CN107195181A - 一种根据套牌车识别规则库识别套牌车的方法 - Google Patents

一种根据套牌车识别规则库识别套牌车的方法 Download PDF

Info

Publication number
CN107195181A
CN107195181A CN201710407077.4A CN201710407077A CN107195181A CN 107195181 A CN107195181 A CN 107195181A CN 201710407077 A CN201710407077 A CN 201710407077A CN 107195181 A CN107195181 A CN 107195181A
Authority
CN
China
Prior art keywords
fake
rule
msub
mrow
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710407077.4A
Other languages
English (en)
Other versions
CN107195181B (zh
Inventor
战培志
关芳芳
倪晓炜
彭凤强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Technology
Jiangsu Posts and Telecommunications Planning and Designing Institute Co Ltd
Original Assignee
Nanjing Institute of Technology
Jiangsu Posts and Telecommunications Planning and Designing Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Technology, Jiangsu Posts and Telecommunications Planning and Designing Institute Co Ltd filed Critical Nanjing Institute of Technology
Priority to CN201710407077.4A priority Critical patent/CN107195181B/zh
Publication of CN107195181A publication Critical patent/CN107195181A/zh
Application granted granted Critical
Publication of CN107195181B publication Critical patent/CN107195181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种根据套牌车识别规则库识别套牌车的方法，包括：步骤1，定义套牌车识别规则库规则结构其中表示在第k条规则中第i个前项(前项因子及取值)，Dk为后项判别类别，βk为置信度，Sk为支持度，Rk为置信率；步骤2，收集历史套牌车查处数据，建立套牌车分析数据样本基表；步骤3，根据规则库规则结构，采用专门设计的规则生成算法，通过对套牌车分析数据基表数据计算处理，自动生成多前项因子套牌车识别规则，建立套牌车识别规则库，支持信息系统建设，实现套牌车自动识别应用。

