CN108806003A - 一种基于机器学习的收费公路绿通车检测方法 - Google Patents
一种基于机器学习的收费公路绿通车检测方法 Download PDFInfo
- Publication number
- CN108806003A CN108806003A CN201810512019.2A CN201810512019A CN108806003A CN 108806003 A CN108806003 A CN 108806003A CN 201810512019 A CN201810512019 A CN 201810512019A CN 108806003 A CN108806003 A CN 108806003A
- Authority
- CN
- China
- Prior art keywords
- green
- vehicle
- traffic
- open
- sample data
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 241000656145 Thyrsites atun Species 0.000 title claims abstract description 11
- 238000010801 machine learning Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000003672 processing method Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
- G07B15/063—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems using wireless information transmission between the vehicle and a fixed station
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Neurology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于高速公路稽查收费技术领域，具体的说是涉及一种基于机器学习的收费公路绿通车检测方法。本发明从现有的高速公路统计数据，挖掘与判别假冒绿通车相关的重要信息之间的关系，从而实现对假冒绿通车车辆的软件提前预判稽查，与常规的钴60绿通检测设备、手持式X射线绿通检测设备相比，大幅降低了绿通检测的成本，更易于实现全路网绿通检测的覆盖，从而更好地遏制假冒绿通车辆的出现。此外，全智能信息化的操作极大地提高了检测的效率和高速公路收费站服务水平，有利于高速公路收费的健康快速发展。
Description
技术领域
本发明属于高速公路稽查收费技术领域，具体的说是涉及一种基于机器学习的收费公路绿通车检测方法。
背景技术
高速公路偷逃费行为性质恶劣，严重影响高速公路的正常健康发展。在各类逃费行为中，又以假冒绿通车逃费金额最大、情节最为恶劣。假冒绿通车逃费是指在国家对运输鲜活产品的车辆实施免缴通行费的利好政策之下，货运车辆在其运输的本应称重缴费的正常货物上覆盖鲜活产品，假冒鲜活绿通车辆，偷逃大量高速公路通行费的行为。这类车辆往往会在高速公路上频繁上下站，以躲避安装有绿通检测设备的收费站检查，从而实现通行费的偷逃。
现有的针对假冒绿通车辆的稽查方法，主要是采用硬件检测设备，对车内货物进行扫描检查，以及在检查后，由人工分析车辆历史通行记录获取证据，确定逃费嫌疑，存在着取证难度大，检测成本高、效率低等诸多困境。对于无检测设备的站点，车辆检查往往需要拆箱卸货，甚至会出现司机不配合的情况，检查工作往往无法有效进行；而专用于绿通车辆检查的钴60绿通检测设备，市场单价约为30万元一台，在全网站点覆盖安装成本巨大，难以实现。人工比对车辆历史通行记录往往需要分析大量数据，极为耗时耗力。如何经济高效地打击假冒绿通车辆是一个亟待解决的难题。
机器学习技术是计算机通过对历史数据的学习，可以挖掘出各数据变量之间的深层联系，并根据特定目的建立起相应的模型解决实际问题，这也使得对假冒绿通车相关数据的智能挖掘分析并对假冒车辆进行识别成为可能。
基于此，针对高速公路假冒绿通车辆偷逃通行费，有必要提出一种基于机器学习技术和人工判定逻辑，综合考虑车辆运行特性及历史通行数据，能使稽查工作变得便捷高效的智能检测稽查系统。
发明内容
本发明所要解决的，就是提供一种智能识别货运车辆假冒绿通车偷逃高速公路通行费行为的检测方法，帮助高速公路收费稽查管理部门高效打击假冒绿通逃费行为，提高稽查工作效率，保障高速公路收费健康快速发展。
本发明采用的技术方案是：
一种基于机器学习的收费公路绿通车检测方法，其特征在于，包括以下步骤：
S1、获取车辆的特征信息和行驶信息并保存至服务器，所述特征信息包括车型、车辆牌照号和车辆颜色，所述车辆的行驶信息包括车辆在收费公路上连续上下站的间隔时间、车辆载重、车辆上一次在高速公路上的行驶里程数据；
S2、根据站点获取的车辆特征信息，从服务器获取对应的该车辆的行驶信息，并进行预处理获得样本数据；
S3、构建绿通车识别神经网络模型，根据步骤S2获得的样本数据，对绿通车的真伪进行判断；
S4、站点工作人员根据判断结果对车辆进行核查，并将核查结果上传至服务器，在固定时间段内将累计的核查结果用作神经网络模型的训练数据，对神经网络模型的参数进行更新。
进一步的，步骤S2中，所述进行预处理获得样本数据的具体方法为：
对每一个车辆的行驶信息进行标准化处理，使其落入0.0～1.0之间，数据标准化处理的方法如下：
式中：x为作为变量样本数据的行驶信息,xmin为变量样本数据最小值，xmax为变量样本数据最大值，x*为标准化后的变量样本数据。
