CN110136448A - 一种基于汽车电子标识数据的非法营运车辆识别方法 - Google Patents

一种基于汽车电子标识数据的非法营运车辆识别方法 Download PDF

Info

Publication number
CN110136448A
CN110136448A CN201910511579.0A CN201910511579A CN110136448A CN 110136448 A CN110136448 A CN 110136448A CN 201910511579 A CN201910511579 A CN 201910511579A CN 110136448 A CN110136448 A CN 110136448A
Authority
CN
China
Prior art keywords
vehicle
illegal operation
collection point
electronic mark
operation 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
CN201910511579.0A
Other languages
English (en)
Other versions
CN110136448B (zh
Inventor
郑林江
夏立
孙棣华
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201910511579.0A priority Critical patent/CN110136448B/zh
Publication of CN110136448A publication Critical patent/CN110136448A/zh
Application granted granted Critical
Publication of CN110136448B publication Critical patent/CN110136448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于汽车电子标识数据的非法营运车辆识别方法，所述识别方法为：步骤1：针对行驶时间较长的车辆统计多次通过同一电子标识采集点的车辆数据和多次通过市辖区的车辆数据；步骤2：对多次通过同一电子标识采集点的次数项和多次通过市辖区的次数项进行权重分配，建立非法营运车辆嫌疑程度评估矩阵模型；步骤3：根据非法营运车辆嫌疑程度评估数据模型，对疑似非法营运车辆进行测评。本发明针对现在管控措施存在的投资过大，无法准确识别非法营运车辆的问题，提出一种基于汽车电子标识数据的非法营运车辆识别方法，精准识别城市中的非法营运车辆。为城市交通管理，城市安全管控提供有效方法。

Description

一种基于汽车电子标识数据的非法营运车辆识别方法
技术领域
本发明涉及智能交通领域，具体涉及一种利用汽车电子标识数据识别非法营运车辆的方法。
背景技术
近年来，我国各大中城市汽车保有量急剧攀升，交通管理压力及城市安全风险随之加大。其中因非法营运车辆造成的安全事件频繁出现，非法营运车辆的存在成为不可忽视的安全隐患。因此发现私家车中疑似的非法营运车辆，为城市治安，交通安全管控提供参考具有重要意义。
目前针对非法营运车辆的管控主要从两个方面入手。一是通过政策法律的实施，预防，减少非法营运车辆现象。二是通过执法部门严抓严打非法营运车辆。但是以这样的方式管控非法营运车辆存在以下几点不足：1、不论通过法律政策进行教育还是加强执法力度，均不能精确锁定非法营运车辆并进行管控。2、投入大量的人力、物力，但是收益甚微。3、管控效率不高，不能实现精准执法。同时也有利用交通流数据分析手段检测非法营运车辆的方法，但仅停留在理论研究阶段。
发明内容
有鉴于此，本发明的目的是提供一种基于汽车电子标识数据的非法营运车辆识别方法，优点是，精准识别城市中的非法营运车辆。为城市交通管理，城市安全管控提供有效方法。
本发明的目的是通过以下技术方案实现的：。
一种基于汽车电子标识数据的非法营运车辆识别方法，所述识别方法为：
步骤1：针对行驶时间较长的车辆统计多次通过同一电子标识采集点的车辆数据和多次通过市辖区的车辆数据；
步骤2：对多次通过同一电子标识采集点的次数项和多次通过市辖区的次数项进行权重分配，建立非法营运车辆嫌疑程度评估矩阵模型；
步骤3：根据非法营运车辆嫌疑程度评估数据模型，对疑似非法营运车辆进行测评。
进一步，所述步骤1具体为：
步骤11：建立电子标识采集点与城市辖区之间的对应关系；
步骤12：统计并存储时间段I内有效行驶时间较长的车辆的行程链；
步骤13：基于步骤12所统计的行程链，记录并储存时间段I内多次重复经过相同电子标识采集点次数的车辆；
步骤14：结合步骤11所建立的电子标识采集点与城市辖区之间的对应关系和步骤12所统计的行程链，记录并储存时间段I内经过市辖区数量较多的车辆。
进一步，所述步骤12具体为：
步骤121：从数据库中读取时间段II的汽车电子标识数据；
步骤122：对每辆车的电子标识数据的记录时间从小到大进行排序；
步骤123：将时间段II以所述时间段I为单位区间进行分割；
步骤124：获得每辆车在所述时间段I的行程链；
步骤125：储存并计算每辆车在所述时间段I内的有效行驶时间；
步骤126：设置每辆车有效行驶时间的时间阈值；
步骤127：统计并存储行有效驶时间不小于时间阈值的车辆的行程链。
进一步，所述电子标识数据包括电子标识采集点唯一编号，车辆唯一编号和经过采集点时间。
进一步，所述步骤13具体为：
步骤131：记录并存储所述步骤12统计的所述行程链中每辆车对应重复经过相同电子标识采集点次数；
步骤132：设置次数阈值；
步骤133：统计并储存重复经过相同电子标识采集点次数不小于次数阈值的车辆。
进一步，所述步骤14具体为：
步骤141：将所述步骤12统计的所述行程链中每辆车经过的所述电子标识采集点唯一编号通过所述电子标识采集点与城市辖区之间的对应关系转换为城市辖区唯一编号；
步骤142：统计并记录每辆车的转换次数；
步骤143：设置转换次数阈值；
步骤144：计算并记录转换次数不小于转换次数阈值的车辆。
进一步，所述步骤125具体为：
步骤1251：计算每辆车经过每两个所述电子标识采集点的时间间隔；
步骤1252：设置有效时间间隔区间；
步骤1253：筛选有效时间间隔；
步骤1254：对各有效时间间隔求和。
进一步，所述步骤126具体为：
步骤1261：获取所述时间段I内每一辆车的行驶时间；
步骤1262：计算所述时间段I内每一辆车的行驶时间数学期望；
步骤1263：计算所述时间段I内每一辆车的行驶时间数学方差；
步骤1264：根据所述时间段I每一辆车的行驶时间的数学期望和方差，求得所述时间阈值
本发明的有益效果是：
本发明针对现在管控措施存在的投资过大，无法准确识别非法营运车辆的问题，提出一种基于汽车电子标识数据的非法营运车辆识别方法，精准识别城市中的非法营运车辆。为城市交通管理，城市安全管控提供有效方法。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
附图1为本发明流程图。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
步骤1：针对行驶时间较长的车辆统计多次通过同一电子标识采集点的车辆数据和多次通过市辖区的车辆数据，具体方法如下；
步骤11：建立电子标识采集点与城市辖区之间的对应关系，如表1所示，
表1电子标识采集点与城市市辖区映射关系表
步骤12：统计并存储时间段I内有效行驶时间较长的车辆的行程链；
步骤121：从数据库中读取时间段II的汽车电子标识数据，数据内容包括电子标识采集点唯一编号，车辆唯一编号，经过采集点时间，如表2所示；