Description

一种根据套牌车识别规则库识别套牌车的方法
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种根据套牌车识别规则库识别套牌车的方法。
背景技术
近年来，伴随着我国机动车保有量的急剧增加，车辆套牌这一违法行为也呈增多态势。所谓套牌车是指是指通过伪造或者非法套取、冒用他人合法车辆号牌及行驶证等手续上路行驶，以逃避违章、肇事和交纳相关费用责任的车辆。因为套牌车违章被电子警察抓拍后不用担心受到处罚，所以很多套牌车主在行车时肆意妄为，随意违反交通规则，严重扰乱了正常的道路交通秩序，带来很大交通安全隐患；还有很多套牌车为走私车辆，未按规定缴纳车辆购置税等相关费用，也造成国家税费流失。
套牌车是一种查处难度较大的违法违章行为，目前，大部分套牌车查处还是靠民警在执勤过程中根据经验对车牌外观特征人工识别查处，查处效率不高。在套牌车自动识别方面，国内虽已提出一系列专利与方法，但实际应用中存在一系列问题，应用效果并不好。目前国内套牌车自动识别的方法原理可归纳为以下三种：
(1)基于RFID电子标签的套牌车识别法：该方法在车辆上安装RFID电子标签(如很多城市在车辆上牌时发放的RFID环保电子标签)，在交通监控点同时放置电子标签识别设备和视频车牌识别设备，将在路口通过读取电子标签获取车辆的车牌号登记信息与视频车牌识别系统获取的车牌号信息进行比较，不一致的则为套牌车。该方法在实际应用中因有大量车辆未装电子标签，导致电子标签识别设备和视频车牌识别设备两套设备获取的车辆信息很少能一致。且因两套设备独立工作且工作原理不同，对同一辆车进行识别时可能存在时间差，如何统一车辆判别时间基准也是一个需解决的问题。因此该方法在实际应用时效果较差。
(2)基于视频车牌识别的套牌车识别方法。该方法把各机动车登记的车牌及对应的车辆颜色保存在数据库中，将通过视频车辆识别监控系统监控到的车辆车牌与颜色信息与样本数据库中数据对比，筛选出车牌相同但对应车辆颜色不同的车牌即为套牌车。在实际应用中，因基于视频的车辆识别系统对车牌识别存在一定的误识别率，导致该方法识别出的套牌车很多为误识别车辆，以某省会城市为例，该市每天监控设备拍摄的车牌照片超过五百万张，误识别率为1％，一天误报为套牌车的车辆即有5万多张次，数据量过大，已无法据此进行后续套牌车人工核实判别。
(3)基于网格化监控的套牌车检测方法。该识别方法的基本原理将所有的监控点相连成为一个网格，当挂同一车牌的车在同一时点在不同的网格点同时被视频监控设备拍摄到，或者在不同时点被拍摄到，但两次拍摄的时间差小于两个网格点的最短通行时间，则有一辆为套牌车。该方法存在的问题是只有当套牌车和被套牌车在较短时段内在不同地点都被拍摄到才可以进行判别，而这种条件在实际应用中发现达到条件的概率较低，且该方法对套外地车牌，套已报废车辆的车牌或未使用车牌的套牌车也无法识别。此外该方法也受车辆视频识别系统对车牌误识别的影响。
总体而言，上述三种套牌车自动识别方法都可以视为单前项因子的简单规则的识别方法，如方法2，3的识别规则分别可描述为：
IF视频识别车辆颜色与车辆登记颜色不同THEN车辆套牌
IF车辆两次被视频识别的时间差小于两个网格点的最短通行时间THEN车辆套牌
如上所述，这类简单规则的单前项因子数据获取极易受限或发生错误，因此往往不能有效进行套牌车自动识别，容错性与应用环境适应性差。此外，此类规则也反应不出规则的置信度、支持度等信息，不利于后续的规则选择决策。
发明内容
发明目的：本发明所要解决的技术问题是针对现有单前项因子简单规则套牌车自动识别技术的不足，提供一种规则库构建方法，支持多因子复杂套牌车识别规则建立，通过因子的增加及规则置信度、支持度的设置，有效提升套牌车识别规则的可用性与前项因子数据的容错性。
包括如下步骤：
步骤1，定义套牌车识别规则库规则结构；
步骤2，收集历史的套牌车查处数据(一般人工收集，或交警数据库如有，直接从中调取)，建立套牌车分析数据样本基表；
步骤3，根据步骤1定义的规则结构，通过对套牌车分析数据样本基表中的数据进行计算，自动生成相关规则，实现套牌车自动识别。
步骤1中，所述套牌车识别规则库规则结构为：
Rk:如果则{(Dk,βk,Sk,Rk)}，
其中表示在第k条规则中第i个前项，即前项因子及取值，如前项因子为违章信息，取值为低频、中频或者高频(一般设置每年违章3次及以下为低频，4～6次为中频，7次及以上为高频)，Mk表示前项的总数，
i＝1,2,…,Mk,k＝1,2,…,L，L表示规则总数，Dk为后项判别类别，βk为置信度，Sk为支持度，Rk为置信率。
通过如下公式计算支持度Sk：
