键卡口检测点编号，筛选作为标准营运车辆的出租车。

Claims (9)

1.一种非法营运车辆检测方法，其特征在于，基于卡口检测系统采集的车辆通行信息，通过聚类统计方法，对车辆活跃度、车辆轨迹特性进行分析，评估可疑车辆与典型运营车辆运行特性的相似性，据此从海量过车数据中检测出异常的非法营运车辆；具体为：

S1、数据采集，由城市道路的卡口检测系统获得车辆检测数据，对原始检测数据进行过滤筛选，获取有效的过车数据，包括车牌号、卡口编号、检测时间；

S2、基于过车检测数据对路网车辆的使用度进行统计，构建K-means聚类模型，对城市道路行驶车辆活跃度进行分析，进而将路网内存在检测记录的车辆分为三类，分别为活跃度较低车辆、活跃度较高车辆、活跃度极高车辆；

S3、获取本地营运车辆许可信息，生成合法营运车辆集合A；步骤S2中由聚类分类获得的活跃度极高组内的车辆构成集合B；将活跃度极高组内的合法营运车辆剔除，生成非法营运可疑车辆集合S，即S＝B-(A∩B)；

S4、选取采样卡口，对合法营运车辆在采样点的行驶轨迹模式进行分析，对非法营运可疑车辆的轨迹模式与合法营运车辆的轨迹模式进行相似性评估，将高度相似的可疑车辆判别为非法营运车辆，进而实现非法营运车辆的自动识别。

2.如权利要求1所述的非法营运车辆检测方法，其特征在于：步骤S2中，具体为：

S21、车辆使用状态判别：首先确定统计的时间轴长度及日期，通常长度取为一个月；根据每日卡口检测系统的车辆检测记录确定每辆车在统计时段内的每日的车辆使用状态，若卡口检测系统在当日存在该车辆的过车检测记录，则该日的车辆使用状态表征量k记为1，否则，记为0；

S22、车辆使用度统计：对统计时段内车辆在工作日、非工作日的使用状态n₁、n₂以及工作日、非工作日的车辆检测次数n₃、n₄进行统计；

S23、车辆活跃度确定：由工作日、非工作日的使用状态以及工作日、非工作日的日均车辆检测次数四个参数组成活跃度向量，即车辆i在统计时段内的活跃度为

S24、根据活跃度进行车辆分类：采用K-means聚类方法将车辆分为三类，分别为活跃度较低车辆、活跃度较高车辆、活跃度极高车辆。

3.如权利要求1所述的非法营运车辆检测方法，其特征在于：步骤S22中，工作日车辆使用度非工作日车辆使用度工作日日均车辆检测次数非工作日日均车辆检测次数式中a、b分别为统计时段内的工作日和非工作日天数，k_i、k_j分别为工作日、非工作日的车辆使用状态表征量，l_i、l_j分别为工作日、非工作日的车辆日卡口检测次数。

4.如权利要求1所述的非法营运车辆检测方法，其特征在于：步骤S4中，具体为：

S41、卡口采样点确定：采样点为日常营运车辆较为活跃的路段检测点；

S42、合法营运车辆轨迹模式分析：根据合法营运出租车在各采样点的过车记录对营运车辆的日常轨迹的时空特性进行分析；

S43、非法营运车辆判别：对非法营运可疑车辆的轨迹模式与合法营运车辆的轨迹模式进行相似性评估，将高度相似的可疑车辆判别为非法营运车辆。

5.如权利要求1所述的非法营运车辆检测方法，其特征在于：步骤S42中，具体为：

S421、行驶特性指标统计分析，包括车辆在各采样点的每时段的平均被检次数x₁、平均被检频率x₂；平均被检次数计算公式为式中表示出租车在j时段内的于检测点i的平均被检次数，为车辆p在第q日的j时段在检测点i的被检次数，m为在检测点i存在检测记录的车辆数、n为统计天数；日均被检频率计算公式为式中表示出租车在j时段内的于检测点i的平均被检频率，为车辆p在第q日的j时段在检测点i的相邻两次被检记录的时间间隔，s为在时段j内的车辆p于检测点i的检测记录数，m为在检测点i存在检测记录的车辆数、n为统计天数；

S422、生成合法营运车辆标准轨迹模式序列X₁、X₂：其中，表示出租车 在j时段内于检测点i的平均被检次数，表示出租车在j时段内于检测点i的平均被检频率，u为在检测点数、v为时段数。

6.如权利要求1所述的非法营运车辆检测方法，其特征在于：步骤S43具体为：

S431、可疑车辆轨迹模式序列分析：计算非法营运可疑车辆集合内各车辆元素在采样卡口检测点的每时段的平均被检次数平均被检频率 为可疑车辆k在时段j内于检测点i的平均被检次数，n为统计天数，为车辆k在第q日的j时段在检测点i的被检次数； 为可疑车辆k在时段j内于检测点i的平均被检频率，为车辆k在第q日的j时段在检测点i的相邻两次被检记录的时间间隔，s为在时段j内的车辆p于检测点i的检测记录数，n为统计天数；生成对应车辆的轨迹模式序列 为车辆k的轨迹模式序列，u为在检测点数、v为时段数；

S432、相似度分析：采用欧氏距离衡量可疑车辆轨迹模式序列与合法营运车辆标准轨迹模式序列的相似性，车辆k轨迹模式序列与标准轨迹模式序列X₁、X₂似度的计算方法为 为可疑车辆k在j时段内于检测点i的行驶特性指标值，为合法运营出租车在j时段内于检测点i的的行驶特性指标，u为在检测点数、v为时段数。

S433、相似性评估：采用阈值法对可疑车辆轨迹模式相似性进行评估，将相似度低于阈值的轨迹序列判断为相似序列，对应车辆判断为非法营运车辆。

7.一种实现权利要求1-6任一项所述的方法的非法营运车辆检测系统，其特征在于：包括数据采集模块、配置模块、车辆识别模块；

数据采集模块：接收城市道路安装的卡口检测系统的过车检测数据；

配置模块：接收用户通过系统交互界面上设置的基础参数，包括进行非法营运车辆识别所需的数据样本设置、卡口采样点设置、标准运营出租车设置；

车辆识别模块：根据配置模块的基础参数，从数据采集模块获取全路网卡口过车检测数据，基于权利要求1-7任一项所述的非法营运车辆检测方法对分析时段内存在卡口检测记录的车辆进行非法营运行为的检测，对非法营运车辆进行标记。

8.如权利要求7所述的非法营运车辆检测系统，其特征在于：还包括黑名单管理模块和重点监管模块，

黑名单管理模块：接收车辆识别模块的非法营运标记车辆数据以及用户通过交互界面输入的人工查处的黑车信息；

重点监管模块：实现对黑名单内车辆的重点监管，自动对黑名单车辆在检查时段内是否存在非法营运行为进行判别，若存在，则系统生成警报以及检查报告；实现用户查看黑名单车辆的卡口通行记录，实现黑名单车辆通行状况的人工监管。

9.如权利要求7所述的非法营运车辆检测系统，其特征在于：还包括车辆查处模块：对非法营运车辆的查处记录进行管理，用户根据日期、车牌号码查看符合条件的非法营运车辆的查处记录。