CN113393113A - 复杂网络理论信用评价的路内停车欠逃费追缴方法及系统 - Google Patents
复杂网络理论信用评价的路内停车欠逃费追缴方法及系统 Download PDFInfo
- Publication number
- CN113393113A CN113393113A CN202110646502.1A CN202110646502A CN113393113A CN 113393113 A CN113393113 A CN 113393113A CN 202110646502 A CN202110646502 A CN 202110646502A CN 113393113 A CN113393113 A CN 113393113A
- Authority
- CN
- China
- Prior art keywords
- parking
- credit
- vehicle
- road
- parking lot
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 76
- 239000000126 substance Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- CNYFJCCVJNARLE-UHFFFAOYSA-L calcium;2-sulfanylacetic acid;2-sulfidoacetate Chemical compound [Ca+2].[O-]C(=O)CS.[O-]C(=O)CS CNYFJCCVJNARLE-UHFFFAOYSA-L 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了复杂网络理论信用评价的路内停车欠逃费追缴方法及系统,包括:从订单管理模块获取路内停车场车辆的付费信息与历史轨迹信息,从辅助信息模块获取辅助因素信息;构建空间使用判断模型、滞纳行为判断模型、辅助因素集合;通过不同评价方法以三种模型下各种相应指标进行信用变化评价;基于复杂网络理论计算组合信用变化评价结果;车辆在系统管控的路外停车场停车时,根据信用评价结果对车辆出入场进行不同方式的处理。本发明引入了复杂网络理论,计算组合信用评价结果,较好地解决不同方法评价结论非一致性问题;此外,采用停车场本地系统与中央控制系统对接的办法,可有效控制总体成本。
Description
技术领域
本发明涉及复杂网络理论信用评价的路内停车欠逃费追缴方法及系统,属于欠逃费追缴技术领域。
背景技术
现有城市级路内临时停车泊位多采用人工、地磁、视频识别等模式进行收费管理,但它们均为开放式,即带来了欠逃费问题。大部分城市没有行政执法权,采用的追缴欠费方式,多为人工催缴,催缴通知推送、媒体曝光等。但一来人工成本的增加使得难以及时现场催缴,二来上述追缴方式难以直接有效地预防缴清后再次逃费。
此外,为降低人工成本,提高智能化管理水平,一些城市的智慧停车系统推广了路内无人化收费,采用了信用分的管理模式。但若车主对该路内停车场一带不熟悉且又由于遮挡等意外因素忽略了需要缴费的指示标志,将引发欠逃费。这种情况下可能造成信用分的误判。
此外,信用分系统经常基于比较单一的指标进行计算,计算方法较为简单,有时计算结果不符合实际,并且不同计算方法经常导致计算的信用评价结果非一致问题。
发明内容
本发明所要解决的技术问题是:提供复杂网络理论信用评价的路内停车欠逃费追缴方法及系统,通过引入复杂网络理论,计算组合信用评价结果,较好地解决不同方法评价结论非一致性问题。
本发明为解决上述技术问题采用以下技术方案:
复杂网络理论信用评价的路内停车欠逃费追缴方法,包括如下步骤:
步骤1,将车辆当前停车作为第i次停车,根据路内停车场的录入终端获取车辆第i次停车的应付费信息和车辆历史停放轨迹信息,获取车辆和路内停车场的辅助因素信息;
步骤2,根据应付费信息和历史停放轨迹信息构建空间使用判断模型和滞纳行为判断模型,根据辅助因素信息构建辅助因素集合;
步骤3,设定空间使用判断模型、滞纳行为判断模型以及辅助因素的权重,并计算得到车辆第i次停车对应的信用变化评价指标,通过不同评价方法对车辆第i次停车对应的信用变化评价指标进行评价,得到每种评价方法对应的信用变化评价结果;
步骤4,将每种评价方法对应的信用变化评价结果视为网络节点,基于复杂网络理论计算组合信用变化评价结果;