其中，|T|为样本总数，|Tk|为支持规则的样本数。
通过如下公式计算置信率Rk：
其中，为样本库中后项判别类别的支持度，即识别为套牌车的样本占总样本比。
步骤2中，所述套牌车分析数据样本基表包含车辆基本信息、车辆监控信息、车辆行为信息、扩展字段、后项判别类别信息，其中，车辆基本信息包括车辆年检信息、车牌是否含易识别错误号码、是否为本地车辆和档次分类；
车辆监控信息包括监控与登记信息不同频次、同时段不同地点被监控频次；
车辆行为信息包括违章信息、是否被举报为套牌车；
扩展字段为备用字段，用于根据应用需求进行字段扩展；
后项判别类别信息包括套牌车识别判别结果。
步骤3中，计算套牌车识别规则包括如下步骤：
步骤3-1，设定判别置信度阈值ε，ε为能够接受的规则的最低置信度；读取套牌车分析数据样本基表所有数据，构建训练样本总集。
步骤3-2，设定后项判别目标类别D＝1为套牌车，计算D＝1对于每一个前项的前项因子Xi及取值vj的配对的条件概率，即计算Xi＝vj的条件概率p(D＝1|Xi＝vj)：
其中，为Xi＝vj条件下的样本记录条数，为Xi＝vj并且D＝1的样本记录条数，将计算得到的最大概率值记为pmax；
步骤3-3，如果pmax<1，选择pmax对应的前项选择属性前项因子与值配对，将其作为当前规则R的一个备选前项，并构建满足该条件的训练子集，若有两个或两个以上前项因子与值配对的条件概率都为pmax，选取训练子集样本记录数多的前项因子与值配对为备选前项；
步骤3-4，对于训练子集，重复执行步骤3-2～步骤3-3，如果能够获得pmax＝1，执行步骤3-5；如果最后构建的训练子集的条件概率pmax仍小于1，则执行步骤3-7；若两个以上前项因子与值配对的条件概率都为1，选择训练子集样本记录数多的前项因子与值配对执行步骤3-5；
步骤3-5，如果pmax＝1，则对应的前项为一条目标规则，设置规则置信度为1，根据前文所述公式和计算该规则的支持度与置信率；
步骤3-6，从训练总集中去去掉该条规则覆盖的所有样例，构成新训练总集，如果新训练总集为空集，则结束，如为非空集，对于新训练总集，，重复执行步骤3-2～步骤3-5；
步骤3-7，如果最后构建的训练子集的条件概率pmax<ε，则结束，如果pmax≥ε，则得到该子集涉及的所有前项因子—值配对为目标规则，规则置信度为pmax，对于该规则，根据前文所述公式和计算其支持度与置信率；从训练总集中去掉该条规则覆盖的所有样例，构成新训练总集，重复执行步骤3-2～步骤3-6直至pmax<ε结束。
有益效果：本发明方法采用特定的算法，可以自动从历史套牌车查处数据中生成多前项因子套牌车识别规则，避免了传统单前项因子简单规则套牌车自动识别方法因数据获取极易受限或发生错误而不能有效工作的问题，在此基础上构建套牌车识别规则库，可以有效支持套牌车自动识别。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。
图1为套牌车自动识别规则生成过程示意图。
图2为本发明流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明拟解决的技术问题：
传统套牌车自动识别技术原理上可归纳为基于单前项因子简单规则的套牌车自动识别技术，存在前项识别因子数据获取极易受限或发生错误，导致不能有效进行套牌车自动识别，可用性与容错性差的问题。本发明提供一种规则库构建方法，支持多因子复杂套牌车识别规则建立，通过前项因子的增加及规则置信度、支持度的设置，有效提升套牌车识别规则的可用性与容错性。
本发明的技术方案：
本发明定义了多前项因子套牌车识别规则的结构、套牌车分析数据样本基表结构、根据规则结构，采用专门设计的规则生成算法，通过对套牌车分析数据基表数据计算处理，自动生成相关多前项因子套牌车识别规则，支持套牌车识别规则库建立。
本发明的核心内容是根据历史套牌车查处数据，采用专门设计的规则生成算法，进行多前项因子套牌车识别规则提取。
具体实施方案：
为使本发明实现的技术方法易于了解明白，如图1和图2所示，下面结合具体实施方式，进一步阐述本发明。
引入置信度、支持度、置信率三个规则有效性判别指标，定义规则库规则结构为：
其中表示在第k条规则中第i个前项(前项因子及取值)，Mk表示第k条规则中前项的数目,L表示规则库中规则的数目。Dk为后项判别类别，βk为置信度，Sk为支持度，Rk为置信率，其中Sk，Rk计算公式分别如下所示
为样本总数，|Tk|为支持规则的样本数。
为样本库中后项判别类别的支持度。
