CN113392897B - 一种计算机动车查验机构和安检机构耦合度的方法和系统 - Google Patents
一种计算机动车查验机构和安检机构耦合度的方法和系统 Download PDFInfo
- Publication number
- CN113392897B CN113392897B CN202110648863.XA CN202110648863A CN113392897B CN 113392897 B CN113392897 B CN 113392897B CN 202110648863 A CN202110648863 A CN 202110648863A CN 113392897 B CN113392897 B CN 113392897B
- Authority
- CN
- China
- Prior art keywords
- inspection mechanism
- formula
- vehicle
- security inspection
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种计算机动车查验机构和安检机构耦合度的方法和系统,包括步骤如下:(1)构建机动车查验机构和安检机构耦合度计算模型;(2)采集训练集;(3)通过训练集中的训练数据训练机动车查验机构和安检机构耦合度计算模型;(4)将待检测的数据输入训练后的机动车查验机构和安检机构耦合度计算模型,计算输出机动车查验机构和安检机构耦合度。通过本发明提供的方法和系统,可以快速定位和计算出关联查验机构和检测机构耦合度指数,效率高,准确度高。
Description
技术领域
本发明涉及一种计算机动车查验机构和安检机构耦合度的方法和系统,尤其是一种基于车辆识别代码在时间、空间和数量多维度计算查验机构和检验机构关联度的计算方法和系统。
背景技术
近年来,伴随车驾管业务的“放管服”工作的进一步开展,机动车和驾驶人业务办理逐渐下放到各县区车管分所,急剧加大了各地市车管所以及省级和部局级管理单位的监管难度,尤其是大中型车辆注册准入管理。
大中型车辆在上牌之前需要经过车辆安检,通过车辆安检后还需车辆查验,两者全部通过方可办理机动车注册业务。而随着业务下放,安检和查验都可以异地或跨区县办理,这样就存在了有些申请人或代办机构利用跨区、跨县甚至跨市办理机动车查验和检验业务的违法现象。例如:在某违规检测站检测通过后,集中到另一违规查验区进行查验上牌的不良现象。
传统方法只能通过查验机构或检测机构日常流水和历史视频对业务进行监管,耗费大量人力、物力和财力,效果不佳。目前尚未有一种识别和计算查验机构和安检机构两者耦合关系的方法和系统。
发明内容
针对现有技术的不足,本发明提供一种计算机动车查验机构和安检机构耦合度的方法和系统。本发明能够快速准确识别机动车查验机构和机动车安检机构是否存在舞弊现象,从而提高车辆查验及安检的透明度,从源头管控车辆准入,以免造成交通事故的发生。
本发明的技术方案如下:
一种计算机动车查验机构和安检机构耦合度的方法,包括步骤如下:
(1)构建机动车查验机构和安检机构耦合度计算模型;
(2)采集训练集;
(3)通过训练集中的训练数据训练机动车查验机构和安检机构耦合度计算模型;
(4)将待验证的数据输入训练后的机动车查验机构和安检机构耦合度计算模型,计算输出机动车查验机构和安检机构在某段时间内的耦合度。
根据本发明优选的,步骤(1)中,机动车查验机构和安检机构耦合度计算模型的构建过程如下:
A、设X={x1,x2,x3,...,xi...,xn},为所有查验机构的集合,n是指所有查验机构的总数;Y={y1,y2,y3,...,yj...,ym},为所有安检机构的集合,m是指所有安检机构的总数;求取xi和yj的空间距离矩阵,具体包括:
dij为任意一家查验机构xi和任意一家安检机构yj的空间距离,如式(I)所示:
dij=R*Arccos(Cij)*π/180 (II)
式(I)中,loni、lati分别是指xi的经度、纬度;lonj、latj分别是指yj的经度、纬度;
式(II)中,R为地球半径;一般取6371004m。
dn,m是指任一查验机构和任一安检机构之间的空间距离;
B、对步骤A得到的OD归一化,得到空间距离归一化矩阵ODN,空间距离归一化矩阵ODN中的任一元素计算公式如式(III)所示:
式(III)中,max(OD)、min(OD)分别是OD的最大值和最小值;
C、设G={g1,g2,g3,...,gn},为所有上级车辆管理部门(例如:市所和全市分所),查验机构和安检机构具有各自上级车辆管理部门;设factori,j为上级车辆管理部门的影响因子,如式(IV)所示:
式(IV)中,i是指查验机构xi,j是指安检机构yj,gi是指查验机构i所属的上级车辆管理部门,gj是指安检机构j所属的上级车辆管理部门;
本指标是识别查验机构和检测机构是否属于同一县区的重要指标,a1和a2是上级车辆管理部门影响因子,取值范围a1,a2∈[1,2]且a1<a2;
D、计算查验机构和安检机构部门管理影响因素矩阵并进行归一化处理:
设FACTOR为查验机构和安检机构部门管理影响因素矩阵,FACTORN为查验机构和安检机构部门管理影响因素的归一化矩阵,FACTORN中各元素计算公式如式(V)所示:
式(V)中,max(FACTOR)、min(FACTOR)分别指FACTOR的最大值和最小值;
E、设L={l1,l2,l3,...,ln},为新车注册既需要查验又需要检测的车辆类型的集合;
XNUMi,l={xnumi,l,1,xnumi,l,2,xnumi,l,3,...,xnumi,l,n},为查验机构xi工作日每天对车辆类型l的查验车辆数的集合;
YNUMj,l={ynumj,l,1,ynumj,l,2,ynumj,l,3,...,ynumj,l,n},为安检机构yj工作日每天对车辆类型l的检验车辆数的集合;
设XRATi,l为查验机构xi对车辆类型l的查验量变化率,YRATj,l则安检机构yj对车辆类型l的检测量变化率:如式(VI)、式(VII)所示:
式(VI)、式(VII)中,xrati,l,k、yratj,l,k分别指任一查验机构xi和任一安检机构yj对于车辆类型l本期k和上期k-1查验量和检测量的变化率,xi∈X,yj∈Y,l∈L;
F、众所周知,车辆识别代码是机动车唯一识别代码,
设XCLSBDMi,l={xclsbdmi,l,1,xclsbdmi,l,2,xclsbdmi,l,3,...,xclsbdmi,l,n},为查验机构xi对车辆类型l在某一时间段内查验车辆的集合;
YCLSBDMj,l={yclsbdmj,l,1,yclsbdmj,l,2,yclsbdmj,l,3,...,yclsbdmj,l,n},为安检机构yj对车辆类型L在某一时间段内检验车辆的集合;
XYCLSBDMi,j,l为查验机构xi与安检机构yj针对车辆类型l在某一时间段内具有相同车辆识别代码的集合,XYNUMi,j,l为关联车辆数,XYNUMl为车辆类型l在某一时间段内关联车辆数矩阵;
G、对XYNUMl归一化,设关联车辆数归一化矩阵为XYNNl,其各元素计算公式如式(VIII)所示:
式(VIII)中,max(XYNUMl)、min(XYNUMl)分别指XYNUMl的最大值和最小值;
H、设查验机构和安检机构的耦合度指数为Indexi,j,l,其计算公式如式(IX)所示:
Indexi,j,l=α·odnij+β·factori,j+γ·xynni,j,l (IX)
式(IX)中,α+β+γ=1,ODN是指任一查验机构xi和任一安检机构yj的空间距离归一化矩阵,odnij为ODN的关联距离元素,factori,j为关联机构所属管理部门的归一化矩阵元素,xynni,j,l为关联车辆数归一化矩阵元素α、β和γ是耦合度系数,α、β、γ∈[01]。
进一步优选的,a1=1、a2=2。
根据本发明优选的,机动车查验机构和安检机构耦合度计算模型的神经网络的结构包括输入层、隐藏层、输出层,输入层包括三个输入单元x1、x2、x3,隐藏层为一层的前向结构两个单元结构o1、o2,输出层为一层一个单元结构y。
机动车查验机构和安检机构耦合度计算模型的神经网络的损失函数Ek为欧式距离损失函数,如式(XI)所示:
根据本发明优选的,步骤(2)中,采集训练集,包括步骤如下:
I、通过市级车管所检验和查验监管系统导出某段历史时间的查验和检测的流水数据以及基础关联数据,即原始数据;
原始数据具体包括:查验机构信息数据以及业务流程数据;安检机构信息数据以及业务流程数据;近两年内查验检测业务舞弊的相关历史数据;
J、对原始数据进行预处理,得到的训练集;
通过式(III)、式(IV)、式(V)和式(VIII)对步骤I得到的原始数据进行标准化和归一化处理。
根据本发明优选的,步骤(3)中,通过训练集中的训练数据训练机动车查验机构和安检机构耦合度计算模型,具体实现过程包括:输入训练集中的训练数据,并对机动车查验机构和安检机构耦合度计算模型的神经网络的权重初始化,进行训练。
根据本发明优选的,待验证的数据即为近一个月内的查验数据和检验数据。
一种计算机动车查验机构和安检机构耦合度的系统,包括构建单元、数据集采集单元、训练单元及检测单元;所述构建单元用于实现步骤(1);所述数据集采集单元用于实现步骤(2);所述训练单元用于实现步骤(3);所述检测单元用于实现步骤(4)。
本发明的有益效果在于:
1、通过本发明提供的方法和系统,可以快速定位和计算出关联查验机构和检测机构耦合度指数,效率高,准确度高。
2、提供了一套完整的智能化调参方法,能够定期对系统设置参数进行修改,具有一定的学习能力。
3、本发明提供的方法和系统,通过对查检机构同比分析和联合耦合度分析,快速定位异常机构,突破单纯依靠查验机构或检测机构分析不精确和无法定位问题车辆和机构的障碍。
4、本发明提供的方法和系统,可以形成查验和检测监管的闭环管理,实现了结构化数据和影像证据自动上报并在系统中反馈处理结果。
附图说明
图1为本发明计算机动车查验机构和安检机构耦合度的方法的流程示意图。
图2为本发明训练数据训练机动车查验机构和安检机构耦合度计算模型中参数调优流程示意图。
图3为本发明安检机构耦合度计算方法的流程示意图。
图4(a)为查验机构查验量同比柱状示意图;
图4(b)为安检机构检测量同比柱状示意图;
图4(c)为关联机构耦合度排行柱状示意图;
图5为本发明机动车查验机构和安检机构耦合度计算模型的神经网络的结构示意图;
具体实施方式
下面结合附图和实施例对本发明作进一步说明,但不限于此。
实施例1
一种计算机动车查验机构和安检机构耦合度的方法,如图1所示,包括步骤如下:
(1)构建机动车查验机构和安检机构耦合度计算模型;
(2)采集训练集;
(3)通过训练集中的训练数据训练机动车查验机构和安检机构耦合度计算模型;对训练集进行训练调参,并输出优化参数到机动车查验机构和安检机构耦合度计算模型中;
(4)将待验证的数据输入训练后的机动车查验机构和安检机构耦合度计算模型,计算输出机动车查验机构和安检机构在某段时间内的耦合度。
实施例2
根据实施例1所述的一种计算机动车查验机构和安检机构耦合度的方法,其区别在于:
步骤(1)中,机动车查验机构和安检机构耦合度计算模型的构建过程如下:
A、设X={x1,x2,x3,...,xi...,xn},为所有查验机构的集合,n是指所有查验机构的总数;Y={y1,y2,y3,...,yj...,ym},为所有安检机构的集合,m是指所有安检机构的总数;求取xi和yj的空间距离矩阵,具体包括:
dij为任意一家查验机构xi和任意一家安检机构yj的空间距离,如式(I)所示:
dij=R*Arccos(Cij)*π/180 (II)
式(I)中,loni、lati分别是指xi的经度、纬度;lonj、latj分别是指yj的经度、纬度;
式(II)中,R为地球半径;一般取6371004m。
dn,m是指任一查验机构和任一安检机构之间的空间距离;
B、对步骤A得到的OD归一化,得到空间距离归一化矩阵ODN,空间距离归一化矩阵ODN中的任一元素计算公式如式(III)所示:
式(III)中,max(OD)、min(OD)分别是OD的最大值和最小值;
C、设G={g1,g2,g3,...,gn},为所有上级车辆管理部门(例如:市所和全市分所),查验机构和安检机构具有各自上级车辆管理部门;设factori,j为上级车辆管理部门的影响因子,如式(IV)所示:
式(IV)中,i是指查验机构xi,j是指安检机构yj,gi是指查验机构i所属的上级车辆管理部门,gj是指安检机构j所属的上级车辆管理部门;
本指标是识别查验机构和检测机构是否属于同一县区的重要指标,a1和a2是上级车辆管理部门影响因子,取值范围a1,a2∈[1,2]且a1<a2;
D、计算查验机构和安检机构部门管理影响因素矩阵并进行归一化处理:
设FACTOR为查验机构和安检机构部门管理影响因素矩阵,FACTORN为查验机构和安检机构部门管理影响因素的归一化矩阵,FACTORN中各元素计算公式如式(V)所示:
式(V)中,max(FACTOR)、min(FACTOR)分别指FACTOR的最大值和最小值;
E、设L={l1,l2,l3,...,ln},为新车注册既需要查验又需要检测的车辆类型的集合;
XNUMi,l={xnumi,l,1,xnumi,l,2,xnumi,l,3,...,xnumi,l,n},为查验机构xi工作日每天对车辆类型l的查验车辆数的集合;
YNUMj,L={ynumj,l,1,ynumj,l,2,ynumj,l,3,...,ynumj,l,n},为安检机构yj工作日每天对车辆类型l的检验车辆数的集合;
设XRATi,L为查验机构xi对车辆类型L的查验量变化率,YRATj,L则安检机构yj对车辆类型l的检测量变化率;如式(VI)、式(VII)所示:
式(VI)、式(VII)中,xrati,l,k、yratj,l,k分别指任一查验机构xi和任一安检机构yj对于车辆类型l本期k和上期k-1查验量和检测量的变化率,xi∈X,yj∈Y,l∈L;
F、众所周知,车辆识别代码是机动车唯一识别代码,
设XCLSBDMi,l={xclsbdmi,l,1,xclsbdmi,l,2,xclsbdmi,l,3,...,xclsbdmi,l,n},为查验机构xi对车辆类型l在某一时间段内查验车辆的集合;
YCLSBDMj,l={yclsbdmj,l,1,yclsbdmj,l,2,yclsbdmj,l,3,...,yclsbdmj,l,n},为安检机构yj对车辆类型l在某一时间段内检验车辆的集合;
XYCLSBDMi,j,l为查验机构xi与安检机构yj针对车辆类型l在某一时间段内具有相同车辆识别代码的集合,XYNUMi,j,l为关联车辆数,XYNUMl为车辆类型l在某一时间段内关联车辆数矩阵;
G、对XYNUMl归一化,设关联车辆数归一化矩阵为XYNNl,其各元素计算公式如式(VIII)所示:
式(VIII)中,max(XYNUMl)、min(XYNUMl)分别指XYNUMl的最大值和最小值;
H、设查验机构和安检机构的耦合度指数为Indexi,j,l,其计算公式如式(IX)所示:
Indexi,j,l=α·odnij+β·factori,j+γ·xynni,j,l (IX)
式(IX)中,α+β+γ=1,ODN是指任一查验机构xi和任一安检机构yj的空间距离归一化矩阵,odnij为ODN的关联距离元素,factori,j为关联机构所属管理部门的归一化矩阵元素,xynni,j,l为关联车辆数归一化矩阵元素α、β和γ是耦合度系数,α、β、γ∈[01]。
a1=1、a2=2。
如图5所示,机动车查验机构和安检机构耦合度计算模型的神经网络的结构包括输入层、隐藏层、输出层,输入层包括三个输入单元x1、x2、x3,隐藏层为一层的前向结构两个单元结构o1、o2,输出层为一层一个单元结构y。
机动车查验机构和安检机构耦合度计算模型的神经网络的损失函数Ek为欧式距离损失函数,如式(XI)所示:
步骤(2)中,采集训练集,包括步骤如下:
I、通过市级车管所检验和查验监管系统导出某段历史时间的查验和检测的流水数据以及基础关联数据,即原始数据;
原始数据具体包括:查验机构信息数据以及业务流程数据;
查验机构信息数据包括查验机构代码、位置、经纬度等,查验机构业务流程数据例如查验流水号、查验机动车车辆类型、车辆识别代号等。
安检机构信息数据以及业务流程数据;
安检机构信息数据包括安检机构代码、位置等,安检机构业务流程数据例如检测流水号、检测机动车车辆类型、车辆识别代号等。
近两年内查验检测业务舞弊的相关历史数据;
近两年内查验检测业务舞弊的相关历史数据例如舞弊业务流水号、舞弊车辆识别代码、舞弊业务办理的查验机构和安检机构等。
J、对原始数据进行预处理,得到的训练集;
Input查验原始数据如表1所示:
表1
Input检验原始数据如表2所示:
表2
Lable是否舞弊原始数据如表3所示:
表3
如图3所示,通过式(III)、式(IV)、式(V)和式(VIII)对步骤I得到的原始数据进行标准化和归一化处理;Lable数据通过关联机构是否存在舞弊形成判断lable矩阵。得到的训练集格式如表4下:
表4
序号 | x<sub>1</sub> | x<sub>2</sub> | x<sub>3</sub> | y |
1 | 0.11 | 0.22 | 0.33 | 0 |
2 | 0.22 | 0.24 | 0.66 | 1 |
步骤(3)中,通过训练集中的训练数据训练机动车查验机构和安检机构耦合度计算模型,具体实现过程包括:输入训练集中的训练数据,并对机动车查验机构和安检机构耦合度计算模型的神经网络的权重初始化,进行训练。
待验证的数据即为近一个月内的查验数据和检验数据。
本发明是使用Java编程语言实现机动车查验机构和安检机构耦合度计算模型搭建的,其中机动车查验机构和安检机构耦合度计算模型共设置三个参数,如图2所示,具体调参步骤如下:
步骤1:使用Java编程语言实现神经网络架构搭建;
步骤2:设置机动车查验机构和安检机构耦合度计算模型,并对机动车查验机构和安检机构耦合度计算模型初始化;
步骤3:输入原始数据;
步骤4:根据耦合度计算模型计算得到三个归一化矩阵,并根据步骤J对矩阵进行变形最终得到训练数据;
步骤5:初始化神经网络权重参数;
步骤6:根据神经网络结构计算损失函数,当训练次数或者损失函数达到要求时,终止训练,若未达到要求,则重复步骤3、步骤4、步骤5。
在上述模型算法和调优参数方法的基础上,基于Springboot+Vue开发框架,在oracle数据库中,融合汇聚查验流水表和检测流水表以及相关基础数据表,开发了一套用于识别查验机构和安检机构业务耦合度的系统。
以济南车管所2020年上半年查验机构和全市检测机构业务为例,挖掘大中型车辆注册业务中查验机构和检测机构的关联耦合度。
(1)计算查验区同比变化率,如表5所示:
表5
查验区名称 | 同比 | 本期 | 增减量 | 变化率 |
A大队车管所查验区 | 197 | 386 | 189 | 95.94% |
B车管所查验区 | 59 | 79 | 20 | 33.90% |
C大队车管所查验区 | 953 | 1253 | 300 | 31.48% |
(2)计算检测机构同比率,如表6所示:
表6
检测机构名称 | 同比 | 本期 | 增减量 | 变化率 |
A机动车检测有限公司 | 6 | 43 | 37 | 616.67% |
B机动车检测中心 | 101 | 293 | 192 | 190.10% |
C汽车检测服务有限公司 | 63 | 179 | 116 | 184.13% |
(3)计算查检机构耦合度指数,如表7所示:
表7
序号 | 查验区名称 | 检测机构名称 | 距离 | 关联车辆数 | 耦合度 |
1 | A大队车管所查验区 | A机动车检测有限公司 | 9497.75 | 483 | 2.18 |
2 | B车管所查验区 | B机动车检测中心 | 16897.01 | 417 | 2.00 |
3 | C大队车管所查验区 | C汽车检测服务有限公司 | 10826.32 | 411 | 1.93 |
图4(a)为查验机构查验量同比柱状示意图;图4(b)为安检机构检测量同比柱状示意图;
图4(c)为关联机构耦合度排行柱状示意图。
(4)耦合度分析
针对耦合度排名前五的查验机构和安检机构抽取相关车辆的业务监管视频,对检测线流水和视频,抽检回放确认关联机构是否人为存在舞弊现象。
(5)结果验证
在现实案例中,通过此方法确定了某安检机构存在放宽指标现象,并发现其办理查验的车管分所在对本批车辆查验上牌过程中确实存在某些违规现象。由此验证了本模型的实用性、准确性和高效性。
查验量和检测量的变化率计算公式如下:
式(IX)、式(X)中,xrati,l,k、yratj,l,k分别指任一查验机构xi和任一安检机构yj对于车辆类型L本期k和上一年同期kk查验量和检测量的变化率,其中xi∈X,yj∈Y,l∈L。
表8为关联机构耦合度具体数据的表格展示。
表8
序号 | 查验区简称 | 检测站简称 | 查检机构名称 | 距离 | 关联车辆数 | 耦合度 |
1 | 天桥查验区 | 章丘市安通 | 天桥查验区_章丘市安通 | 9497.75 | 483 | 2.18 |
2 | 莱芜查验区 | 商河县谢芳 | 莱芜查验区_商河县谢芳 | 16897.01 | 417 | 2.00 |
3 | 商河查验区 | 山东泰达 | 商河查验区_山东泰达 | 10826.32 | 411 | 1.93 |
4 | 钢城查验区 | 济南通顺 | 钢城查验区_济南通顺 | 57279.32 | 376 | 1.70 |
5 | 槐荫查验区 | 济南市畅通中心 | 槐荫查验区_济南市畅通中心 | 11397.32 | 336 | 1.70 |
6 | 长清查验区 | 章丘锦屏 | 长清查验区_章丘锦屏 | 1435.49 | 299 | 1.59 |
7 | 天桥查验区 | 济南通顺 | 天桥查验区_济南通顺 | 2572.52 | 232 | 1.55 |
8 | 章丘查验区 | 章丘锦屏 | 章丘查验区_章丘锦屏 | 16186.24 | 229 | 1.50 |
9 | 槐荫查验区 | 济南莱芜(南冶站) | 槐荫查验区_济南莱芜(南冶站) | 9798.67 | 214 | 1.48 |
10 | 莱芜查验区 | 济南市强华 | 莱芜查验区_济南市强华 | 9796.41 | 196 | 1.36 |
实施例3
一种计算机动车查验机构和安检机构耦合度的系统,用于实现实施例1或2所述的计算机动车查验机构和安检机构耦合度的方法,包括构建单元、数据集采集单元、训练单元及检测单元;构建单元用于实现步骤(1);数据集采集单元用于实现步骤(2);训练单元用于实现步骤(3);检测单元用于实现步骤(4)。
Claims (7)
1.一种计算机动车查验机构和安检机构耦合度的方法,其特征在于,包括步骤如下:
(1)构建机动车查验机构和安检机构耦合度计算模型;
(2)采集训练集;
(3)通过训练集中的训练数据训练机动车查验机构和安检机构耦合度计算模型;
(4)将待验证的数据输入训练后的机动车查验机构和安检机构耦合度计算模型,计算输出机动车查验机构和安检机构在某段时间内的耦合度;
机动车查验机构和安检机构耦合度计算模型的神经网络的结构包括输入层、隐藏层、输出层,输入层包括三个输入单元x1、x2、x3,隐藏层为一层的前向结构两个单元结构o1、o2,输出层为一层一个单元结构y;
机动车查验机构和安检机构耦合度计算模型的神经网络的训练数据包括:
原始数据,具体包括:查验机构信息数据以及业务流程数据;安检机构信息数据以及业务流程数据;近两年内查验检测业务舞弊的相关历史数据;通过式(Ⅲ)、式(Ⅳ)、式(Ⅴ)和式(Ⅷ)对所述原始数据进行标准化和归一化处理;
Lable数据,是指机动车查验机构和机动车安检机构是否存在舞弊,用0或1表示;
步骤(1)中,机动车查验机构和安检机构耦合度计算模型的构建过程如下:
A、设X={x1,x2,x3,…,xi…,xn},为所有查验机构的集合,n是指所有查验机构的总数;Y={y1,y2,y3,…,yj…,ym},为所有安检机构的集合,m是指所有安检机构的总数;求取xi和yj的空间距离矩阵,具体包括:
dij为任意一家查验机构xi和任意一家安检机构yj的空间距离,如式(Ⅰ)所示:
dij=R*Arccos(Cij)*π/180 (Ⅱ)
式(Ⅰ)中,loni、lati分别是指xi的经度、纬度;lonj、latj分别是指yj的经度、纬度;
式(Ⅱ)中,R为地球半径;设OD为xi和yj的空间距离矩阵,则:
dn,m是指任一查验机构和任一安检机构之间的空间距离;
B、对步骤A得到的OD归一化,得到空间距离归一化矩阵ODN,空间距离归一化矩阵ODN中的任一元素计算公式如式(Ⅲ)所示:
式(Ⅲ)中,max(OD)、min(OD)分别是OD的最大值和最小值;
C、设G={g1,g2,g3,…,gn},为所有上级车辆管理部门,查验机构和安检机构具有各自上级车辆管理部门;设factori,j为上级车辆管理部门的影响因子,如式(Ⅳ)所示:
式(Ⅳ)中,i是指查验机构xi,j是指安检机构yj,gi是指查验机构xi所属的上级车辆管理部门,gj是指安检机构yj所属的上级车辆管理部门;
a1和a2是上级车辆管理部门影响因子,取值范围a1,a2∈[1,2]且a1<a2;
D、计算查验机构和安检机构部门管理影响因素矩阵并进行归一化处理:
设FACTOR为查验机构和安检机构部门管理影响因素矩阵,FACTORN为查验机构和安检机构部门管理影响因素的归一化矩阵,FACTORN中各元素计算公式如式(Ⅴ)所示:
式(Ⅴ)中,max(FACTOR)、min(FACTOR)分别指FACTOR的最大值和最小值;
E、设L={l1,l2,l3,…,ln},为新车注册既需要查验又需要检测的车辆类型的集合;
XNUMi,l={xnumi,l,1,xnumi,l,2,xnumi,l,3,…,xnumi,l,n},为查验机构xi工作日每天对车辆类型l的查验车辆数的集合;
YNUMj,l={ynumj,l,1,ynumj,l,2,ynumj,l,3,…,ynumj,l,n},为安检机构yj工作日每天对车辆类型l的检验车辆数的集合;
设XRATi,l为查验机构xi对车辆类型l的查验量变化率,YRATj,l则安检机构yj对车辆类型l的检测量变化率;如式(Ⅵ)、式(Ⅶ)所示:
式(Ⅵ)、式(Ⅶ)中,xrati,l,k、yratj,l,k分别指任一查验机构xi和任一安检机构yj对于车辆类型l本期k和上期k-1查验量和检测量的变化率,xi∈X,yj∈Y,l∈L;
F、车辆识别代码是机动车唯一识别代码,
设XCLSBDMi,l={xclsbdmi,l,1,xclsbdmi,l,2,xclsbdmi,l,3,…,xclsbdmi,l,n},为查验机构xi对车辆类型l在某一时间段内查验车辆的集合;
YCLSBDMj,l={yclsbdmj,l,1,yclsbdmj,l,2,yclsbdmj,l,3,…,yclsbdmj,l,n},为安检机构yj对车辆类型l在某一时间段内检验车辆的集合;
XYCLSBDMi,j,l为查验机构xi与安检机构yj针对车辆类型l在某一时间段内具有相同车辆识别代码的集合,XYNUMi,j,l为关联车辆数,XYNUMl为车辆类型l在某一时间段内关联车辆数矩阵;
G、对XYNUMl归一化,设关联车辆数归一化矩阵为XYNNl,其各元素计算公式如式(Ⅷ)所示:
式(Ⅷ)中,max(XYNUMl)、min(XYNUMl)分别指XYNUMl的最大值和最小值;
H、设查验机构和安检机构的耦合度指数为Indexi,j,l,其计算公式如式(Ⅸ)所示:
Indexi,j,l=α·odnij+β·factornij+γ·xynni,j,l(Ⅸ)
式(Ⅸ)中,α+β+γ=1,ODN是指任一查验机构xi和任一安检机构yj的空间距离归一化矩阵,odnij为ODN的关联距离元素,factornij为查验机构和安检机构部门管理影响因素的归一化矩阵的元素,xynni,j,l为关联车辆数归一化矩阵元素,α、β和γ是耦合度系数,α、β、γ∈[0 1]。
2.根据权利要求1所述的一种计算机动车查验机构和安检机构耦合度的方法,其特征在于,a1=1、a2=2。
4.根据权利要求1所述的一种计算机动车查验机构和安检机构耦合度的方法,其特征在于,步骤(2)中,采集训练集,包括步骤如下:
I、通过市级车管所检验和查验监管系统导出某段历史时间的查验和检测的流水数据以及基础关联数据,即原始数据;
原始数据具体包括:查验机构信息数据以及业务流程数据;安检机构信息数据以及业务流程数据;近两年内查验检测业务舞弊的相关历史数据;
J、对原始数据进行预处理,得到的训练集;
通过式(Ⅲ)、式(Ⅳ)、式(Ⅴ)和式(Ⅷ)对步骤I得到的原始数据进行标准化和归一化处理。
5.根据权利要求1所述的一种计算机动车查验机构和安检机构耦合度的方法,其特征在于,步骤(3)中,通过训练集中的训练数据训练机动车查验机构和安检机构耦合度计算模型,具体实现过程包括:输入训练集中的训练数据,并对机动车查验机构和安检机构耦合度计算模型的神经网络的权重初始化,进行训练。
6.根据权利要求1所述的一种计算机动车查验机构和安检机构耦合度的方法,其特征在于,待验证的数据即为近一个月内的查验数据和检验数据。
7.一种计算机动车查验机构和安检机构耦合度的系统,用于实现权利要求1-6任一所述的一种计算机动车查验机构和安检机构耦合度的方法,包括构建单元、数据集采集单元、训练单元及检测单元;所述构建单元用于实现步骤(1);所述数据集采集单元用于实现步骤(2);所述训练单元用于实现步骤(3);所述检测单元用于实现步骤(4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648863.XA CN113392897B (zh) | 2021-06-10 | 2021-06-10 | 一种计算机动车查验机构和安检机构耦合度的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648863.XA CN113392897B (zh) | 2021-06-10 | 2021-06-10 | 一种计算机动车查验机构和安检机构耦合度的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392897A CN113392897A (zh) | 2021-09-14 |
CN113392897B true CN113392897B (zh) | 2022-09-27 |
Family
ID=77620396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110648863.XA Active CN113392897B (zh) | 2021-06-10 | 2021-06-10 | 一种计算机动车查验机构和安检机构耦合度的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392897B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147648A (zh) * | 2019-06-20 | 2019-08-20 | 浙江大学 | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 |
CN110348713A (zh) * | 2019-06-28 | 2019-10-18 | 广东电网有限责任公司 | 一种基于关联性分析和数据挖掘的台区线损计算方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573693A (zh) * | 2014-12-18 | 2015-04-29 | 苏州市公安局交通巡逻警察支队 | 检验合格标志远程核发方法 |
CN105608660A (zh) * | 2015-12-18 | 2016-05-25 | 沈阳益中祥科技有限公司 | 机动车专门查验区管理系统所采用的查验方法 |
CN106529729A (zh) * | 2016-11-18 | 2017-03-22 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
DE102017201806A1 (de) * | 2017-02-06 | 2018-08-09 | Bayerische Motoren Werke Aktiengesellschaft | Modulare EMV-Prüfstandsanordnung |
CN110602702A (zh) * | 2019-08-23 | 2019-12-20 | 绿驰汽车科技集团有限公司 | 整车中t-box的功能检测方法及系统 |
-
2021
- 2021-06-10 CN CN202110648863.XA patent/CN113392897B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147648A (zh) * | 2019-06-20 | 2019-08-20 | 浙江大学 | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 |
CN110348713A (zh) * | 2019-06-28 | 2019-10-18 | 广东电网有限责任公司 | 一种基于关联性分析和数据挖掘的台区线损计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113392897A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508392B (zh) | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 | |
CN107273911A (zh) | 一种基于模糊c均值聚类分析的台区负荷精确分类方法 | |
CN109377339B (zh) | 一种可疑交易案例的辅助甄别方法及系统 | |
CN106448149A (zh) | 道路交通事故预警方法 | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN109377050A (zh) | 一种基于风险分析及ai人工智能模型风险分析方法 | |
CN105809360A (zh) | 一种p2p行业风险评估方法 | |
CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
CN104574141A (zh) | 一种业务影响度分析方法 | |
CN113918538B (zh) | 一种基于人工神经网络的新建道路养护数据迁移系统 | |
CN112613977A (zh) | 一种基于政务数据的个人信用贷款准入授信方法及系统 | |
CN107092932A (zh) | 一种基于条件依赖标签集的多标签主动学习方法 | |
CN114005274A (zh) | 基于小客车当量的高速公路收费站分级联动管控方法 | |
CN112330441A (zh) | 一种中小企业商业价值信用贷款评价方法 | |
CN112149922A (zh) | 高速公路隧道下行线出入口区域事故严重程度预测方法 | |
CN113392897B (zh) | 一种计算机动车查验机构和安检机构耦合度的方法和系统 | |
CN110288038A (zh) | 一种企业的分类方法及装置 | |
CN106651191A (zh) | 一种山区高速公路平曲线危险路段识别方法 | |
CN103914984B (zh) | 一种基于单元-区间协作的城市道路交通状态分析方法 | |
CN109255956A (zh) | 一种收费站交通流量异常检测方法 | |
CN115409332A (zh) | 一种辐射事故应急演习评估方法 | |
CN115964483A (zh) | 基于神经网络的高速公路养护大数据分类决策方法 | |
CN112634620A (zh) | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 | |
Kessler | Do fines cause financial distress? Evidence from Chicago | |
CN110047283A (zh) | 一种基于众包的道路动态规划数据评测与车辆分流的方法 |
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 |