步骤5,将车辆第1至i次停车的组合信用变化评价结果进行累加,得到最终信用评价结果,根据最终信用评价结果所处的信用分段,对车辆执行相应的操作。
作为本发明方法的一种优选方案,所述步骤1的具体过程如下:
从路内停车场的管理员手持录入终端或者视频桩智能录入终端处获取车辆的车牌号和停放时间,根据停放时间计算得到车辆的应付费信息,同时通过查询历史记录,获得车辆的历史停放轨迹信息;获取车辆和路内停车场的辅助因素信息,包括:车辆类型、一年内违法违章次数、路内停车场管理模式、周围环境以及路内停车场缴费率特征。
作为本发明方法的一种优选方案,所述步骤2的具体过程如下:
2.1,根据历史停放轨迹信息构建空间使用判断模型:
Ifi=sgn{0.9-min[(Ni-Ni-1)2,(Ni-Ni-2)2,...,(Ni-N1)2]}
k∈(0,i-1]
Ifi∈{-1,1}
Si1∈{0.25,0.75,1,(1+ti)0.25}
Ifi表示第i次停放的路内停车场是否与之前停放过的路内停车场重复,若Ifi=1,表示在该路内停车场至少第二次停放;若Ifi=-1,表示第一次停;
dik为第i次停放的路内停车场与第k次停放的路内停车场之间的距离,计算第i次停放的路内停车场与历史停放轨迹信息中的所有路内停车场之间的距离,对这些距离由小到大进行排序,前若干个距离之和为Minsum(dik);若Minsum(dik)<S,则车主对该路内停车场附近较为熟悉,若Minsum(dik)>S,则车主对该路内停车场附近较为陌生,S∈(0,+∞)为阈值;
S1i为表征车辆第i次停放对附近熟悉程度的信用变化评价指标,下列几种情况:①在该路内停车场第一次停,且对附近陌生;②在该路内停车场至少第二次停,但对附近陌生;③在该路内停车场第一次停,但对附近熟悉;④在该路内停车场至少第二次停,且对附近熟悉,在该路内停车场停车共计ti次;在函数作用下的Si1为:
2.2,根据停放时间与应付费信息构建滞纳行为判断模型:
i,Ci,Di∈(0,+∞)
Si2∈(Ci,2Ci)∪{0}∪(-2Ci,-Ci)
其中,Si2为第i次停车付费的费时指数,是表征滞纳情况的信用变化评价指标,Ci为第i次停车应收金额,Di为第i次停车付费距离第i次停车时间,即滞纳时间;
2.3,构建辅助因素集合,用于考虑辅助因素对信用评价的影响:
Si3,Si4,...,SiJ∈{0.5,0.75,1,1.25,1.5}
其中,Si3,Si4,...,SiJ表示第i次停车时第3至第J种辅助因素的信用评价指标,它们根据不同情况取值为0.5、0.75、1、1.25、1.5。
作为本发明方法的一种优选方案,步骤3所述车辆第i次停车对应的信用变化评价指标,具体为:
其中,Gui表示第u辆车第i次停车对应的信用变化评价指标,u=1,…,U,U为第u辆车第i次停车的时间段内共停车的车辆数量,当滞纳时间Di∈(0,T),代表用户在给定的时间T内完成欠费缴纳;当Di∈(T,Tddl),代表用户没有及时完成欠费缴纳,但未超出滞纳容忍时间Tddl;当Di∈(Tddl,+∞),代表用户没有及时完成欠费缴纳,且超出滞纳容忍时间Tddl;wu,i,j、wu,i,j′、wu,i,j″分别代表空间使用判断模型、滞纳行为判断模型以及辅助因素指标在上述三种情况下的权重,分别代表空间使用判断模型、滞纳行为判断模型以及辅助因素指标在上述三种情况下的同向化处理结果。
作为本发明方法的一种优选方案,步骤3所述评价方法包括幂平均算子、VIKOR法、熵权TOPSIS和DEMATEL法。
作为本发明方法的一种优选方案,所述步骤4的具体过程如下:
将每种评价方法对应的信用变化评价结果进行0-1标准化处理:
将第m种评价方法关于第u辆车第i次停车的信用变化评价结果视为网络节点,计算任意两个网络节点的差异度:
依据网络凝聚度的变化情况计算各网络节点的重要度:
计算组合信用变化评价结果:
作为本发明方法的一种优选方案,所述步骤5的具体过程如下:
将车辆第1至i次停车的组合信用变化评价结果进行累加,得到最终信用评价结果:
信用分段包括:差、较低、一般、良好,根据最终信用评价结果所处信用分段对车辆执行不同的操作;
在路外停车场:信用分段为差,拦截车辆进入路外停车场并提示;信用分段为较低,允许进入路外停车场,当车辆离开路外停车场时,缴纳当前停车费用后,仍拦截出场直至缴清车辆历史欠费;信用分段为一般,当车辆离开路外停车场时,仅需缴纳当前停车费用,提示存在历史欠费记录;信用分段为良好,则支付当前停车费时有几率减免停车费;
在路内停车场:信用分段为较低,委派附近巡检员赶赴现场贴条警告;信用分段为差,巡检员蹲守口头警告。
复杂网络理论信用评价的路内停车欠逃费追缴系统,该系统包括路内停车场感知系统、中央控制系统、中心服务器和路外停车场出入口控制系统,其中,路内停车场感知系统为管理员手持录入终端和/或视频桩智能录入终端,中央控制系统包括订单管理模块和辅助信息模块;
所述订单管理模块用于根据路内停车场的录入终端获取车辆第i次停车的应付费信息和车辆历史停放轨迹信息,并上传至中心服务器;辅助信息模块用于获取车辆和路内停车场的辅助因素信息,并上传至中心服务器;
中心服务器用于应付费信息和历史停放轨迹信息构建空间使用判断模型和滞纳行为判断模型,根据辅助因素信息构建辅助因素集合,计算得到车辆第i次停车对应的信用变化评价指标;还用于通过不同评价方法对车辆第i次停车对应的信用变化评价指标进行评价,得到每种评价方法对应的信用变化评价结果;构建复杂网络,得到组合信用变化评价结果,并进行累计,得到车辆最终信用评价结果,将最终信用评价结果同步至中央控制系统;
车辆到达路外停车场时,路外停车场出入口控制系统主动请求中央控制系统,执行由中央控制系统根据车辆所处信用分段分下发的指令。
作为本发明系统的一种优选方案,所述中央控制系统根据车辆所处信用分段分下发的指令包括:
在路外停车场:信用分段为差,拦截车辆进入路外停车场并提示;信用分段为较低,允许进入路外停车场,当车辆离开路外停车场时,缴纳当前停车费用后,仍拦截出场直至缴清车辆历史欠费;信用分段为一般,当车辆离开路外停车场时,仅需缴纳当前停车费用,提示存在历史欠费记录;信用分段为良好,则支付当前停车费时有几率减免停车费;
在路内停车场:信用分段为较低,委派附近巡检员赶赴现场贴条警告;信用分段为差,巡检员蹲守口头警告。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明引入了空间使用判断模型,从历史停车空间轨迹来描述车辆对附近的熟悉程度。对不熟悉停车区域的停车行为放宽要求,减轻初次逃费对信用评价的影响;针对熟悉区域附近而屡次逃费的恶性行为加大对信用评价的影响,减轻了造成信用误评的可能,对异地办事人员较为友好。
2、本发明引入了复杂网络理论进行信用评价,一方面能够清晰、直白地显现各种信用评价方法对应结果之间的联系关系;另一方面利用复杂网络理论中的节点重要性测度方法可以较好衡量每种评价方法对应的信用评价结果的实际影响力,并以此来确定组合信用评价的权重,能够较好地解决不同评价方法结论的非一致性问题。
3、本发明有效利用了路外停车场的出入限制性。当发生路内停车逃费欠费行为后,利用数据与系统的互通性,车辆到达路外道闸停车场时,入口控制系统请求并执行中央控制系统下发指令,如欠费严重,信用评价分段为差,拒绝入场,也避免了出场时拒绝配合缴清历史欠费而引起的出口通道拥堵。
附图说明
图1是本发明复杂网络理论信用评价的路内停车欠逃费追缴方法的流程图。
图2是本发明实施例中的空间判断模型示意图。
图3是本发明复杂网络理论信用评价的路内停车欠逃费追缴系统的逻辑框图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,为本发明复杂网络理论信用评价的路内停车欠逃费追缴方法的流程图,具体步骤如下:
S1:从订单管理模块获取路内停车场车辆的付费信息与历史轨迹信息,从辅助信息模块获取辅助因素信息。
具体的,订单管理模块从路内停车场的管理员手持录入终端、视频桩智能录入终端处获取车辆的车牌、停放数据,据此获得路内车辆付费信息;同时通过查询历史记录,获得车辆停车的历史轨迹信息;辅助信息模块通过若干接口,对接其他系统,获取车辆、路内停车场等第三方信息。
S2:构建空间使用判断模型、滞纳行为判断模型、辅助因素集合。
首先构建空间使用判断模型,从历史停车空间轨迹来描述车辆对附近的熟悉程度,其算法如下:
Ifi=sgn{0.9-min[(Ni-Ni-1)2,(Ni-Ni-2)2,...,(Ni-N1)2]}
i,N∈(0,+∞)
k∈(0,i-1]
Ifi∈{-1,1}
Si1∈{0.25,0.75,1,(1+ti)0.25}
其中,Si1为表征该车辆第i次停放对附近熟悉程度的信用变化评价指标,Ifi表征第i次停是否与之前停放过的路内停车场重复,Minsum(dik)表示第i次停放的路内停车场与历史停车记录中距离最近的若干次停放的路内停车场的距离之和,为重复次数与最小距离和的二元函数,用于求出信用评价指标Si1,Ni为第i次停放的路内停车场整数编号,dik为第i次与第k次停放的停车场的距离。
其中,Ifi表征第i次停是否与之前停放过的路内停车场重复,若Ifi=1,表示在该路内停车场至少第二次停放;若Ifi=-1,表示第一次停。
下面结合图2进行说明:图2中的R标志表示该城市路内临时停车场,数字代表其车场编号,可根据建设、投入运营批次进行编号。
具体的,某车辆在路内停车场共停车9次,按次分别为2,9,16,2,9,15,9,1,12;当车辆第10次在路内停车场停放且停在编号为16的停车场时,i=10,N10=16,则Ifi=sgn{0.9-min[(Ni-Ni-1)2,(Ni-Ni-2)2,...,(Ni-N1)2]}=sgn{0.9-min[(16-12)2,(16-1)2,...,(16-2)2]}=sgn{0.9-0}=1,说明该用户在编号为16的点至少为第二次停放。
Minsum(dik)为第i次停放的路内停车场与历史停车记录中距离最近的若干次停放的路内停车场的距离之和,若Minsum(dik)<S,则车主对该区域附近较为熟悉,若Minsum(dik)>S,则车主对该区域附近较为陌生,S将随着城市、区域交通发展而有所调整,S∈(0,+∞)。
具体的,仍以上述车辆为例,车辆第10次停车编号为16的停车场,把d(x,y)定义为编号x的停车场到编号y的停车场的距离,则10次停车场到历史记录停车场的距离分别为:d10,1=d(16,2)=0.3,d10,2=d(16,9)=0.6,d10,3=d(16,16)=0,d10,4=d(16,2)=0.3,d10,5=d(16,9)=0.6,d10,6=d(16,15)=0.1,d10,7=d(16,9)=0.6,d10,8=d(16,1)=0.4,d10,9=d(16,12)=1.2,如令S=1,以5个最小的距离求和,Minsum(dik)=0+0.1+0.3+0.3+0.4=1.1>S,则认为该车辆对编号为16的停车场较为陌生。
其中S1i为表征附近熟悉程度的信用变化评价指标,下列几种情况:①在该停车场第一次停,且对附近陌生;②在该停车场至少第二次停,但对附近陌生;③在该车场第一次停,但对附近熟悉;④在该车场至少第二次停,且对附近熟悉;在该点停车共计ti次,在函数作用下的Si1为:
上述车辆由于Ifi=1,Minsum(dik)>S,S10,1=0.75,在该停车场至少第二次停,但对附近陌生,故其逃费放宽要求,信用变化评价指标值为0.75。
针对熟悉停车场附近而屡次逃费的恶性行为,加大对信用变化影响,让其影响值大于1,为了避免这种车辆多次重复在同一个点按时缴费快速刷高信用评价结果,将指数定为较小值,本发明中优选为0.25。
紧接着构建滞纳行为判断模型,从费用与时间来描述费用滞纳情况,其算法如下:
i,Ci,Di∈(0,+∞)
Si2∈(Ci,2Ci)∪{0}∪(-2Ci,-Ci)
其中,Si2为第i次停车付费的费时指数,是表征滞纳情况的信用变化评价指标,Ci为第i次停车应收金额,Di为第i次停车付费距离第i次停车时间(即滞纳时间)。
值得注意的是,本发明默认同一车辆的每次欠逃费可单独计算,不存在缴纳某一次路内停车费用前必须缴清所有历史欠费的情况。
具体的,如果完成一次停车后立即缴费,Di=0,信用变化评价指标为费时指数Si2=Ci;另外,由于在上述基础信用分模型中,时刻不断前移,为避免信用评价结果一直快速降低,在费时指数Si2中做了指数处理,使得第i次停车若逃费所产生的信用评价变化值不超过2Ci。
最后构建了辅助因素集合,用于考虑辅助因素对信用评价的影响,其算法如下:
Si3,Si4,...,SiJ∈{0.5,0.75,1,1.25,1.5}
其中Sij为第i次停车时表征车辆情况、路内停车场情况等第三方辅助因素的信用评价指标,共有5档,分别为{0.5,0.75,1,1.25,1.5}。
具体的,以下面为例,信用评价指标1——车辆类型:政府公务车辆,评价指标1取值1.5,普通私家车1,营运车辆0.75,不便人群车辆0.5。
信用评价指标2——一年内违法违章次数:5次及以上,评价指标2取值1.5,3-4次1.25,1-2次1,无违章0.75。
信用评价指标3——路内停车场管理模式:手持机人工贴条收费,评价指标3取值1.25,咪表收费1,视频桩无人化管理0.5。
信用评价指标4——周围环境:交通流量较小,评价指标4取值1.25,交通流量中等1,交通流量较大0.75,交通流量较大且遮挡严重0.5。
信用评价指标5——路内停车场缴费率特征:缴费率95%以上,评价指标5取值1.5,80%-95%取值1.25,50%-80%取值1,20%-50%取值0.75,20%以下取值0.5。
这些指标值代表了对信用评价结果的影响,例如95%的人都缴费的情况,证明此车场管理有序,标志醒目,如果逃费,所带来的信用评价结果的影响比仅有不到一半人缴费的停车场大。如果逃费不同场景下标准不同,可更改评分标准并进行评分项扩展。
S3:通过不同评价方法以三种模型下各种相应指标进行信用变化评价。
首先对停车信用评价变化进行判断,变化情况可分为几种,如下所示:
其中,假设共计U辆车,Gui表示第u辆车第i次停车对应的信用变化评价结果;当滞纳时间Di∈(0,T),代表用户在给定的时间T内完成欠费缴纳;当Di∈(T,Tddl),代表用户没有及时完成欠费缴纳,但未超出滞纳容忍时间Tddl;当Di∈(Tddl,+∞),代表用户没有及时完成欠费缴纳,且超出滞纳容忍时间Tddl;wu,i,j、wu,i,j′、wu,i,j″分别代表各指标在上述三种情况下的权重,分别代表指标在三种情况下的某种数据同向化处理,例如将原始数据极小型、中间型、区间型指标对应的数据全部化成极大型指标,方便统一计算和处理;后面为方便表述,三种情况下数据处理后仍统称为Su,i,j。
具体的,当第u辆车i次停车逃费,且过了滞纳容忍时间,Di=20,对附近熟悉且在某个停车场第5次停车,本次收费7元,对各指标均进行负向化处理 这里假设各权重分别为wu,i,j′′={0.2,0.3,0.1,0.1,0.1,0.1,0.1}。
S4:基于复杂网络理论计算信用组合评价结果,是将每一种信用评价结果视为网络节点,依据网络凝聚度的变化情况确定节点重要度,获取每种信用评价结果的权重。
首先将4种评价结果进行0-1标准化处理,算法如下:
紧接着,将信用变化评价结果,视为网络节点,求网络节点差异度,其算法如下:
紧接着,依据网络凝聚度的变化情况计算各节点重要度,其算法如下:
最后计算复杂网络下各方法信用变化评价结果的权重,算法如下:
S5:车辆在系统管控的路外停车场停车时,根据信用评价结果对车辆出入场进行不同方式的处理。
进行信用变化评价结果累加,获得最终信用评价结果,其算法如下:
根据所有车辆信用评价结果排名,进行4等分段——差、较低、一般、良好,根据评价结果所处分段对车辆执行不同的操作。
其中在路外道闸停车场:信用评价结果排名分段为差,入口控制机拦截车辆入场并提示;分段为较低,允许入场,出场缴纳当前停车费用后,仍拦截出场直至缴清车辆历史欠费;分段为一般,出场仅需缴纳当前停车费用,控制机提示存在历史欠费记录;分段为良好则支付时有几率减免停车费,评价结果排名越高机率越大;其中在路内停车场,仅在排名分段为差和较低时执行操作——排名分段较低,委派附近巡检员赶赴现场贴条警告;排名分段为差,巡检员蹲守口头警告。
结合图3,本发明提供的基于复杂网络理论信用评价的路内停车欠逃费追缴系统,主要包括:路内停车场感知系统、中央控制系统、中心服务器、路外停车场出入口控制系统。中央控制系统的订单管理模块,通过路内停车场感知系统获得的数据形成车辆付费信息,上送至中心服务器,同时中心服务器请求中央控制系统的辅助信息模块获取相应辅助因素信息;中心服务器据此构建空间使用判断模型、滞纳行为判断模型、辅助因素集合,得到各信用变化评价指标;中心服务器分别使用不同的方法评价,并构建复杂网络,得到组合信用变化评价结果,并进行累计,得到车辆最终信用评价结果,将其同步至中央控制系统;车辆到达时,路外停车场出入口控制系统主动请求中央控制系统,执行由中央控制系统根据车辆信用分下发的指令,类似地,路内巡检员手持设备接收中央控制系统下发的指令。
结合图3,本发明提出这种系统的好处是每个路外道闸停车场控制系统采用对接中央控制系统的办法,接口有效性和网络传输性能需要满足要求,但对停车场控制系统硬件性能要求一般,若接入系统的停车场数量较多,布设成本不致过高。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (9)
1.复杂网络理论信用评价的路内停车欠逃费追缴方法,其特征在于,包括如下步骤:
步骤1,将车辆当前停车作为第i次停车,根据路内停车场的录入终端获取车辆第i次停车的应付费信息和车辆历史停放轨迹信息,获取车辆和路内停车场的辅助因素信息;
步骤2,根据应付费信息和历史停放轨迹信息构建空间使用判断模型和滞纳行为判断模型,根据辅助因素信息构建辅助因素集合;
步骤3,设定空间使用判断模型、滞纳行为判断模型以及辅助因素的权重,并计算得到车辆第i次停车对应的信用变化评价指标,通过不同评价方法对车辆第i次停车对应的信用变化评价指标进行评价,得到每种评价方法对应的信用变化评价结果;
步骤4,将每种评价方法对应的信用变化评价结果视为网络节点,基于复杂网络理论计算组合信用变化评价结果;
步骤5,将车辆第1至i次停车的组合信用变化评价结果进行累加,得到最终信用评价结果,根据最终信用评价结果所处的信用分段,对车辆执行相应的操作。
2.根据权利要求1所述复杂网络理论信用评价的路内停车欠逃费追缴方法,其特征在于,所述步骤1的具体过程如下:
从路内停车场的管理员手持录入终端或者视频桩智能录入终端处获取车辆的车牌号和停放时间,根据停放时间计算得到车辆的应付费信息,同时通过查询历史记录,获得车辆的历史停放轨迹信息;获取车辆和路内停车场的辅助因素信息,包括:车辆类型、一年内违法违章次数、路内停车场管理模式、周围环境以及路内停车场缴费率特征。
3.根据权利要求1所述复杂网络理论信用评价的路内停车欠逃费追缴方法,其特征在于,所述步骤2的具体过程如下:
2.1,根据历史停放轨迹信息构建空间使用判断模型:
Ifi=sgn{0.9-min[(Ni-Ni-1)2,(Ni-Ni-2)2,...,(Ni-N1)2]}
k∈(0,i-1]
Ifi∈{-1,1}
Si1∈{0.25,0.75,1,(1+ti)0.25}
Ifi表示第i次停放的路内停车场是否与之前停放过的路内停车场重复,若Ifi=1,表示在该路内停车场至少第二次停放;若Ifi=-1,表示第一次停;
dik为第i次停放的路内停车场与第k次停放的路内停车场之间的距离,计算第i次停放的路内停车场与历史停放轨迹信息中的所有路内停车场之间的距离,对这些距离由小到大进行排序,前若干个距离之和为Minsum(dik);若Minsum(dik)<S,则车主对该路内停车场附近较为熟悉,若Minsum(dik)>S,则车主对该路内停车场附近较为陌生,S∈(0,+∞)为阈值;
S1i为表征车辆第i次停放对附近熟悉程度的信用变化评价指标,下列几种情况:①在该路内停车场第一次停,且对附近陌生;②在该路内停车场至少第二次停,但对附近陌生;③在该路内停车场第一次停,但对附近熟悉;④在该路内停车场至少第二次停,且对附近熟悉,在该路内停车场停车共计ti次;在函数作用下的Si1为:
2.2,根据停放时间与应付费信息构建滞纳行为判断模型:
i,Ci,Di∈(0,+∞)
Si2∈(Ci,2Ci)∪{0}∪(-2Ci,-Ci)
其中,Si2为第i次停车付费的费时指数,是表征滞纳情况的信用变化评价指标,Ci为第i次停车应收金额,Di为第i次停车付费距离第i次停车时间,即滞纳时间;
2.3,构建辅助因素集合,用于考虑辅助因素对信用评价的影响:
Si3,Si4,...,Sij∈{0.5,0.75,1,1.25,1.5}
其中,Si3,Si4,...,SiJ表示第i次停车时第3至第J种辅助因素的信用评价指标,它们根据不同情况取值为0.5、0.75、1、1.25、1.5。
4.根据权利要求1所述复杂网络理论信用评价的路内停车欠逃费追缴方法,其特征在于,步骤3所述车辆第i次停车对应的信用变化评价指标,具体为:
5.根据权利要求1所述复杂网络理论信用评价的路内停车欠逃费追缴方法,其特征在于,步骤3所述评价方法包括幂平均算子、VIKOR法、熵权TOPSIS和DEMATEL法。
6.根据权利要求1所述复杂网络理论信用评价的路内停车欠逃费追缴方法,其特征在于,所述步骤4的具体过程如下:
将每种评价方法对应的信用变化评价结果进行0-1标准化处理:
将第m种评价方法关于第u辆车第i次停车的信用变化评价结果视为网络节点,计算任意两个网络节点的差异度:
依据网络凝聚度的变化情况计算各网络节点的重要度:
计算组合信用变化评价结果:
7.根据权利要求1所述复杂网络理论信用评价的路内停车欠逃费追缴方法,其特征在于,所述步骤5的具体过程如下:
将车辆第1至i次停车的组合信用变化评价结果进行累加,得到最终信用评价结果:
信用分段包括:差、较低、一般、良好,根据最终信用评价结果所处信用分段对车辆执行不同的操作;
在路外停车场:信用分段为差,拦截车辆进入路外停车场并提示;信用分段为较低,允许进入路外停车场,当车辆离开路外停车场时,缴纳当前停车费用后,仍拦截出场直至缴清车辆历史欠费;信用分段为一般,当车辆离开路外停车场时,仅需缴纳当前停车费用,提示存在历史欠费记录;信用分段为良好,则支付当前停车费时有几率减免停车费;
在路内停车场:信用分段为较低,委派附近巡检员赶赴现场贴条警告;信用分段为差,巡检员蹲守口头警告。
8.复杂网络理论信用评价的路内停车欠逃费追缴系统,其特征在于,该系统包括路内停车场感知系统、中央控制系统、中心服务器和路外停车场出入口控制系统,其中,路内停车场感知系统为管理员手持录入终端和/或视频桩智能录入终端,中央控制系统包括订单管理模块和辅助信息模块;
所述订单管理模块用于根据路内停车场的录入终端获取车辆第i次停车的应付费信息和车辆历史停放轨迹信息,并上传至中心服务器;辅助信息模块用于获取车辆和路内停车场的辅助因素信息,并上传至中心服务器;
中心服务器用于应付费信息和历史停放轨迹信息构建空间使用判断模型和滞纳行为判断模型,根据辅助因素信息构建辅助因素集合,计算得到车辆第i次停车对应的信用变化评价指标;还用于通过不同评价方法对车辆第i次停车对应的信用变化评价指标进行评价,得到每种评价方法对应的信用变化评价结果;构建复杂网络,得到组合信用变化评价结果,并进行累计,得到车辆最终信用评价结果,将最终信用评价结果同步至中央控制系统;
车辆到达路外停车场时,路外停车场出入口控制系统主动请求中央控制系统,执行由中央控制系统根据车辆所处信用分段分下发的指令。
9.根据权利要求1所述复杂网络理论信用评价的路内停车欠逃费追缴系统,其特征在于,所述中央控制系统根据车辆所处信用分段分下发的指令包括:
在路外停车场:信用分段为差,拦截车辆进入路外停车场并提示;信用分段为较低,允许进入路外停车场,当车辆离开路外停车场时,缴纳当前停车费用后,仍拦截出场直至缴清车辆历史欠费;信用分段为一般,当车辆离开路外停车场时,仅需缴纳当前停车费用,提示存在历史欠费记录;信用分段为良好,则支付当前停车费时有几率减免停车费;
在路内停车场:信用分段为较低,委派附近巡检员赶赴现场贴条警告;信用分段为差,巡检员蹲守口头警告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646502.1A CN113393113B (zh) | 2021-06-10 | 2021-06-10 | 复杂网络理论信用评价的路内停车欠逃费追缴方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646502.1A CN113393113B (zh) | 2021-06-10 | 2021-06-10 | 复杂网络理论信用评价的路内停车欠逃费追缴方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393113A true CN113393113A (zh) | 2021-09-14 |
CN113393113B CN113393113B (zh) | 2024-04-09 |
Family
ID=77620171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110646502.1A Active CN113393113B (zh) | 2021-06-10 | 2021-06-10 | 复杂网络理论信用评价的路内停车欠逃费追缴方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393113B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255519A (zh) * | 2021-12-03 | 2022-03-29 | 深圳市顺易通信息科技有限公司 | 车辆停车信用认证方法、装置、计算机设备和存储介质 |
CN116757454A (zh) * | 2023-08-21 | 2023-09-15 | 松立控股集团股份有限公司 | 基于蚁群优化算法的智能巡检配置优化方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305409A (zh) * | 2017-12-29 | 2018-07-20 | 浙江咪网电子科技有限公司 | 一种针对路内停车欠费的追缴方法及系统 |
CN112508709A (zh) * | 2020-10-21 | 2021-03-16 | 杭州衡泰软件有限公司 | 一种基于网络结构的信用风险传染监控方法 |
-
2021
- 2021-06-10 CN CN202110646502.1A patent/CN113393113B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305409A (zh) * | 2017-12-29 | 2018-07-20 | 浙江咪网电子科技有限公司 | 一种针对路内停车欠费的追缴方法及系统 |
CN112508709A (zh) * | 2020-10-21 | 2021-03-16 | 杭州衡泰软件有限公司 | 一种基于网络结构的信用风险传染监控方法 |
Non-Patent Citations (1)
Title |
---|
邓潇 等: "复杂网络视角下的学术期刊动态评价方法", 《情报杂志》, vol. 39, no. 2, pages 183 - 190 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255519A (zh) * | 2021-12-03 | 2022-03-29 | 深圳市顺易通信息科技有限公司 | 车辆停车信用认证方法、装置、计算机设备和存储介质 |
CN116757454A (zh) * | 2023-08-21 | 2023-09-15 | 松立控股集团股份有限公司 | 基于蚁群优化算法的智能巡检配置优化方法及系统 |
CN116757454B (zh) * | 2023-08-21 | 2023-11-17 | 松立控股集团股份有限公司 | 基于蚁群优化算法的智能巡检配置优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113393113B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4677453B2 (ja) | 道路利用料課金用データを収集し処理するための方法、コンピュータプログラム、およびシステム | |
CN105809972B (zh) | 一种停车管理方法及装置、系统 | |
US20190180610A1 (en) | Vehicle type identification method and device based on mobile phone data | |
CN109003338A (zh) | 一种路侧停车自动计时收费方法及装置 | |
CN103942977B (zh) | 一种停车位管理系统及其管理方法 | |
CN108305409B (zh) | 一种针对路内停车欠费的追缴方法及系统 | |
CN107045800A (zh) | 一种智慧社区车位管理方法 | |
CN107945566A (zh) | 基于多目标跟踪与深度学习的路边停车管理系统及方法 | |
CN108460472B (zh) | 一种汽车在互联网中智能应用管理系统 | |
CN107644540A (zh) | 路边停车管理方法、平台及系统 | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
CN113393113A (zh) | 复杂网络理论信用评价的路内停车欠逃费追缴方法及系统 | |
CN113744420B (zh) | 一种道路停车收费管理方法、系统和计算机可读存储介质 | |
CN106611445A (zh) | 一种路边停车管理收费系统及其管理方法 | |
CN111915896A (zh) | 一种基于物联网的智能交通系统及方法 | |
CN103679827B (zh) | 一种城市停车收费的自动监管系统与方法 | |
CN111243275B (zh) | 一种基于计算机视觉的收费站交通状态监测装置和方法 | |
CN105590478B (zh) | 城市公共路段停车管理系统及方法 | |
CN109102653A (zh) | 一种多辆机动车路侧停车自动计时收费方法及装置 | |
CN109493606B (zh) | 一种高速公路上违停车辆的识别方法及系统 | |
CN108198254A (zh) | 一种基于nb地磁的城市路边停车收费系统 | |
CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
CN106384535A (zh) | 一种智能路边停车系统 | |
CN109686119B (zh) | 车位共享系统 | |
CN111445718A (zh) | 一种基于物联网的智慧城市停车计费系统与方法 |
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 |