表2电子标识数据说明表
步骤122：对每辆车的电子标识数据的记录的时间从小到大进行排序；
一辆车以时间段II为自变量，经过N个阅读器，即形成了该辆车N条汽车电子标识数据。这N条数据以时间为序列，形成该车辆的一条完整轨迹，及行程链,记为Tr＝{EID1CID1，PASSTIME1，EID1，CID2，PASSTIME2，...，EID1，CIDn，PASSTIMEn，}。
步骤123：将时间段II以所述时间段I为单位区间进行分割，本实施例中时间段I为天，即将时间段II以天为单位区间进行分割；
步骤124：获得每辆车在时间段I的行程链，按当天0:00到次日0:00(不包含0:00)为间隔划分每天的行程链；
步骤125：储存并计算每辆车在所述时间段I内的有效行驶时间
对于提取每辆车每天的有效行驶时间，需要考虑两方面情况。一、采集点的阅读器因出现故障出现数据缺失，重复采集数据等情况，造成获取的数据呈现出时间间隔过长或间隔过短的结果；二、车辆在两个采集点之间可能存在长期停留的情况，造成获取数据的时间间隔过长。针对上述两种情况，计算每辆车每天的行驶时间的时候需要对每辆车每天的行程时间进行过滤，以相邻两个采集点的时间间隔为对象，具体计算过程如下。
步骤1251：计算每辆车经过每两个电子标识采集点的时间间隔，将经过第i个电子标识采集点和第i-1个电子标识采集点分别记为PASSTIMEi和PASSTIMEi-1，时间间隔如式1所示，
T_Intervalj＝PASSTIMEi+1-PASSTIMEi 式1
T_Intervalj：表示第j个时间间隔，其中0＜j≤n-1；
步骤1252：设置有效时间间隔区间，本实施例中为3s至1h有效时间间隔之间，即为式2所示：
T_Intervalk：表示第k个有效时间间隔，其中0＜k≤n-1
步骤1253：根据式2筛选有效时间间隔T_IntervalTk；
步骤1254：对各有效时间间隔求和，即为有效行驶时间，记为式3。
T：表示该辆车当天的有效行驶时间
步骤126：设置每辆车有效行驶时间的时间阈值。统计发现，城市车辆每天行驶时间呈正态分布，因此对于提取每天行驶时间较长的车辆，首先需要计算数据样本的数学期望及标准差，其中，数学期望通过计算样本均值获得。以此找出行驶时间占样本30％的车辆的行驶时间上下阈值，将当天行驶时间大于上限阈值的车辆记录并存储。当天车辆行驶时间过长的阈值计算过程如下：
步骤1261：获取所有车辆每天的行驶时间，假设行驶车辆总数为n，第i辆车的行驶时间记为Ti，0＜i≤n-1；
步骤1262：计算当天车辆行驶时间的数学期望，为式4所示：
步骤1263：计算当天车辆行驶时间的数学方差，为式5所示：
步骤1264：根据所述时间段II内车辆行驶时间的数学期望和方差，求得所述时间阈值，如式6所示：
X＝μ0·σ+μ 式6
其中：μ：表示当天车辆行驶时间的数学期望；
σ：表示当天车辆行驶时间的标准差；
μ0：表示标准正态分布曲线下右侧面积为0.15对应的值；
X：表示当天车辆行驶时间过长的阈值。
步骤127：统计并存储行有效驶时间不小于时间阈值的车辆的行程链。
步骤13：基于步骤12所统计的行程链，记录并储存时间段I内多次重复经过相同电子标识采集点次数的车辆，将多次重复经过相同电子标识采集点次数记为车辆数据I，具体为：
步骤131：记录并存储步骤12统计的行程链中每辆车对应重复经过相同电子标识采集点次数；
步骤132：设置次数阈值，针对获取每天重复经过相同电子标识采集点次数多的车辆，考虑到城市私家车出行习惯，设定重复经过相同采集点次数的阈值过小是不合适的。因此，在每辆车每天的行程链中，设定任意采集点的记录重复出现的次数阈值为5；
步骤133：统计并储存重复经过相同电子标识采集点次数不小于5的车辆。
步骤14：结合步骤11所建立的电子标识采集点与城市辖区之间的对应关系和步骤12所统计的行程链，记录并储存时间段I内经过市辖区数量较多的车辆，将经过市辖区数量记为车辆数据II，具体为：
步骤141：将步骤12统计的行程链中每辆车经过电子标识采集点唯一编号通过电子标识采集点与城市辖区之间的对应关系转换为城市辖区唯一编号，如集合Trd所示,Trd＝{EID1，DID1，PASSTIME1，EID1，DID2，PASSTIME2，...，EID1，DIDn，PASSTIMEn，}，然后统计每辆车每天行程链中城市市辖区唯一编号变换的次数，即为每辆车每天经过市辖区的次数。DIDi→DIDi记变换次数为0；DIDi→DIDj记变换次数为1；DIDi→DIDj→DIDk记变换次数为2；DIDi→DIDj→DIDi记变换次数为2。
步骤142：按照步骤141所示方法，统计并记录每辆车的转换次数；
步骤143：设置转换次数阈值，考虑到城市私家车出行习惯，将变换次数阈值设定为4次；
步骤144：计算并记录变换超过4次的车辆，记为每天经过市辖区数量较多的车辆。