进一步的，步骤S3中，所述神经网络模型包括一个输入层、一个隐藏层和一个输出层；其中，
输入层神经元数量为6个，并增加一个偏差项；隐藏层神经元数量为20个，并加上一个偏差项，隐藏层输入权重向量ωh和输出层输入权重向量ωo采用符合N(0，0.012)分布的随机初始化，隐藏层激活函数为非线性函数tanh函数：
式中：hj为第j个隐藏层神经元的输出；为第i个变量对应的输入神经元输入到第j个隐藏层神经元的权重；为标准化后的第i个变量样本数据；
输出层神经元数量为2个，输出层激活函数采用多项Logit函数：
式中：y为当前车辆为假冒绿通车辆的概率；hj为第j个隐层神经元的输出；为hj输入到输出神经元对应的权重。
进一步的，步骤S4中，对神经网络模型的参数进行更新方法为损失函数梯度下降法，并选取交叉熵误差函数作为损失函数，损失函数如下：
ξ＝-[tlny+(1-t)ln(1-y)]
式中：y为当前车辆为假冒绿通车辆的概率；t为输出的车辆类别标号，若y>0.7，则t＝1，模型判定当前车辆为假冒绿通车，否则t＝0，模型判定当前车辆无假冒绿通嫌疑。
本发明的有益效果是：
从现有的高速公路统计数据，挖掘与判别假冒绿通车相关的重要信息之间的关系，从而实现对假冒绿通车车辆的软件提前预判稽查，与常规的钴60绿通检测设备、手持式X射线绿通检测设备相比，大幅降低了绿通检测的成本，更易于实现全路网绿通检测的覆盖，从而更好地遏制假冒绿通车辆的出现。此外，全智能信息化的操作极大地提高了检测的效率和高速公路收费站服务水平，有利于高速公路收费的健康快速发展。
附图说明
图1为假冒绿通车辆智能检测系统运行结构图。
具体实施方式
下面结合附图，详细描述本发明的技术方案：
将本发明的方法进行实用应用的方式可以设计基于本发明的高速公路假冒绿通车智能检测系统，如图1所示，包括站点监控设施模块、站点收费人员模块、中心服务器模块和稽查管理模块。所述站点监控设施模块用于提供到达收费站的货运车辆特征信息的采集功能。所述站点收费人员模块用于接收车辆特征信息及当前通行数据，并将数据上传至中心服务器模块，发出绿通车嫌疑判别请求，并接收对当前货运车辆的智能检测判别结果，并根据判别结果做相应处理后，再将车辆的处理结果回传至中心服务器模块。所述中心服务器模块主要包含系统的关键数据库和模型库，用于模型分析相关数据的存储和嫌疑车辆的判别。中心服务器根据货运车辆特征信息从关键数据库中调取模型分析相关数据，在数据经过预处理模型后，将其输入绿通车识别神经网络模型，判定车辆是否具有假冒绿通嫌疑，并将判别结果发送给站点收费人员作相应处理，并根据处理结果在关键数据库中进行操作。所述稽查管理模块用于高速公路稽查监控中心人员监控假冒绿通智能检测稽查系统的运行状态，并对中心服务器模块的关键数据库和模型库进行管理和更新。
Claims (4)
1.一种基于机器学习的收费公路绿通车检测方法，其特征在于，包括以下步骤：
S1、获取车辆的特征信息和行驶信息并保存至服务器，所述特征信息包括车型、车辆牌照号和车辆颜色，所述车辆的行驶信息包括车辆在收费公路上连续上下站的间隔时间、车辆载重、车辆上一次在收费公路上的行驶里程数据；
S2、根据站点获取的车辆特征信息，从服务器获取对应的该车辆的行驶信息，并进行预处理获得样本数据；
S3、构建绿通车识别神经网络模型，根据步骤S2获得的样本数据，对绿通车的真伪进行判断；
S4、站点工作人员根据判断结果对车辆进行核查，并将核查结果上传至服务器，在固定时间段内将累计的核查结果用作神经网络模型的训练数据，对神经网络模型的参数进行更新。
2.根据权利要求1所述的一种基于机器学习的收费公路绿通车检测方法，其特征在于，步骤S2中，所述进行预处理获得样本数据的具体方法为：
对每一个车辆的行驶信息进行标准化处理，使其落入0.0～1.0之间，数据标准化处理的方法如下：
式中：x为作为变量样本数据的行驶信息,xmin为变量样本数据最小值，xmax为变量样本数据最大值，x*为标准化后的变量样本数据。
3.根据权利要求2所述的一种基于机器学习的收费公路绿通车检测方法，其特征在于，步骤S3中，所述神经网络模型包括一个输入层、一个隐藏层和一个输出层；其中，
输入层神经元数量为6个，并增加一个偏差项；隐藏层神经元数量为20个，并加上一个偏差项，隐藏层输入权重向量ωh和输出层输入权重向量ωo采用符合N(0，0.012)分布的随机初始化，隐藏层激活函数为非线性函数tanh函数：
式中：hj为第j个隐藏层神经元的输出；为第i个变量对应的输入神经元输入到第j个隐藏层神经元的权重；为标准化后的第i个变量样本数据；
输出层神经元数量为2个，输出层激活函数采用多项Logit函数：
式中：y为当前车辆为假冒绿通车辆的概率；hj为第j个隐层神经元的输出；为hj输入到输出神经元对应的权重。
4.根据权利要求3所述的一种基于机器学习的收费公路绿通车检测方法，其特征在于，步骤S4中，对神经网络模型的参数进行更新的方法为损失函数梯度下降法，并选取交叉熵误差函数作为损失函数，损失函数如下：
ξ＝-[tlny+(1-t)ln(1-y)]
式中：y为当前车辆为假冒绿通车辆的概率；t为模型输出的车辆类别标号，若y>0.7，则t＝1，模型判定当前车辆为假冒绿通车，否则t＝0，模型判定当前车辆无假冒绿通嫌疑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810512019.2A CN108806003B (zh) | 2018-05-25 | 2018-05-25 | 一种基于机器学习的收费公路绿通车检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810512019.2A CN108806003B (zh) | 2018-05-25 | 2018-05-25 | 一种基于机器学习的收费公路绿通车检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108806003A true CN108806003A (zh) | 2018-11-13 |
| CN108806003B CN108806003B (zh) | 2020-02-04 |
Family
ID=64092940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810512019.2A Expired - Fee Related CN108806003B (zh) | 2018-05-25 | 2018-05-25 | 一种基于机器学习的收费公路绿通车检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108806003B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111309820A (zh) * | 2020-01-20 | 2020-06-19 | 北京中交国通智能交通系统技术有限公司 | 一种高速公路鲜活农产品绿色通道车辆快速稽查方法 |
| CN111932897A (zh) * | 2020-09-23 | 2020-11-13 | 南京感动科技有限公司 | 一种高速公路收费稽查快速迭代的方法 |
| CN112651525A (zh) * | 2020-12-09 | 2021-04-13 | 北京北大千方科技有限公司 | 基于预约的绿通车辆检查方法、装置及设备 |
| CN112906993A (zh) * | 2021-01-12 | 2021-06-04 | 西安石油大学 | 一种高速公路绿通车过站查验时间预测方法 |
| CN114841843A (zh) * | 2022-04-15 | 2022-08-02 | 广州天长信息技术有限公司 | 一种分析可疑绿通车的方法和系统 |
| CN115481812A (zh) * | 2022-09-30 | 2022-12-16 | 广州天长信息技术有限公司 | 一种基于隐马尔科夫模型的绿通车混装预测方法 |
| CN117373143A (zh) * | 2023-12-06 | 2024-01-09 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203070381U (zh) * | 2013-03-07 | 2013-07-17 | 吉林省高速公路管理局 | 一种高速公路绿色通道车辆鉴别系统 |
| CN106803288A (zh) * | 2017-01-21 | 2017-06-06 | 深圳市金晟安智能系统有限公司 | 一种绿通车辆空载率的计算方法 |
| KR101778724B1 (ko) * | 2016-12-05 | 2017-09-14 | 동국대학교 산학협력단 | 도로 표지 인식 장치 및 방법 |
| CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
| CN107659792A (zh) * | 2017-10-31 | 2018-02-02 | 广东省电子技术研究所 | 一种绿通车的检测系统、方法及装置 |
-
2018
- 2018-05-25 CN CN201810512019.2A patent/CN108806003B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203070381U (zh) * | 2013-03-07 | 2013-07-17 | 吉林省高速公路管理局 | 一种高速公路绿色通道车辆鉴别系统 |
| KR101778724B1 (ko) * | 2016-12-05 | 2017-09-14 | 동국대학교 산학협력단 | 도로 표지 인식 장치 및 방법 |
| CN106803288A (zh) * | 2017-01-21 | 2017-06-06 | 深圳市金晟安智能系统有限公司 | 一种绿通车辆空载率的计算方法 |
| CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
| CN107659792A (zh) * | 2017-10-31 | 2018-02-02 | 广东省电子技术研究所 | 一种绿通车的检测系统、方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 吴洋威: "基于深度学习的图像去噪算法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 李义: "基于相关学习神经网络的图像识别方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 陈浩泰: "基于Logistic回归的高速公路绿通车稽查研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111309820A (zh) * | 2020-01-20 | 2020-06-19 | 北京中交国通智能交通系统技术有限公司 | 一种高速公路鲜活农产品绿色通道车辆快速稽查方法 |
| CN111309820B (zh) * | 2020-01-20 | 2023-06-30 | 北京中交国通智能交通系统技术有限公司 | 一种高速公路鲜活农产品绿色通道车辆快速稽查方法 |
| CN111932897A (zh) * | 2020-09-23 | 2020-11-13 | 南京感动科技有限公司 | 一种高速公路收费稽查快速迭代的方法 |
| CN112651525A (zh) * | 2020-12-09 | 2021-04-13 | 北京北大千方科技有限公司 | 基于预约的绿通车辆检查方法、装置及设备 |
| CN112651525B (zh) * | 2020-12-09 | 2024-05-17 | 北京北大千方科技有限公司 | 基于预约的绿通车辆检查方法、装置及设备 |
| CN112906993A (zh) * | 2021-01-12 | 2021-06-04 | 西安石油大学 | 一种高速公路绿通车过站查验时间预测方法 |
| CN114841843A (zh) * | 2022-04-15 | 2022-08-02 | 广州天长信息技术有限公司 | 一种分析可疑绿通车的方法和系统 |
| CN115481812A (zh) * | 2022-09-30 | 2022-12-16 | 广州天长信息技术有限公司 | 一种基于隐马尔科夫模型的绿通车混装预测方法 |
| CN115481812B (zh) * | 2022-09-30 | 2023-09-08 | 广州天长信息技术有限公司 | 一种基于隐马尔科夫模型的绿通车混装预测方法 |
| CN117373143A (zh) * | 2023-12-06 | 2024-01-09 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
| CN117373143B (zh) * | 2023-12-06 | 2024-05-31 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108806003B (zh) | 2020-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108806003A (zh) | 一种基于机器学习的收费公路绿通车检测方法 | |
| CN105303197B (zh) | 一种基于机器学习的车辆跟车安全自动评估方法 | |
| CN110717553B (zh) | 一种基于自衰减权重和多局部约束的交通违禁品识别方法 | |
| CN106611169B (zh) | 一种基于深度学习的危险驾驶行为实时检测方法 | |
| CN111462488B (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
| US20220196459A1 (en) | Real-time vehicle overload detection method based on convolutional neural network | |
| CN104182805B (zh) | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 | |
| CN104156736B (zh) | 基于sae和idl的极化sar图像分类方法 | |
| CN104050361B (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
| CN106295601A (zh) | 一种改进的安全带检测方法 | |
| CN114462553B (zh) | 一种面向车险反欺诈的图像标注及要素抽取方法与系统 | |
| CN103150774B (zh) | 一种高速公路绿色通道车辆鉴别系统和方法 | |
| US20170221075A1 (en) | Fraud inspection framework | |
| Zhou et al. | Automated visual inspection of target parts for train safety based on deep learning | |
| Xue et al. | Multi long-short term memory models for short term traffic flow prediction | |
| CN112711585B (zh) | 一种基于大数据技术的高速公路绿通车信用管理系统 | |
| CN112182331B (zh) | 一种基于svm-rfe的客户风险特征筛选方法及其应用 | |
| CN106203368A (zh) | 一种基于src和svm组合分类器的交通视频车辆识别方法 | |
| CN109345649A (zh) | 一种高速公路车道收费辅助监测的实现方法 | |
| CN112232435A (zh) | 基于卷积神经网络的渣土车土石方体积计算方法 | |
| CN112215451A (zh) | 一种基于民航旅客分级分类的差异化安检方法及系统 | |
| CN203070381U (zh) | 一种高速公路绿色通道车辆鉴别系统 | |
| CN112906993A (zh) | 一种高速公路绿通车过站查验时间预测方法 | |
| Li et al. | Research on abnormal monitoring of vehicle traffic network data based on support vector machine | |
| Jin et al. | Inspection Strategy Design of Toll-Free Logistics Vehicle in China Freeway: Case Study in Shaanxi Province |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200204 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |