CN108305461A - 一种偷逃费嫌疑车辆的确定方法和装置 - Google Patents
一种偷逃费嫌疑车辆的确定方法和装置 Download PDFInfo
- Publication number
- CN108305461A CN108305461A CN201711387113.1A CN201711387113A CN108305461A CN 108305461 A CN108305461 A CN 108305461A CN 201711387113 A CN201711387113 A CN 201711387113A CN 108305461 A CN108305461 A CN 108305461A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- identifier
- expense
- 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.)
- Pending
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)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种偷逃费嫌疑车辆的确定方法和装置,涉及电子技术领域。其中,所述方法包括:获取各个行车车辆对应的第一通行数据;提取第一通行数据中的检测数据;将检测数据输入第一偷逃费嫌疑车辆确定模型,获得检测数据对应的第一标识或第二标识;其中,第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识;判断行车车辆是否为偷逃费嫌疑车辆。本发明能够实现对偷逃费嫌疑车辆的自动挖掘与精准判别,为偷逃费车辆的治理和防范提供嫌疑车辆的精准判别和实时识别的技术手段。
Description
技术领域
本发明涉及电子技术领域,尤其涉及一种偷逃费嫌疑车辆的确定方法和装置。
背景技术
我国高速公路属于收费公路,但是一些不法运输企业和司机在利益的驱动下,采用各种手段少缴或拒缴高速通行费,不仅给高速公路运营企业和国家带来了巨额经济损失,而且还威胁着高速公路的安全运行,因此打击偷逃费行为是高速公路运营管理的一项重要工作。目前高速管理部门对偷逃费车辆的稽查方式主要采用收费通行数据的简单对比、人工询问、现场核实、事后取证等方式,稽查手段落后,稽查效率不高,数据存在不准、不全、不及时等问题。
大数据具有“高维、海量、实时”的特点,在大数据时代,数据挖掘是最关键的工作。对于大数据的挖掘,传统的数据挖掘技术可能很难解决,需要从算法的改进和方案的框架等多方面去提升处理能力。而大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程,也是一种决策支持过程。其主要基于人工智能,机器学习,模式学习,统计学习等,通过对大数据高度自动化地分析,做出归纳性的推理,从中挖掘出潜在的模式,帮助用户调整管理政策、识别异常、减少风险,并做出正确的决策。大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web数据挖掘等,这些方法针对不同的需求,从不同角度对数据进行挖掘。
针对上述问题,现有方案如下:
方案一是基于联网收费数据并结合设定的算法,对车辆通行数据进行逐条鉴别;此方案是基于收费系统进行改造,在原有收费系统中添加部分稽查字段,依据设定的简单算法对于超时、出入口车牌不符等车辆异常信息进行标记,靠人工并结合联网收费系统出入口数据来甄别偷逃费嫌疑车辆,当车辆途径收费站时,收费员发现车辆异常警示等情况询问司机原因,再依据视频、黑名单比对、设卡验证、经验判断等方式进行违法
方案二是基于视频大数据分析的高速公路防逃费稽查系统,此方案依托现有高速公路收费车道收费系统、车牌识别系统、高清卡口系统、视频监控系统等基础设施,通过区域性的防逃费系统平台和站级平台实现跨路段的数据共享、逃费信息提取和证据链管理;经过本系统稽查产生的黑、灰名单信息下发到各路段和收费车道,通过沿线的高清卡口系统、收费站车牌识别系统识别黑名单车辆并拦截、追缴通行费。
发明人在使用上述方案是具有以下问题:
方案一仅基于收费数据进行分析,并未结合路况、气象等数据进行深层次的嫌疑车辆特征挖掘,导致分析结果理想化,不够准确,误判率高,后续仍需大量的人工核实和确认工作,且无法分析海量业务数据,难以快速智能的发现和核实违法车辆,影响正常收费秩序。因此该方案对于海量业务数据的价值挖掘不够,缺乏对潜在的有偷逃费行为的车辆进行预知,辅助决策手段不足。
方案二的核心业务是证据提取、可疑车辆筛选、逃费证据链管理和存档,主要与视频监控系统、收费系统协同实现防逃费业务,其中部分可疑行为检测和黑名单上传下发过程沿用当前收费系统功能。而该方案主要是依据对视频数据的分析获取嫌疑数据,受原始视频质量和保存时间所限,系统记录的资料并不是绝对完整的,如入口没有摄像头,录像资料没有声音信息,车辆改型光凭图像无法确定等,因此对于偷逃费嫌疑车辆的自动挖掘不够充分,识别准确度较低,有漏判可能,难以为偷逃费的治理和防范提供更加全面和及时的决策支撑。
发明内容
本发明提供一种偷逃费嫌疑车辆的确定方法,以解决现有技术对嫌疑车辆的自动挖掘不够充分,识别准确度较低,有漏判可能的问题。
第一方面,本发明实施例提供了一种偷逃费嫌疑车辆的确定方法,该方法包括:
获取各个行车车辆对应的第一通行数据;
提取所述第一通行数据中的检测数据;
将所述检测数据输入第一偷逃费嫌疑车辆确定模型,获得所述检测数据对应的第一标识或第二标识;其中,所述第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;所述第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识;
根据所述第一标识或所述第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆。
进一步地,在所述获取各个行车车辆对应的第一通行数据的步骤之前,还包括:
从各业务系统中获取原始通行数据;
对所述原始通行数据进行预处理,获得多组第一可信赖通行数据;其中,每组所述第一可信赖通行数据包括:收费数据、路况数据、气象数据、IC卡数据和路径数据;
分析黑名单系统中偷逃费车辆的通行特征;
根据所述偷逃费车辆的通行特征,将所述第一可信赖通行数据分为正常车辆通行的第一训练数据和偷逃费车辆通行第二训练数据;
利用第一标识标记所述第一训练数据,且利用第二标识标记所述第二训练数据;
将所述第一标识及其对应的所述第一训练数据和所述第二标识及其对应的所述第二训练数据作为第一训练样本进行模型训练,得到第一偷逃费嫌疑车辆确定模型。
进一步地,所述将所述第一标识及其对应的所述第一训练数据和所述第二标识及其对应的所述第二训练数据作为第一训练样本进行模型训练,得到第一偷逃费嫌疑车辆确定模型的步骤之后,还包括:
将所述第一训练样本分为n份;其中,所述n为大于2的正整数;
依次选取n-m份所述第一训练样本训练模型,获得k个所述第二偷逃费嫌疑车辆确定模型;
将所述第二训练数据作为测试数据,依次将所述检测数据输入k个第二偷逃费嫌疑车辆确定模型,计算测试准确率;
选取最大的所述测试准确率对应的所述第二偷逃费嫌疑车辆确定模型替换所述第一偷逃费嫌疑车辆确定模型。
进一步地,所述根据所述第一标识或所述第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆的步骤之后,还包括:
将所述第一标识和所述第二标识及其对应的检测数据加入所述第一训练样本,调整所述第一偷逃费嫌疑车辆确定模型。
进一步地,所述预处理包括:标准化、和/或编码、和/或异常点检测和去除、和/或特征选择和构建、和/或数据清洁和净化、和/或数据修正处理。
进一步地,所述分析黑名单系统中偷逃费车辆的通行特征的步骤之前,还包括:
根据多组所述第一可信赖通行数据,动态计算多组第一可信赖通行数据的平均时间数列;
计算每组第一可信赖通行数据与对应的所述平均时间数列的差值;
将各个所述差值记录在对应的各组所述第一可信赖通行数据中,获得多组第二可信赖通行数据;
则所述将所述第一可信赖通行数据分为正常车辆通行的第一训练数据和偷逃费车辆通行第二训练数据,包括:
将所述第二可信赖通行数据分为正常车辆通行的第一训练数据和偷逃费车辆通行第二训练数据。
第二方面,本发明实施例还提供了一种装置,该装置包括:
第一获取模块,用于获取各个行车车辆对应的第一通行数据;
第一提取模块,用于提取所述第一通行数据中的检测数据;
输入模块,用于将所述检测数据输入第一偷逃费嫌疑车辆确定模型,获得所述检测数据对应的第一标识或第二标识;其中,所述第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;所述第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识;
判断模块,用于根据所述第一标识或所述第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆。
进一步地,还包括:
第二获取模块,用于从各业务系统中获取原始通行数据;
预处理模块,用于对所述原始通行数据进行预处理,获得多组第一可信赖通行数据;其中,每组所述第一可信赖通行数据包括:收费数据、路况数据、气象数据、IC卡数据和路径数据;
分析模块,用于分析黑名单系统中偷逃费车辆的通行特征;
分类模块,用于根据所述偷逃费车辆的通行特征,将所述第一可信赖通行数据分为正常车辆通行的第一训练数据和偷逃费车辆通行第二训练数据;
标记模块,用于利用第一标识标记所述第一训练数据,且利用第二标识标记所述第二训练数据;
第一模型训练模块,用于将所述第一标识及其对应的所述第一训练数据和所述第二标识及其对应的所述第二训练数据作为第一训练样本进行模型训练,得到第一偷逃费嫌疑车辆确定模型。
进一步地,还包括:
分份模块,用于将所述第一训练样本分为n份;其中,所述n为大于2的正整数;
第二模型训练模块,用于依次选取n-m份所述第一训练样本训练模型,获得k个第二偷逃费嫌疑车辆确定模型;
测试模块,用于将所述第二训练数据作为测试数据,依次将所述检测数据输入k个所述第二偷逃费嫌疑车辆确定模型,计算测试准确率;
替换模块,用于选取最大的所述测试准确率对应的所述第二偷逃费嫌疑车辆确定模型替换所述第一偷逃费嫌疑车辆确定模型。
进一步地,还包括:
调整模块,用于将所述第一标识和所述第二标识及其对应的检测数据加入所述第一训练样本,调整所述第一偷逃费嫌疑车辆确定模型。
在本发明实施例中,通过获取各个行车车辆对应的第一通行数据;提取所述第一通行数据中的检测数据;将所述检测数据输入第一偷逃费嫌疑车辆确定模型,获得所述检测数据对应的第一标识或第二标识;其中,所述第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;所述第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识;根据所述第一标识或第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆;能够实现对偷逃费嫌疑车辆的自动挖掘与精准判别,为偷逃费车辆的治理和防范提供嫌疑车辆的精准判别和实时识别的技术手段。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例一中的一种偷逃费嫌疑车辆的确定方法的流程图;
图2示出了本发明实施例二中的一种偷逃费嫌疑车辆的确定方法的流程图;
图3示出了本发明实施例三中的一种装置的结构框图;
图4示出了本发明实施例三中的另一种装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一