采集一定时段(如半年)内识别的套牌车历史数据构建套牌车分析数据样本基表，基表包含车辆基本信息(车辆年检信息、车牌是否含易识别错误号码、是否为本地车辆、档次分类)、车辆监控信息(监控与登记信息不同频次、同时段不同地点被监控频次)、车辆行为信息(违章信息、是否被举报为套牌等)、扩展字段(备用字段，以支持根据应用需求进行字段扩展)、后项判别类别(套牌车识别判别结果)字段信息。
多前项因子套牌车识别规则生成流程见图1，具体如下：
步骤1，设判别置信度ε，ε为可接受的规则的最低置信度(如0.6)
步骤2，设置后项判别目标类别D＝1为套牌车，计算D＝1对于每一个前项因子—值配对Xi＝vj的条件概率p(D＝1|Xi＝vj)，获取最大概率值pmax；
步骤3，如果pmax<1,选择pmax对应的前项选择属性前项因子—值配对，将其作为当前规则R的一个备选前项，并构建满足该条件的训练子集；若多个前项因子—值配对的条件概率都为pmax，选择训练子集能覆盖样本多的前项因子—值配对为备选前项；
步骤4，对于训练子集，重复执行步骤2，3，如果可获得pmax＝1，执行步骤5；如果最后构建的训练子集pmax仍小于1，则执行7；若多个前项因子—值配对的条件概率都为1，选择覆盖样本多的前项因子—值配对执行步骤5；
步骤5，如果pmax＝1,则对应的前项为一条目标规则，设置规则置信度为1，计算该规则的支持度与置信率；
步骤6，从训练集中去掉该条规则覆盖的所有样例，构成新训练子集，重复执行步骤2，3，4，5；
步骤7，如果最后构建的只有一个前项的训练子集pmax<ε或pmax＝0，则结束，如果该pmax≥ε，则得到该子集涉及的所有前项因子—值配对为目标规则，规则置信度为pmax，对于该规则，根据总样本数计算其支持度与置信率；从训练集中去掉该条规则覆盖的所有样例，构成新训练子集，重复执行步骤2，3，4，5，6直至结束。
结合下面的例子具体说明。
为便于描述，分别用A1，A2…A8代表车辆年检信息、车牌是否含易识别错误号码、是否为本地车辆、档次分类(如30万以上为高端，10-30万为中档，10万以内为低档)、监控与登记信息不同频次(一般频次10次以下为低频，10～20次为中频，20次以上为高频)、同时段不同地点被监控频次(一般频次5次以下为低频，5～10次为中频，10次以上为高频)、违章频次(一般设置违章3次以下为低频，4～6次为中频，7次以上为高频)、是否被举报套牌字段信息，D代表套牌车识别判别结果字段信息，建立套牌车分析数据样本基表，数据如表一所示：
表一
A1 A2 A3 A4 A5 A6 A7 A8 D
正常 否 是 高档 高频 高频 高频 \ 1
\ 是 否 高档 \ \ 高频 \ 1
正常 否 是 中档 低频 低频 低频 \ 0
正常 是 是 中档 高频 低频 低频 \ 0
\ 是 否 中档 \ \ 中频 \ 0
\ 否 否 高档 \ \ 低频 \ 0
正常 是 是 高档 高频 低频 高频 \ 0
正常 否 是 中档 低频 高频 低频 \ 1
\ 否 否 中档 \ \ 高频 \ 1
过期 是 是 中档 高频 无 低频 \ 0
过期 否 是 中档 高频 无 中频 \ 1
正常 是 是 中档 高频 高频 低频 \ 0
\ 否 否 中档 \ \ 低频 \ 0
正常 是 是 中档 高频 低频 高频 \ 0
\ 是 否 高档 \ \ 高频 \ 1
过期 否 是 中档 低频 无 低频 \ 0
过期 否 是 中档 高频 无 中频 \ 1
过期 否 是 中档 高频 无 中频 \ 0
根据表一中的数据进行如下步骤计算：
步骤1：设定ε＝0.6；
步骤2:计算D＝1对于每一个前项因子—值配对的条件概率如表二所示，获得最大概率值0.67；
表二
属性 A1 A1 A2 A2 A3 A3 A4 A4
值 过期 正常 否 是 否 是 高档 中档
概率 0.40 0.29 0.50 0.25 0.50 0.33 0.60 0.31
属性 A5 A5 A6 A6 A6 A7 A7 A7
值 低频 高频 低频 高频 无 高频 低频 中频
概率 0.33 0.33 0.00 0.67 0.40 0.67 0.13 0.50
步骤3，选取概率值最大且训练子集覆盖样本最多的属性—值配对A7＝“高频”，并构建满足该条件的训练子集,如表三；
表三
A1 A2 A3 A4 A5 A6 A7 A8 D
正常 否 是 高档 高频 高频 高频 否 1
\ 是 否 高档 \ \ 高频 否 1
正常 是 是 高档 高频 低频 高频 否 0
\ 否 否 中档 \ \ 高频 否 1
正常 是 是 中档 高频 低频 高频 否 0
\ 是 否 高档 \ \ 高频 否 1
步骤4，对于训练子集，重复执行步骤2，获取概率值如表四所示
表四
属性 A1 A2 A2 A3 A3 A4 A4 A5 A6 A6
值 正常 否 是 否 是 高档 中档 高频 低频 高频
概率 0.33 1.00 0.50 1.00 0.33 0.75 0.50 0.33 0.00 1.00
步骤5存在概率值等于1，选取概率值为1，且覆盖样本最多的前项，生成规则
IF A7＝高频∩A3＝否Then D＝1
计算支持度与置信率，
步骤6，从训练集中去掉该条规则覆盖的所有样例，构成新训练子集，参考步骤2，3，4，5循环计算，获得置信度为1规则
If A6＝高频∩A2＝否Then{(D＝1,1,0.11,0.61)}
步骤7，从训练集中去掉该条规则覆盖的所有样例，构成新训练子集，参考步骤2，3，4循环计算，计算至最后前项为，
A7＝中频∩A1＝过期∩A2＝否∩A3＝是∩A4＝中档∩A5＝高频，此时训练子集如表五所示
表五
A6 D
无 1
无 1
无 0
此时A6＝无，pmax＝0.67>ε
获得置信度为0.67的规则
If A7＝中频∩A1＝过期∩A2＝否∩A3＝是∩A4＝中档∩A5＝高频∩A6＝无Then{(D＝1,0.67,0.11，0.42)}
从训练集中去掉该条规则覆盖的所有样例后，此时训练子集如表六
表六
A1 A2 A3 A4 A5 A6 A7 A8 D
正常 否 是 中档 低频 低频 低频 否 0
正常 是 是 中档 高频 低频 低频 否 0
\ 是 否 中档 \ \ 中频 否 0
\ 否 否 高档 \ \ 低频 否 0
正常 是 是 高档 高频 低频 高频 否 0
过期 是 是 中档 高频 无 低频 否 0
正常 是 是 中档 高频 高频 低频 否 0
\ 否 否 中档 \ \ 低频 否 0
正常 是 是 中档 高频 低频 高频 否 0
过期 否 是 中档 低频 无 低频 否 0
此时pmax＝0，算法结束。
据此规则库建立套牌车自动识别系统，可根据规则的置信度、支持度、置信率选择规则，根据选择的规则对车辆监控数据进行过滤，可选择出套牌车号码及该车经常被的监控发现的位置及时间信息，并以短信或邮件方式推送给执法人员，提醒执法人员查处。
以上显示和描述了本发明的基本原理和主要特征以及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种根据套牌车识别规则库识别套牌车的方法，其特征在于，包括以下步骤：
步骤1，定义套牌车识别规则库规则结构；
步骤2，收集历史的套牌车查处数据，建立套牌车分析数据样本基表；
步骤3，根据步骤1定义的规则结构，通过对套牌车分析数据样本基表中的数据进行计算，自动生成相关规则，实现套牌车自动识别。
2.根据权利要求1所述的方法，其特征在于，步骤1中，所述套牌车识别规则库规则结构为：
Rk:如果则{(Dk，βk，Sk，Rk)}，
其中表示在第k条规则中第i个前项，即前项因子及取值，Mk表示前项的总数，i＝1,2,…,Mk,k＝1,2,…,L，L表示规则总数，Dk为后项判别类别，βk为置信度，Sk为支持度，Rk为置信率。
3.根据权利要求2所述的方法，其特征在于，通过如下公式计算支持度Sk：
<mrow> <msup> <mi>S</mi> <mi>k</mi> </msup> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <msup> <mi>T</mi> <mi>k</mi> </msup> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <mi>T</mi> <mo>|</mo> </mrow> </mfrac> <mo>,</mo> </mrow>
其中，|T|为样本总数，|Tk|为支持规则的样本数。
4.根据权利要求3所述的方法，其特征在于，通过如下公式计算置信率Rk：
<mrow> <msup> <mi>R</mi> <mi>k</mi> </msup> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mi>min</mi> <mrow> <mo>(</mo> <mrow> <mfrac> <msup> <mi>&amp;beta;</mi> <mi>k</mi> </msup> <msub> <mi>S</mi> <msup> <mi>D</mi> <mi>k</mi> </msup> </msub> </mfrac> <mo>,</mo> <mfrac> <msub> <mi>S</mi> <msup> <mi>D</mi> <mi>k</mi> </msup> </msub> <msup> <mi>&amp;beta;</mi> <mi>k</mi> </msup> </mfrac> </mrow> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