步骤2：对多次通过同一电子标识采集点的次数项和多次通过市辖区的次数项进行权重分配，建立非法营运车辆嫌疑程度评估矩阵模型，即在每天行驶时间较长的车辆数据基础上，计算并统计他们重复经过相同电子标识采集点次数多的车辆数据以及经过市辖区数量较多的车辆数据。根据车辆重复经过相同电子标识采集点次数以及车辆经过市辖区数量，建立非法营运车辆嫌疑程度矩阵模型，如表4所示。
表4非法营运车辆嫌疑程度评分矩阵模型
步骤3：根据非法营运车辆嫌疑程度评估数据模型，对疑似非法营运车辆进行打分，其中，评分满分为10分，根据不同区间的分值评价疑似非法营运车辆的嫌疑程度。分别定义为轻微嫌疑(2-3分)，一般嫌疑(4-5分)，中度嫌疑(6-7分)，重度嫌疑(8-10分)。最后，根据评分高低找出非法营运车辆。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于汽车电子标识数据的非法营运车辆识别方法，其特征在于：所述识别方法为：
步骤1：针对行驶时间较长的车辆统计多次通过同一电子标识采集点的车辆数据和多次通过市辖区的车辆数据；
步骤2：对多次通过同一电子标识采集点的次数项和多次通过市辖区的次数项进行权重分配，建立非法营运车辆嫌疑程度评估矩阵模型；
步骤3：根据非法营运车辆嫌疑程度评估数据模型，对疑似非法营运车辆进行测评。
2.根据权利要求1所述的一种基于汽车电子标识数据的非法营运车辆识别方法，其特征在于：所述步骤1具体为：
步骤11：建立电子标识采集点与城市辖区之间的对应关系；
步骤12：统计并存储时间段I内有效行驶时间较长的车辆的行程链；
步骤13：基于步骤12所统计的行程链，记录并储存时间段I内多次重复经过相同电子标识采集点次数的车辆；
步骤14：结合步骤11所建立的电子标识采集点与城市辖区之间的对应关系和步骤12所统计的行程链，记录并储存时间段I内经过市辖区数量较多的车辆。
3.根据权利要求2所述的一种基于汽车电子标识数据的非法营运车辆识别方法，其特征在于：所述步骤12具体为：
步骤121：从数据库中读取时间段II的汽车电子标识数据；
步骤122：对每辆车的电子标识数据的记录时间从小到大进行排序；
步骤123：将时间段II以所述时间段I为单位区间进行分割；
步骤124：获得每辆车在所述时间段I的行程链；
步骤125：储存并计算每辆车在所述时间段I内的有效行驶时间；
步骤126：设置每辆车有效行驶时间的时间阈值；
步骤127：统计并存储行有效驶时间不小于时间阈值的车辆的行程链。
4.根据权利要求3所述的一种基于汽车电子标识数据的非法营运车辆识别方法，其特征在于：所述电子标识数据包括电子标识采集点唯一编号，车辆唯一编号和经过采集点时间。
5.根据权利要求2所述的一种基于汽车电子标识数据的非法营运车辆识别方法，其特征在于：所述步骤13具体为：
步骤131：记录并存储所述步骤12统计的所述行程链中每辆车对应重复经过相同电子标识采集点次数；
步骤132：设置次数阈值；
步骤133：统计并储存重复经过相同电子标识采集点次数不小于次数阈值的车辆。
6.根据权利要求4所述的一种基于汽车电子标识数据的非法营运车辆识别方法，其特征在于：所述步骤14具体为：
步骤141：将所述步骤12统计的所述行程链中每辆车经过的所述电子标识采集点唯一编号通过所述电子标识采集点与城市辖区之间的对应关系转换为城市辖区唯一编号；
步骤142：统计并记录每辆车的转换次数；
步骤143：设置转换次数阈值；
步骤144：计算并记录转换次数不小于转换次数阈值的车辆。
7.根据权利要求3所述的一种基于汽车电子标识数据的非法营运车辆识别方法，其特征在于：所述步骤125具体为：
步骤1251：计算每辆车经过每两个所述电子标识采集点的时间间隔；
步骤1252：设置有效时间间隔区间；
步骤1253：筛选有效时间间隔；
步骤1254：对各有效时间间隔求和。
8.根据权利要求3所述的一种基于汽车电子标识数据的非法营运车辆识别方法，其特征在于：所述步骤126具体为：
步骤1261：获取所述时间段I内每一辆车的行驶时间；
步骤1262：计算所述时间段I内每一辆车的行驶时间数学期望；
步骤1263：计算所述时间段I内每一辆车的行驶时间数学方差；
步骤1264：根据所述时间段I每一辆车的行驶时间的数学期望和方差，求得所述时间阈值。
CN201910511579.0A 2019-06-13 2019-06-13 一种基于汽车电子标识数据的非法营运车辆识别方法 Active CN110136448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910511579.0A CN110136448B (zh) 2019-06-13 2019-06-13 一种基于汽车电子标识数据的非法营运车辆识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910511579.0A CN110136448B (zh) 2019-06-13 2019-06-13 一种基于汽车电子标识数据的非法营运车辆识别方法

Publications (2)

Publication Number Publication Date
CN110136448A true CN110136448A (zh) 2019-08-16
CN110136448B CN110136448B (zh) 2022-02-11

Family

ID=67581355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910511579.0A Active CN110136448B (zh) 2019-06-13 2019-06-13 一种基于汽车电子标识数据的非法营运车辆识别方法

Country Status (1)

Country Link
CN (1) CN110136448B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368626A (zh) * 2019-11-19 2020-07-03 杭州海康威视系统技术有限公司 车辆识别方法、装置、电子设备和存储介质
CN111489556A (zh) * 2020-05-20 2020-08-04 上海评驾科技有限公司 一种营运车辆挂靠行为的判断方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060088085A (ko) * 2006-06-19 2006-08-03 주식회사 제이소프트테크놀로지 장애인 전용 주차구역의 불법주차 적발시스템
KR100801818B1 (ko) * 2006-10-24 2008-02-11 주식회사 현대오토넷 무선식별시스템을 이용한 과적차량 검출 통보 장치 및 방법
CN102402858A (zh) * 2011-10-25 2012-04-04 深圳市华盈泰科技有限公司 车辆电子身份识别信息网络系统
CN102881153A (zh) * 2012-09-24 2013-01-16 青岛海信网络科技股份有限公司 稽查非法运营车辆的方法和系统
CN103593977A (zh) * 2013-11-28 2014-02-19 福建工程学院 私家车非法营运的检测方法
CN104167095A (zh) * 2014-08-05 2014-11-26 江苏省邮电规划设计院有限责任公司 基于智慧城市的车辆行为模式稽查方法
CN105976617A (zh) * 2016-03-21 2016-09-28 江苏智通交通科技有限公司 非法营运车辆检测方法和系统
CN107798856A (zh) * 2017-09-14 2018-03-13 王淑芳 一种重点营运车辆事故原因分析方法和系统
CN107886731A (zh) * 2017-11-03 2018-04-06 武汉元鼎创天信息科技有限公司 一种非法营运车辆智能检测方法
CN108389397A (zh) * 2018-02-28 2018-08-10 夏莹杰 一种基于卡口数据辨别非法营运车辆的方法
CN109493608A (zh) * 2018-12-06 2019-03-19 湖南科创信息技术股份有限公司 非法营运车辆的识别方法及系统和计算机可读的存储介质
CN109615853A (zh) * 2018-11-29 2019-04-12 重庆首讯科技股份有限公司 识别高速公路疑似非法营运车辆的方法及设备
CN109636990A (zh) * 2019-01-08 2019-04-16 武汉烽火众智数字技术有限责任公司 一种基于rfid检测与人脸识别的小区电动车管理系统及方法
CN109741612A (zh) * 2018-12-17 2019-05-10 重庆市公安局渝北区分局交通巡逻警察支队 一种基于汽车电子标识的小区汽车保有量估算方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060088085A (ko) * 2006-06-19 2006-08-03 주식회사 제이소프트테크놀로지 장애인 전용 주차구역의 불법주차 적발시스템
KR100801818B1 (ko) * 2006-10-24 2008-02-11 주식회사 현대오토넷 무선식별시스템을 이용한 과적차량 검출 통보 장치 및 방법
CN102402858A (zh) * 2011-10-25 2012-04-04 深圳市华盈泰科技有限公司 车辆电子身份识别信息网络系统
CN102881153A (zh) * 2012-09-24 2013-01-16 青岛海信网络科技股份有限公司 稽查非法运营车辆的方法和系统
CN103593977A (zh) * 2013-11-28 2014-02-19 福建工程学院 私家车非法营运的检测方法
CN104167095A (zh) * 2014-08-05 2014-11-26 江苏省邮电规划设计院有限责任公司 基于智慧城市的车辆行为模式稽查方法
CN105976617A (zh) * 2016-03-21 2016-09-28 江苏智通交通科技有限公司 非法营运车辆检测方法和系统
CN107798856A (zh) * 2017-09-14 2018-03-13 王淑芳 一种重点营运车辆事故原因分析方法和系统
CN107886731A (zh) * 2017-11-03 2018-04-06 武汉元鼎创天信息科技有限公司 一种非法营运车辆智能检测方法
CN108389397A (zh) * 2018-02-28 2018-08-10 夏莹杰 一种基于卡口数据辨别非法营运车辆的方法
CN109615853A (zh) * 2018-11-29 2019-04-12 重庆首讯科技股份有限公司 识别高速公路疑似非法营运车辆的方法及设备
CN109493608A (zh) * 2018-12-06 2019-03-19 湖南科创信息技术股份有限公司 非法营运车辆的识别方法及系统和计算机可读的存储介质
CN109741612A (zh) * 2018-12-17 2019-05-10 重庆市公安局渝北区分局交通巡逻警察支队 一种基于汽车电子标识的小区汽车保有量估算方法
CN109636990A (zh) * 2019-01-08 2019-04-16 武汉烽火众智数字技术有限责任公司 一种基于rfid检测与人脸识别的小区电动车管理系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘卫宁 等: "基于DBSCAN算法的营运车辆超速点聚类分析", 《计算机工程》 *
林基艳 等: "基于 NFC 和 Android 的非法运营车辆举报系统的设计与实现", 《行业应用与交流》 *
王娜 等: "基于卷积神经网络的非法营运车辆识别", 《计算机应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368626A (zh) * 2019-11-19 2020-07-03 杭州海康威视系统技术有限公司 车辆识别方法、装置、电子设备和存储介质
CN111368626B (zh) * 2019-11-19 2024-02-23 杭州海康威视系统技术有限公司 车辆识别方法、装置、电子设备和存储介质
CN111489556A (zh) * 2020-05-20 2020-08-04 上海评驾科技有限公司 一种营运车辆挂靠行为的判断方法
CN111489556B (zh) * 2020-05-20 2022-06-21 上海评驾科技有限公司 一种营运车辆挂靠行为的判断方法

Also Published As

Publication number Publication date
CN110136448B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN104732205B (zh) 一种高速公路逃费稽查的系统
CN104200669B (zh) 一种基于Hadoop的套牌车识别方法及系统
CN105976617B (zh) 非法营运车辆检测方法和系统
CN107798876B (zh) 基于事件的道路交通异常拥堵判断方法
CN110807919A (zh) 基于过车数据的城市路网交通运行态势评价方法
CN103034836B (zh) 道路标志检测方法和道路标志检测设备
CN115048700B (zh) 一种基于多维度数据的基建项目工程建设可行性分析评估方法
CN112837533B (zh) 一种考虑风险因素时变特征的公路事故频次预测方法
CN110866677A (zh) 一种基于基准化分析的驾驶人相对风险评价方法
CN106373426A (zh) 基于计算机视觉的停车位及违规占道停车监控方法
CN108806248B (zh) 一种针对rfid电子车牌数据的车辆出行轨迹划分方法
CN110136448A (zh) 一种基于汽车电子标识数据的非法营运车辆识别方法
CN110705484B (zh) 利用行车轨迹识别连续变更车道违法行为的方法
CN107329977B (zh) 一种基于概率分布的假牌车二次筛选方法
CN113392885B (zh) 一种基于随机森林理论的交通事故时空热点判别方法
CN108665703A (zh) 基于宏观基本图的路网状态转换点判别方法
CN107766983B (zh) 一种城市轨道交通车站应急救援驻车点的设置方法
CN105046959B (zh) 基于双窗口滑动匹配机制的城市道路行程时间提取方法
CN109191828B (zh) 基于集成学习的交通参与者事故风险预测方法
CN112767684A (zh) 一种基于收费数据的高速公路交通拥堵检测方法
CN108922170B (zh) 一种基于电子警察抓拍数据的交叉口安全评价方法
CN115761920A (zh) 一种基于etc门架数据的车辆轨迹可信提取方法及系统
CN117173899B (zh) 一种智慧城市交通出行品质评价方法
CN117953693B (zh) 一种基于视频ai的高速公路交通智能监测系统
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

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