参照图1,示出了本发明实施例一的偷逃费嫌疑车辆的确定方法的流程图,具体可以包括如下步骤:
步骤101,获取各个行车车辆对应的第一通行数据。
在本发明实施例中,第一通行数据为行车车辆在通过某段高速路段所有可采集到的数据,包括:车道数据、设施编码数据、操作员数据、和/或车辆的状态、和/或车型、和/或车牌号、和/或入口和出口、和/或通行时间、和/或通行速度、和/或通行费用、和/或IC卡(Integrated Circuit Card,集成电路卡)卡号、和/或路况信息、和/或天气信息等。
在本发明实施例中,每个行车车辆通过某段高速公路时对应一组第一通行数据。
步骤102,提取所述第一通行数据中的检测数据。
在本发明实施例中,步骤101获取到的第一通行数据中,可能会存在与偷逃费嫌疑车辆无关的数据,比如车道数据、设施编码数据、操作员数据等数据。因此,需对第一通行数据进行筛选,提取有检测价值的检测数据。比如对上述第一通行数据进行提取,获取到的检测数据有车型、车牌号、入口和出口、通行时间、通行速度、通行费用、IC卡卡号、路况信息、天气信息中的部分数据。
步骤103,将所述检测数据输入第一偷逃费嫌疑车辆确定模型,获得所述检测数据对应的第一标识或第二标识;其中,所述第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;所述第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识。
在本发明实施例中,将检测数据输入到事先训练的偷逃费嫌疑车辆确定模型中,获得检测数据对应的第一标识,或获得检测数据对应的第二标识。其中第一标识表示行车车辆是正常车辆,第二标识表示行车车辆是偷逃费嫌疑车辆。例如第一标识1,第二标识为0。
在本发明实施例中,是根据第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识作为训练样本,训练偷逃费嫌疑车辆确定模型。
步骤104,根据所述第一标识或所述第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆。
在本发明实施例中,根据获得第一标识或第二标识,例如,当获得第一标识为1时,则行车车辆为正常车辆;当获得第二标识为第二标识为0时,则行车车辆为偷逃费嫌疑车辆。其中,第一标识和第二标识,也可以用其他数字或词语表示,本发明实施例对此不加以限制。
在本发明实施例中,通过对收费、路况、气象、IC卡、黑名单等交通综合数据的处理,根据路网实际运行状况分析与偷逃费嫌疑车辆运行相关联的属性特征,摈弃了一些与挖掘目标不相关的属性,从而得到的训练数据,使得利用挖掘算法挖掘出来的数据更加精确,拟合度更高。
在本发明实施例中,通过获取各个行车车辆对应的第一通行数据;提取所述第一通行数据中的检测数据;将所述检测数据输入第一偷逃费嫌疑车辆确定模型,获得所述检测数据对应的第一标识或第二标识;其中,所述第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;所述第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识;根据所述第一标识或第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆;能够实现对偷逃费嫌疑车辆的自动挖掘与精准判别,为偷逃费车辆的治理和防范提供嫌疑车辆的精准判别和实时识别的技术手段。
实施例二
参照图2,示出了本发明实施例二的偷逃费嫌疑车辆的确定方法的流程图,具体可以包括如下步骤:
步骤201,从各业务系统中获取原始通行数据。
本发明实施例中,在高速公路已建的各业务系统中获取原始通行数据。其中,原始通行数据是指多组通行数据,每组数据之间具有时间及空间关联性。例如,在业务系统A获取的多组原始通行数据见表一;在业务系统B获取的多组原始通行数据见表二。在业务系统A中获取到路况类型,在业务系统B中获取到的车辆的收费数据。
在本发明实施例中,上述只是举例说明,事实上本发明不止两个业务系统,同时各业务系统中的原始通行数据的存储格式及存储的内容也有多种方式。本发明对此不加以限制。
表一
表二
步骤202,对所述原始通行数据进行预处理,获得多组第一可信赖通行数据;其中,每组所述第一可信赖通行数据包括:车辆数据、收费数据、路况数据、气象数据、IC卡数据和路径数据。
优选的,所述预处理包括:标准化、和/或编码、和/或异常点检测和去除、和/或特征选择和构建、和/或数据清洁和净化、和/或数据修正处理。
在本发明实施例中,对原始通行数据进行预处理的目的是将海量原始通行数据转换成适于挖掘的有价值的,并且可用于训练模型的第一可信赖通行数据。
在本发明实施例中,车辆数据包括车牌号、入口车型和出口车型等。收费数据是指行车车辆通过某段高速公路时的通行费用数据。路况数据是指车辆通过某段高速公路时是畅通、拥堵还是缓行等数据。气象数据是指车辆通过某段高速公路时的天气状况等数据。IC卡数据包括IC卡号和IC卡状态等数据。路径数据包括通行里程、通行时间、入口站、出口站等数据。
在本发明实施例中,由于各业务系统建设时期不同,建设厂家不同,数据格式不同,导致各系统间的原始通行数据存在较大的不一致性、不完整性、冗余性和模糊性,无法直接满足模型训练的要求。因此,为了提高对原始通行数据的挖掘质量和挖掘效率,要对从原始数据库中选取的收费流水数据、路况数据、气象、IC卡等数据进行再处理,对原始数据进行维规约、聚集、过滤异常值、去掉重复记录处理以及标准化等,检查数据的完整性及数据一致性,消除噪声,滤除与数据挖掘无关的冗余数据。并根据时间序列和已知的变化情况利用统计等方法填充丢失的原始通行数据,摈弃一些与挖掘目标不相关的原始通行数据,为训练模型提供干净、准确、更有针对性的数据,保证第一可信赖通行数据的正确性和有效性,提高数据预处理的效率。
在本发明实施例中,见表三,表三表示对各业务系统的原始通行数据进行预处理,得到的第一可信赖通行数据。在本发明实施例中,具有多种方式对原始通行数据进行预处理。本发明实施例对此不加以限制。
表三
步骤203,分析黑名单系统中偷逃费车辆的通行特征。
在本发明实施例中,黑名单系统是存储历史偷逃费车辆的通行数据,黑名单中存储的是已经经过确认为偷逃费车辆的通行特征;比如表四为黑名单系统中偷逃费车辆的数据,其中黑名单数据中,只记录了偷逃费车辆的部分数据。
表四
步骤204,根据所述偷逃费车辆的通行特征,将所述第一可信赖通行数据分为正常车辆通行的第一训练数据和偷逃费车辆通行第二训练数据。
在本发明实施例中,根据偷逃费车辆的通行特征,在第一可信赖通行数据中查找对应的数据,将对应的数据与不对应的数据进行分类。比如,根据表四中的数据,在表三种查找对应的数据。即黑名单系统中的车辆在第一可信赖通行数据中,具有对应的一组通行数据。
在本发明实施例中,步骤203之前,还包括:根据多组所述第一可信赖通行数据,动态计算多组第一可信赖通行数据的平均时间数列;计算每组第一可信赖通行数据与对应的所述平均时间数列的差值;将各个所述差值记录在对应的各组所述第一可信赖通行数据中,获得多组第二可信赖通行数据。
则步骤204,包括:将所述第二可信赖通行数据分为正常车辆通行的第一训练数据和偷逃费车辆通行第二训练数据。
在本发明实施例中,比如,获取某类型车通过某段路程的平均时间,再获取每辆车通过此段路程的时间,计算差值,得到每辆车的延时或超时,将延时或超时的时间加入训练样本中,进一步准确获取偷逃费车辆的通行特征。
步骤205,利用第一标识标记所述第一训练数据,且利用第二标识标记所述第二训练数据。
在本发明实施例中,对第一训练数据和第二训练数据进行标记,例如,参照表五,利用第一标识1标记所述第一训练数据,且利用第二标识0标记所述第二训练数据。
在本发明实施例中,第一标识表示正常车辆。第二标识表示偷逃费嫌疑车辆。
表五
步骤206,将所述第一标识及其对应的所述第一训练数据和所述第二标识及其对应的所述第二训练数据作为第一训练样本进行模型训练,得到第一偷逃费嫌疑车辆确定模型。
在本发明实施例中,训练模型的第一训练样本为第一标识及其对应的第一训练数据和第二标识及其对应的第二训练数据。如表五中的数据。
在本发明实施例中,通过选择相应的机器学习模型,让机器学习模型根据第一训练样本中描述车辆通行的一些客观属性进行模型的训练,从而构建适用于偷逃费嫌疑车辆确定的第一偷逃费嫌疑车辆确定模型,用于解决偷逃费车辆的自动识别和精准识别的问题。
在本发明实施例中,优选的,采用支持向量机进行第一偷逃费嫌疑车辆确定模型的训练。
在本发明实施例中,偷逃费嫌疑车辆通行会受到多种因素的影响,因素之间并非是完全独立的,因此嫌疑车辆通行特征具有高维、非线性的特点,不需要考虑过拟合的问题,算法的计算速度要快,便于实现嫌疑车辆的实时识别。而支持向量机算法在解决小样本、非线性及高维识别中表现出许多特有的优势。支持向量机(Support Vector Machine,简称SVM)方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最佳的分类/预测能力。
在本发明实施例中,利用先进的支持向量机算法实现对历史及实时综合数据的挖掘,无需人工核实及询问,只需对预处理好的训练数据进行模型训练,用模型对测试数据进行迭代分析输出嫌疑车辆预测值,自动实现偷逃费嫌疑车辆的预知。支持向量机通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,亦能获得良好统计规律的目的。
优选的,在本发明实施例中,也可采用逻辑回归模型实现嫌疑车辆的确定,本发明实施例对此不加以限制。
步骤207,将所述第一训练样本分为n份;其中,所述n为大于2的正整数。
在本发明实施例中,第一训练样本具有多组数据,将第一训练样本平均分成n份数据。例如,第一训练样本中具有5万组数据,平均分成500份,即每份中具有100组数据。
步骤208,依次选取n-m份所述第一训练样本训练模型,获得k个第二偷逃费嫌疑车辆确定模型。
在本发明实施例中,当m为1时,则依次在500份数据中选取499份第一训练样本训练模型,即获得500个第二偷逃费嫌疑车辆确定模型。
步骤209,将所述第二训练数据作为测试数据,依次将所述检测数据输入k个所述第二偷逃费嫌疑车辆确定模型,计算测试准确率。
优选的,步骤209包括:将各组所述第二训练数据作为测试数据,依次将所述测试数据输入k个第二偷逃费嫌疑车辆确定模型,获得第三标识,将第三标识与第二标识进行匹配,根据匹配结果计算测试准确率。
在本发明实施例中,由于第二训练数据为偷逃费车辆对应的数据,即确认第二训练数据的属性。即将第二训练数据作为测试数据,其中第二训练数据也具有多组数据,将每组数据依次输入第二偷逃费嫌疑车辆确定模型,获得对应的第三标识,将第三标识与第二标识进行对比,如相同,则测试准确,如不同,则测试错误,以此计算准确率。例如,当有500个第二偷逃费嫌疑车辆确定模型,2万组第二训练数据,先将2万组第二训练数据依次输入第1个第二偷逃费嫌疑车辆确定模型,计算2万组第二训练数据测试的准确率为85%,同样的方式,将2万组第二训练数据输入第2-500个第二偷逃费嫌疑车辆确定模型,分别获得测试的准确率为90%、93%、92%等。
在本发明实施例中,也可选择第一训练样本中的任意组数训练样本作为测试数据,本申请对此不加以限制。
步骤210,选取最大的所述测试准确率对应的所述第二偷逃费嫌疑车辆确定模型替换所述第一偷逃费嫌疑车辆确定模型。
在本发明实施例中,步骤209获得500个第二偷逃费嫌疑车辆确定模型对应的500个测试准确率。在这500个第二偷逃费嫌疑车辆确定模型选择测试准确率最大的替换第一偷逃费嫌疑车辆确定模型。
在本发明实施例中,通过测试模型对第一偷逃费嫌疑车辆确定模型进行调整。使获得偷逃费嫌疑车辆确定模型分析车辆的偷逃费嫌疑时,更为精确。
在本发明实施例中,利用交叉验证法对训练模型进行验证评估,进行模型迭代调参,找到最优化参数,通过这样的验证方法使输出的模型精度最高。
步骤211,获取各个行车车辆对应的第一通行数据。
参照步骤101,在此不再详述。
步骤212,提取所述第一通行数据中的检测数据。
参照步骤102,在此不再详述。
步骤213,将所述检测数据输入第一偷逃费嫌疑车辆确定模型,获得所述检测数据对应的第一标识或第二标识;其中,所述第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;所述第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识。
参照步骤103,在此不再详述。
步骤214,根据所述第一标识或所述第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆。
参照步骤104,在此不再详述。
步骤215,将所述第一标识和所述第二标识及其对应的检测数据加入第一训练样本,调整所述第一偷逃费嫌疑车辆确定模型。
优选的,步骤215包括,将所述第一标识和所述第二标识及其对应的检测数据进行预处理后,加入第一训练样本,调整所述第一偷逃费嫌疑车辆确定模型。
在本发明实施例中,将所述第一标识和所述检测数据作为一组数据加入第一训练样本。将所述第二标识和所述检测数据作为一组数据加入第一训练样本。
在本发明实施例中,根据实时更新第一偷逃费嫌疑车辆确定模型,能够提高偷逃费嫌疑车辆确定的准确率。
在本发明实施例中,在倒卡逃费的情况中的应用方式如下:
倒卡逃费是指车辆通过调换IC卡,缩短缴费里程,从而达到少缴车辆通行费的目的的一种逃费方式。倒卡逃费也有很多种形式,其中单车倒卡逃费是很常见的一种逃费方式,倒卡偷逃通行费车辆一般具备以下一些通行特征:车辆行驶超时、大型货车近途超限率高、多次丢卡领卡、丢卡重复使用、近上一张卡入口出站、一年内多次循环出现上述行为。具体步骤如下:
A、收集历史车辆出入口通行记录、路网路况记录、高速气象记录、IC卡记录、黑名单数据等;对数据进行预处理,聚集、过滤异常值、去掉重复记录处理等,摈弃一些与挖掘目标不相关的属性,获得可信赖通行数据。
B、利用时间数列及动态分析法计算全网、全时、全车型的车辆通行特征各参数的平均数时间数列,这些特征参数包括:车型分类、路况类别、通行时间、通行速度、通行费用、事件时长、超载率,并以此作为路网正常运行时的标准特征参数阈值。其中,单车倒卡偷逃费嫌疑车辆具有如下这些通行特征:车辆行驶超时、大型货车近途超限率高、多次丢卡领卡、丢卡重复使用、近上一张卡入口出站。
C、将车辆特征向量化为特征向量,并作为输入向量。选择正负例,取偷逃费通行费车辆为负例,正常通行车辆为正例,正负作为分类标签记录在数据上。
D、单车倒卡逃费问题是一个二分类问题。选用以RBF(Radial Basis Function高斯核函数)为核函数的支持向量机模型来进行模型训练,通过步骤2对嫌疑车辆通行特征的分析,将输入向量映射到高维特征向量空间,训练模型步骤如下:
1)输入训练集数据。
2)提供训练集数据构建SVM参数。
例如,设定SVM参数中的SVM类型,选择RBF核函数生成SVM,将车辆特征向量化为特征向量,并作为输入向量,将输入向量映射到高维特征向量空间。RBF核函数有个重要参数核参数σ2,对于一个基于RBF核函数的SVM,其性能是由参数σ2决定,选取不同的σ2就会得到不同的SVM。寻找最佳的参数使该SVM的性能最好,即错误率最低。
3)交叉验证法对模型进行验证评估,进行模型调参,找到最优化参数σ2,构建偷逃费嫌疑车辆确定模型,使模型的精度最高。
4)利用模型对测试数据进行迭代分析输出嫌疑车辆预测值。
E、通过偷逃费嫌疑车辆确定模型分析出的偷逃费嫌疑车辆信息,将偷逃费嫌疑车辆的信息进行存储,重新作为新的训练样本,不断调整偷逃费嫌疑车辆确定模型,使模型参数更为准确,识别准确度也更高。
在本发明实施例中,通过获取各个行车车辆对应的第一通行数据;提取所述第一通行数据中的检测数据;将所述检测数据输入第一偷逃费嫌疑车辆确定模型,获得所述检测数据对应的第一标识或第二标识;其中,所述第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;所述第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识;根据所述第一标识或第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆;能够实现对偷逃费嫌疑车辆的自动挖掘与精准判别,为偷逃费车辆的治理和防范提供嫌疑车辆的精准判别和实时识别的技术手段。
实施例三
参照图3,示出了本发明实施例三的一种装置300的结构框图,具体可以包括:
第一获取模块301,用于获取各个行车车辆对应的第一通行数据;
第一提取模块302,用于提取所述第一通行数据中的检测数据;
输入模块303,用于将所述检测数据输入第一偷逃费嫌疑车辆确定模型,获得所述检测数据对应的第一标识或第二标识;其中,所述第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;所述第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识;
判断模块304,用于根据所述第一标识或所述第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆。
可选地,在图3的基础上,参照图4,所述装置还包括:
第二获取模块305,用于从各业务系统中获取原始通行数据;
预处理模块306,用于对所述原始通行数据进行预处理,获得多组第一可信赖通行数据;其中,每组所述第一可信赖通行数据包括:收费数据、路况数据、气象数据、IC卡数据和路径数据;
分析模块307,用于分析黑名单系统中偷逃费车辆的通行特征;
分类模块308,用于根据所述偷逃费车辆的通行特征,将所述第一可信赖通行数据分为正常车辆通行的第一训练数据和偷逃费车辆通行第二训练数据;
标记模块309,用于利用第一标识标记所述第一训练数据,且利用第二标识标记所述第二训练数据;
第一模型训练模块310,用于将所述第一标识及其对应的所述第一训练数据和所述第二标识及其对应的所述第二训练数据作为第一训练样本进行模型训练,得到第一偷逃费嫌疑车辆确定模型。
所述装置300,还包括:
分份模块311,用于将所述第一训练样本分为n份;其中,所述n为大于2的正整数;
第二模型训练模块312,用于依次选取n-m份所述第一训练样本训练模型,获得k个所述第二偷逃费嫌疑车辆确定模型;
测试模块313,用于将所述第二训练数据作为测试数据,依次将所述检测数据输入k个所述第二偷逃费嫌疑车辆确定模型,计算测试准确率;
替换模块314,用于选取最大的所述测试准确率对应的所述第二偷逃费嫌疑车辆确定模型替换所述第一偷逃费嫌疑车辆确定模型。
所述装置300,还包括:
调整模块315,用于将所述第一标识和所述第二标识及其对应的检测数据加入第一训练样本,调整所述第一偷逃费嫌疑车辆确定模型。
本发明实施例提供的装置能够实现图1至图4的方法实施例中装置实现的各个过程,为避免重复,这里不再赘述。
在本发明实施例中,通过获取各个行车车辆对应的第一通行数据;提取所述第一通行数据中的检测数据;将所述检测数据输入第一偷逃费嫌疑车辆确定模型,获得所述检测数据对应的第一标识或第二标识;其中,所述第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;所述第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识;根据所述第一标识或第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆;能够实现对偷逃费嫌疑车辆的自动挖掘与精准判别,为偷逃费车辆的治理和防范提供嫌疑车辆的精准判别和实时识别的技术手段。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。本发明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括当不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、在计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程处理终端设备的处理器以产生一个机器、使得通过计算机或其他编程数据处理终端设备的处理器执行的指令产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (10)
1.一种偷逃费嫌疑车辆的确定方法,其特征在于,所述方法包括:
获取各个行车车辆对应的第一通行数据;
提取所述第一通行数据中的检测数据;
将所述检测数据输入第一偷逃费嫌疑车辆确定模型,获得所述检测数据对应的第一标识或第二标识;其中,所述第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;所述第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识;
根据所述第一标识或所述第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆。
2.根据权利要求1所述的方法,其特征在于,在所述获取各个行车车辆对应的第一通行数据的步骤之前,还包括:
从各业务系统中获取原始通行数据;
对所述原始通行数据进行预处理,获得多组第一可信赖通行数据;其中,每组所述第一可信赖通行数据包括:收费数据、路况数据、气象数据、IC卡数据和路径数据;
分析黑名单系统中偷逃费车辆的通行特征;
根据所述偷逃费车辆的通行特征,将所述第一可信赖通行数据分为正常车辆通行的第一训练数据和偷逃费车辆通行第二训练数据;
利用第一标识标记所述第一训练数据,且利用第二标识标记所述第二训练数据;
将所述第一标识及其对应的所述第一训练数据和所述第二标识及其对应的所述第二训练数据作为第一训练样本进行模型训练,得到第一偷逃费嫌疑车辆确定模型。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一标识及其对应的所述第一训练数据和所述第二标识及其对应的所述第二训练数据作为第一训练样本进行模型训练,得到第一偷逃费嫌疑车辆确定模型的步骤之后,还包括:
将所述第一训练样本分为n份;其中,所述n为大于2的正整数;
依次选取n-m份所述第一训练样本训练模型,获得k个第二偷逃费嫌疑车辆确定模型;
将所述第二训练数据作为测试数据,依次将所述检测数据输入k个所述第二偷逃费嫌疑车辆确定模型,计算测试准确率;
选取最大的所述测试准确率对应的所述第二偷逃费嫌疑车辆确定模型替换所述第一偷逃费嫌疑车辆确定模型。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一标识或所述第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆的步骤之后,还包括:
将所述第一标识和所述第二标识及其对应的检测数据加入所述第一训练样本,调整所述第一偷逃费嫌疑车辆确定模型。
5.根据权利要求2所述的方法,其特征在于,所述预处理包括:标准化、和/或编码、和/或异常点检测和去除、和/或特征选择和构建、和/或数据清洁和净化、和/或数据修正处理。
6.根据权利要求2所述的方法,其特征在于,所述分析黑名单系统中偷逃费车辆的通行特征的步骤之前,还包括:
根据多组所述第一可信赖通行数据,动态计算多组第一可信赖通行数据的平均时间数列;
计算每组第一可信赖通行数据与对应的所述平均时间数列的差值;
将各个所述差值记录在对应的各组所述第一可信赖通行数据中,获得多组第二可信赖通行数据;
则所述将所述第一可信赖通行数据分为正常车辆通行的第一训练数据和偷逃费车辆通行第二训练数据,包括:
将所述第二可信赖通行数据分为正常车辆通行的第一训练数据和偷逃费车辆通行第二训练数据。
7.一种偷逃费嫌疑车辆的确定装置,其特征在于,所述装置包括:
第一获取模块,用于获取各个行车车辆对应的第一通行数据;
第一提取模块,用于提取所述第一通行数据中的检测数据;
输入模块,用于将所述检测数据输入第一偷逃费嫌疑车辆确定模型,获得所述检测数据对应的第一标识或第二标识;其中,所述第一偷逃费嫌疑车辆确定模型是由第一训练样本训练获得;所述第一训练样本包括:正常车辆通行的第一训练数据和对应的所述第一标识,及偷逃费车辆通行的第二训练数据和对应的所述第二标识;
判断模块,用于根据所述第一标识或所述第二标识,判断所述行车车辆是否为偷逃费嫌疑车辆。
8.根据权利要求7所述的装置,其特征在于,还包括:
第二获取模块,用于从各业务系统中获取原始通行数据;
预处理模块,用于对所述原始通行数据进行预处理,获得多组第一可信赖通行数据;其中,每组所述第一可信赖通行数据包括:收费数据、路况数据、气象数据、IC卡数据和路径数据;
分析模块,用于分析黑名单系统中偷逃费车辆的通行特征;
分类模块,用于根据所述偷逃费车辆的通行特征,将所述第一可信赖通行数据分为正常车辆通行的第一训练数据和偷逃费车辆通行第二训练数据;
标记模块,用于利用第一标识标记所述第一训练数据,且利用第二标识标记所述第二训练数据;
第一模型训练模块,用于将所述第一标识及其对应的所述第一训练数据和所述第二标识及其对应的所述第二训练数据作为第一训练样本进行模型训练,得到第一偷逃费嫌疑车辆确定模型。
9.根据权利要求8所述的装置,其特征在于,还包括:
分份模块,用于将所述第一训练样本分为n份;其中,所述n为大于2的正整数;
第二模型训练模块,用于依次选取n-m份所述第一训练样本训练模型,获得k个第二偷逃费嫌疑车辆确定模型;
测试模块,用于将所述第二训练数据作为测试数据,依次将所述检测数据输入k个所述第二偷逃费嫌疑车辆确定模型,计算测试准确率;
替换模块,用于选取最大的所述测试准确率对应的所述第二偷逃费嫌疑车辆确定模型替换所述第一偷逃费嫌疑车辆确定模型。
10.根据权利要求8所述的装置,其特征在于,还包括:
调整模块,用于将所述第一标识和所述第二标识及其对应的检测数据加入所述第一训练样本,调整所述第一偷逃费嫌疑车辆确定模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711387113.1A CN108305461A (zh) | 2017-12-20 | 2017-12-20 | 一种偷逃费嫌疑车辆的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711387113.1A CN108305461A (zh) | 2017-12-20 | 2017-12-20 | 一种偷逃费嫌疑车辆的确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108305461A true CN108305461A (zh) | 2018-07-20 |
Family
ID=62870741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711387113.1A Pending CN108305461A (zh) | 2017-12-20 | 2017-12-20 | 一种偷逃费嫌疑车辆的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108305461A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360280A (zh) * | 2018-08-22 | 2019-02-19 | 东软集团股份有限公司 | 建立逃漏费识别模型的方法、装置、存储介质及电子设备 |
CN110517364A (zh) * | 2019-09-04 | 2019-11-29 | 南京亿儒科技有限公司 | 基于大数据分析的节假日免费打逃系统及方法 |
CN110570533A (zh) * | 2019-09-04 | 2019-12-13 | 南京亿儒科技有限公司 | 基于大数据分析的易混淆车打逃系统及方法 |
CN113743392A (zh) * | 2020-05-28 | 2021-12-03 | 阿里巴巴集团控股有限公司 | 识别模型的训练方法、识别方法和装置 |
CN113963546A (zh) * | 2021-10-19 | 2022-01-21 | 北京中交国通智能交通系统技术有限公司 | 一种基于动态超时分析高速公路未缴费检测方法 |
CN115601967A (zh) * | 2022-09-30 | 2023-01-13 | 广州天长信息技术有限公司(Cn) | 一种高速路uj型驾驶逃费行为的数据分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201498024U (zh) * | 2009-09-05 | 2010-06-02 | 京沪高速公路临北管理处 | 高速公路车辆逃费报警装置 |
CN104732205A (zh) * | 2015-03-09 | 2015-06-24 | 江苏省邮电规划设计院有限责任公司 | 一种高速公路逃费稽查的系统 |
CN104731879A (zh) * | 2015-03-09 | 2015-06-24 | 江苏省邮电规划设计院有限责任公司 | 一种高速公路车辆逃费行为数据分析方法 |
CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
CN106651732A (zh) * | 2016-12-28 | 2017-05-10 | 北京云星宇交通科技股份有限公司 | 一种高速公路异车换卡逃费车辆筛查方法及系统 |
-
2017
- 2017-12-20 CN CN201711387113.1A patent/CN108305461A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201498024U (zh) * | 2009-09-05 | 2010-06-02 | 京沪高速公路临北管理处 | 高速公路车辆逃费报警装置 |
CN104732205A (zh) * | 2015-03-09 | 2015-06-24 | 江苏省邮电规划设计院有限责任公司 | 一种高速公路逃费稽查的系统 |
CN104731879A (zh) * | 2015-03-09 | 2015-06-24 | 江苏省邮电规划设计院有限责任公司 | 一种高速公路车辆逃费行为数据分析方法 |
CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
CN106651732A (zh) * | 2016-12-28 | 2017-05-10 | 北京云星宇交通科技股份有限公司 | 一种高速公路异车换卡逃费车辆筛查方法及系统 |
Non-Patent Citations (2)
Title |
---|
夏苏哲 等: "基于WEKA的高速公路换卡逃费问题研究", 《上海船舶运输科学研究所学报》 * |
赵彦 等: "高速公路通行卡逃费行为预测模型研究", 《中国科技论文》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360280A (zh) * | 2018-08-22 | 2019-02-19 | 东软集团股份有限公司 | 建立逃漏费识别模型的方法、装置、存储介质及电子设备 |
CN110517364A (zh) * | 2019-09-04 | 2019-11-29 | 南京亿儒科技有限公司 | 基于大数据分析的节假日免费打逃系统及方法 |
CN110570533A (zh) * | 2019-09-04 | 2019-12-13 | 南京亿儒科技有限公司 | 基于大数据分析的易混淆车打逃系统及方法 |
CN113743392A (zh) * | 2020-05-28 | 2021-12-03 | 阿里巴巴集团控股有限公司 | 识别模型的训练方法、识别方法和装置 |
CN113963546A (zh) * | 2021-10-19 | 2022-01-21 | 北京中交国通智能交通系统技术有限公司 | 一种基于动态超时分析高速公路未缴费检测方法 |
CN115601967A (zh) * | 2022-09-30 | 2023-01-13 | 广州天长信息技术有限公司(Cn) | 一种高速路uj型驾驶逃费行为的数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305461A (zh) | 一种偷逃费嫌疑车辆的确定方法和装置 | |
CN105303197B (zh) | 一种基于机器学习的车辆跟车安全自动评估方法 | |
US20210192586A1 (en) | Systems and Methods for Detecting and Responding to Anomalous Traffic Conditions | |
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 | |
CN107329977B (zh) | 一种基于概率分布的假牌车二次筛选方法 | |
CN104731879B (zh) | 一种高速公路车辆逃费行为数据分析方法 | |
CN105448092B (zh) | 一种关联车辆的分析方法及装置 | |
CN109191605B (zh) | 一种考虑收费路径的高速公路计费费率准确性评测方法 | |
CN103150900A (zh) | 一种基于视频的交通拥堵事件自动检测方法 | |
CN108764375B (zh) | 高速公路货运车辆跨省匹配方法及装置 | |
CN110598999B (zh) | 基于个体数据的交通出行分析方法、系统及存储介质 | |
CN112309126B (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN112967410B (zh) | 一种基于最长公共子序列的偷逃通行费车辆识别方法 | |
CN108021361A (zh) | 一种高速公路倒卡逃费车辆筛查方法及装置 | |
CN113850556A (zh) | 运单生成方法、装置、电子设备和可读存储介质 | |
CN116824520A (zh) | 基于ReID和图卷积网络的车辆轨迹预测方法及系统 | |
Kumar et al. | The Real Time Vehicle License Plate Identification System | |
CN114780591B (zh) | 一种检测行程车牌识别错误的计算方法和系统 | |
CN114023085B (zh) | 一种基于卡口检测数据的交叉口信号配时参数推断方法 | |
CN114201530B (zh) | 一种疑似非正常营运客车提前甄别及预防式监管方法 | |
CN116541786A (zh) | 基于驾驶行为的网约车识别方法、装置及系统 | |
CN116910523A (zh) | 用户群分类方法、装置、设备及存储介质 | |
CN114066305A (zh) | 一种危化品运输车辆异常驻留高风险区域的预警方法 | |
CN117315943B (zh) | 一种超限运输违法监测分析与预警方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |
|
RJ01 | Rejection of invention patent application after publication |