其中，表示识别为套牌车的样本占总样本比。
5.根据权利要求4所述的方法，其特征在于，步骤2中，所述套牌车分析数据样本基表包含车辆基本信息、车辆监控信息、车辆行为信息、扩展字段、后项判别类别信息，其中，车辆基本信息包括车辆年检信息、车牌是否含易识别错误号码、是否为本地车辆和档次分类；
车辆监控信息包括监控与登记信息不同频次、同时段不同地点被监控频次；
车辆行为信息包括违章信息、是否被举报为套牌车；
扩展字段为备用字段，用于根据应用需求进行字段扩展；
后项判别类别信息包括套牌车识别判别结果。
6.根据权利要求5所述的方法，其特征在于，步骤3中，计算套牌车识别规则包括如下步骤：
步骤3-1，设定判别置信度阈值ε，ε为能够接受的规则的最低置信度；读取套牌车分析数据样本基表所有数据，构建训练样本总集；
步骤3-2，设定后项判别目标类别D＝1为套牌车，计算D＝1对于每一个前项的前项因子Xi及取值vj的配对的条件概率，即计算Xi＝vj的条件概率p(D＝1|Xi＝vj)：
<mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>D</mi> <mo>=</mo> <mn>1</mn> <mo>|</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mi>v</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msub> <mi>T</mi> <mrow> <mo>(</mo> <mi>D</mi> <mo>=</mo> <mn>1</mn> <mo>|</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mi>v</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </msub> <msub> <mi>T</mi> <mrow> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mi>v</mi> <mi>j</mi> </msub> </mrow> </msub> </mfrac> <mo>,</mo> </mrow>
其中，为Xi＝vj条件下的样本记录条数，为Xi＝vj并且D＝1的样本记录条数，将计算得到的最大概率值记为pmax；
步骤3-3，如果pmax<1，选择pmax对应的前项选择属性前项因子与值配对，将其作为当前规则R的一个备选前项，并构建满足该条件的训练子集，若有两个或两个以上前项因子与值配对的条件概率都为pmax，选取训练子集样本记录数多的前项因子与值配对为备选前项；
步骤3-4，对于训练子集，重复执行步骤3-2～步骤3-3，如果能够获得pmax＝1，执行步骤3-5；如果最后构建的训练子集的条件概率pmax仍小于1，则执行步骤3-7；若两个以上前项因子与值配对的条件概率都为1，选择训练子集样本记录数多的前项因子与值配对执行步骤3-5；
步骤3-5，如果pmax＝1，则对应的前项为一条目标规则，设置规则置信度为1，根据所述公式和计算该规则的支持度与置信率；
步骤3-6，从训练总集中去去掉该条规则覆盖的所有样例，构成新训练总集，如果新训练总集为空集，则结束，如为非空集，对于新训练总集，重复执行步骤3-2～步骤3-5；
步骤3-7，如果最后构建的训练子集的条件概率pmax<ε，则结束，如果pmax≥ε，则则对应的前项为一条目标规则，规则置信度为pmax，对于该规则，根据所述公式 和计算其支持度与置信率；从训练总集中去掉该条规则覆盖的所有样例，构成新训练总集，重复执行步骤3-2～步骤3-6直至pmax<ε，则结束。
CN201710407077.4A 2017-06-02 2017-06-02 一种根据套牌车识别规则库识别套牌车的方法 Active CN107195181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710407077.4A CN107195181B (zh) 2017-06-02 2017-06-02 一种根据套牌车识别规则库识别套牌车的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710407077.4A CN107195181B (zh) 2017-06-02 2017-06-02 一种根据套牌车识别规则库识别套牌车的方法

Publications (2)

Publication Number Publication Date
CN107195181A true CN107195181A (zh) 2017-09-22
CN107195181B CN107195181B (zh) 2019-08-02

Family

ID=59876870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710407077.4A Active CN107195181B (zh) 2017-06-02 2017-06-02 一种根据套牌车识别规则库识别套牌车的方法

Country Status (1)

Country Link
CN (1) CN107195181B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107895487A (zh) * 2017-11-24 2018-04-10 泰华智慧产业集团股份有限公司 一种基于大数据进行相似车牌串并的方法
CN110718070A (zh) * 2019-10-14 2020-01-21 深圳前海中电慧安科技有限公司 一种伴随车辆识别方法、装置、设备及存储介质
CN112660046A (zh) * 2020-12-30 2021-04-16 爱驰汽车有限公司 设备控制方法、装置、计算机设备、存储介质及车辆

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101635092A (zh) * 2009-05-22 2010-01-27 上海宝康电子控制工程有限公司 一种套牌机动车识别系统以及方法
WO2010148850A1 (zh) * 2009-11-10 2010-12-29 中兴通讯股份有限公司 一种电子车牌的控制系统及方法
CN103413440A (zh) * 2013-04-11 2013-11-27 江苏省邮电规划设计院有限责任公司 基于智慧城市数据仓库和识别规则库的套牌车识别方法
CN104035954A (zh) * 2014-03-18 2014-09-10 杭州电子科技大学 一种基于Hadoop的套牌车识别方法
CN104715614A (zh) * 2015-03-09 2015-06-17 上海依图网络科技有限公司 一种嫌疑套牌车捕获方法
CN105654730A (zh) * 2015-12-31 2016-06-08 公安部交通管理科学研究所 一种基于卡口过车大数据分析的套牌车认定方法
CN106599905A (zh) * 2016-11-25 2017-04-26 杭州中奥科技有限公司 一种基于深度学习的套牌车分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101635092A (zh) * 2009-05-22 2010-01-27 上海宝康电子控制工程有限公司 一种套牌机动车识别系统以及方法
WO2010148850A1 (zh) * 2009-11-10 2010-12-29 中兴通讯股份有限公司 一种电子车牌的控制系统及方法
CN103413440A (zh) * 2013-04-11 2013-11-27 江苏省邮电规划设计院有限责任公司 基于智慧城市数据仓库和识别规则库的套牌车识别方法
CN104035954A (zh) * 2014-03-18 2014-09-10 杭州电子科技大学 一种基于Hadoop的套牌车识别方法
CN104715614A (zh) * 2015-03-09 2015-06-17 上海依图网络科技有限公司 一种嫌疑套牌车捕获方法
CN105654730A (zh) * 2015-12-31 2016-06-08 公安部交通管理科学研究所 一种基于卡口过车大数据分析的套牌车认定方法
CN106599905A (zh) * 2016-11-25 2017-04-26 杭州中奥科技有限公司 一种基于深度学习的套牌车分析方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107895487A (zh) * 2017-11-24 2018-04-10 泰华智慧产业集团股份有限公司 一种基于大数据进行相似车牌串并的方法
CN107895487B (zh) * 2017-11-24 2019-08-20 泰华智慧产业集团股份有限公司 一种基于大数据进行相似车牌串并的方法
CN110718070A (zh) * 2019-10-14 2020-01-21 深圳前海中电慧安科技有限公司 一种伴随车辆识别方法、装置、设备及存储介质
CN112660046A (zh) * 2020-12-30 2021-04-16 爱驰汽车有限公司 设备控制方法、装置、计算机设备、存储介质及车辆
CN112660046B (zh) * 2020-12-30 2024-04-09 爱驰汽车有限公司 设备控制方法、装置、计算机设备、存储介质及车辆

Also Published As

Publication number Publication date
CN107195181B (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN106022296B (zh) 一种基于车辆热点区域的概率聚合的套牌车检测方法
CN107195181B (zh) 一种根据套牌车识别规则库识别套牌车的方法
CN103760901B (zh) 一种基于关联规则分类器的轨道交通故障识别方法
US8738525B2 (en) Method and system for processing vehicular violations
CN104268599A (zh) 一种基于车辆轨迹时空特征分析的黑车智能发现方法
CN107329977B (zh) 一种基于概率分布的假牌车二次筛选方法
CN106203505B (zh) 一种利用手机定位数据判断用户移动与停留状态的方法
CN107301433A (zh) 基于聚类判别模型的网约车鉴别方法和系统
CN108847022B (zh) 一种微波交通数据采集设备的异常值检测方法
CN111476177B (zh) 嫌疑人检测方法及装置
CN104657503A (zh) 一种基于统计判别法对电商销售额异常值的预处理方法
CN111612640A (zh) 一种数据驱动的车险欺诈识别方法
CN115691120A (zh) 一种基于高速公路流水数据的拥堵识别方法及系统
CN109767618B (zh) 一种公安交管业务异常数据综合研判方法及系统
CN106651732A (zh) 一种高速公路异车换卡逃费车辆筛查方法及系统
CN111796957A (zh) 基于应用日志的交易异常根因分析方法及系统
CN110942640A (zh) 一种主动发现非法从事网约车客运的嫌疑车辆的方法
CN105809195A (zh) 用于判别一个商户是否属于特定商户类别的方法和装置
CN109214464A (zh) 一种基于大数据的疑似窃电用户识别装置及识别方法
CN115032693B (zh) 一种强震的前震自动识别方法及装置
CN110562261A (zh) 一种基于马尔可夫模型检测驾驶员风险等级的方法
CN107463941A (zh) 一种车主身份识别方法及装置
CN113470369B (zh) 一种基于多维度信息判断套牌车辆真实号牌的方法及系统
CN114897345A (zh) 一种基于员工数据自动生成指标分的方法及装置
CN111553199A (zh) 一种基于计算机视觉的机动车交通违法行为自动检测技术

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 210019 No. 58 East Street, Nanxi River, Jianye District, Nanjing, Jiangsu

Applicant after: Zhong Tong clothing consulting and Design Research Institute Co., Ltd.

Applicant after: Nanjing Institute of Technology

Address before: 210019 No. 58 East Street, Nanxi River, Jianye District, Nanjing, Jiangsu

Applicant before: Jiangsu Posts & Telecommunications Planning and Designing Institute Co., Ltd.

Applicant before: Nanjing Institute of Technology

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant