CN114201530A - 一种疑似非正常营运客车提前甄别及预防式监管方法 - Google Patents
一种疑似非正常营运客车提前甄别及预防式监管方法 Download PDFInfo
- Publication number
- CN114201530A CN114201530A CN202111474233.1A CN202111474233A CN114201530A CN 114201530 A CN114201530 A CN 114201530A CN 202111474233 A CN202111474233 A CN 202111474233A CN 114201530 A CN114201530 A CN 114201530A
- Authority
- CN
- China
- Prior art keywords
- passenger car
- abnormal operation
- passenger
- suspected
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 100
- 230000003449 preventive effect Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 8
- 230000002354 daily effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种疑似非正常营运客车提前甄别及预防式监管方法,属于交通管理及控制领域,构建疑似非正常营运客车提前甄别及预防式监管方法数据库,基于偏差波动设定自适应的行驶里程阈值,高精度的识别疑似非正常营运客车群体;在高精度识别的基础上,基于车辆、车主等多维特征指标,通过方差分析方法刻画疑似非正常营运客车的特征画像,进而在新车购置、二手车交易等环节提前甄别疑似非正常营运群体,进而开展预防式监管,有助于从源头上减少非正常营运行为,有效提高交通管理部门执法效率,大大减少对社会的危害。
Description
技术领域:
本发明涉及交通管理及控制领域,尤其涉及一种疑似非正常营运客车提前甄别及预防式监管方法。
背景技术:
非正常营运客车是指没有依法取得营运权而实施了营运行为的客车,即未按规定领取相关主管部门核发的营运证件和超越核定范围进行违法经营客运业务的客车。
非正常营运行为的主要危害有:一是干扰和破坏交通运输市场秩序,容易发生宰客欺客现象,投诉处理困难;二是非正常营运客车驾驶员未受专业技能培训和日常运营监管,车辆比较破旧,增加道路交通事故的概率;三是非正常营运客车驾驶员没有进行无犯罪记录等身份背景审查以及相关证件备案,容易引发社会治安事件。近年来我国发生多起非正常营运客车驾驶员侵犯乘客合法权益甚至威胁乘客生命安全的事件,引发了社会的广泛关注。因此非正常营运客车的监管显得重要而又迫切。
目前,传统非正常营运客车识别主要依靠人工上路对客车进行排查,这种方式不仅需要耗费大量的人力、物力,而且干扰了正常的交通秩序,容易引发社会矛盾。此外,合规网约客车和非正常营运客车具有高度的相似之处,靠人工排查难以区分,这大大加深了非正常营运客车的识别难度。近年来相关技术通过挖掘交通卡口、卫星定位等数据,对非正常营运客车进行识别,虽然在一定程度上解放了人力,但还存在着识别准确度不高、对非正常营运客车和合规营运车辆界限不清,特别是这些技术只能识别已经实施非正常营运一定时间周期后的车辆,而有可能在识别前非正常营运客车已经对社会造成了较大的危害。
如何缩短非正常营运客车的识别时间周期,特别是根据特征画像对非正常营运行为进行提前预防式监管,是一个目前尚未解决的关键性问题。
发明内容:
为了弥补现有技术缺陷,针对现有方法识别精度不高的问题,基于偏差波动设定自适应的行驶里程阈值,高精度的识别疑似非正常营运客车群体,本发明的目的是提供一种疑似非正常营运客车提前甄别及预防式监管方法,在高精度识别的基础上,基于车辆、车主等多维特征指标,通过方差分析方法刻画疑似非正常营运客车的特征画像,进而在新车购置、二手车交易等环节提前甄别疑似非正常营运群体,进而开展预防式监管,有助于从源头上减少非正常营运行为,有效提高交通管理部门执法效率,大大减少对社会的危害。
本发明的技术方案如下:
一种疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,包括如下步骤:
步骤一,构建疑似非正常营运客车提前甄别及预防式监管方法数据库:数据库包含数据集一为城市一定时间段内小型客车过车数据;数据集二为城市一定时间段内小型客车的单次出行轨迹数据;数据集三为网约车监管平台获取的城市网约客车信息数据;数据集四为出租车监管平台获取的城市出租客车信息数据;数据集五为城市机动车信息数据;
步骤二,获取高精度获取疑似非正常营运客车数据库:将步骤一中数据集二和数据集三通过客车号牌进行匹配,获取网约客车单次出行轨迹数据,分别计算各网约客车一个月内平均每天行驶里程Sp,p表示第p天,并将Sp的K倍设为疑似营运客车识别阈值Sp′,通过交通管理部门现场执法校验,并基于偏差变化率计算的自适应K值获取算法,自动获取合适的K值以提高识别精度,以阈值Sp′作为判断条件从小型客车中筛选出疑似营运客车,通过网约车监管平台和出租车监管平台剔除合规网约客车和出租客车数据,去除出行起讫点相对固定及路网出行期间大多无乘客乘车的车辆数据,得到高精度获取疑似非正常营运客车数据库;
步骤三,对步骤二中产生的高度疑似非正常营运客车数据进行特征画像,利用方差分析方法挖掘疑似非正常营运行为的车辆、车主的特征信息;
步骤四,通过欧式距离,在新车购置、二手车交易环节对符合特征画像的疑似非正常营运的车辆和车主进行提前甄别,甄别后采用非正常营运客车预防式监管策略,即通过法规宣传、跟踪监测方式进行预防式监管,并针对步骤二高精度识别的疑似非正常营运客车数据库,开展针对性的精准交通执法。
所述的疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,步骤一中的数据集一具体包括客车号牌、过车时间、路口名称、进口方向、车道编号,有无乘客字段;数据集二具体包括包括客车号牌、单次出行开始时间、单次出行结束时间、单次出行开始路段、单次出行结束路段、单次出行路径、单次出行里程字段;数据集三具体包括客车号牌、所属行政区域字段;数据集四具体包括客车号牌、所属行政区域等字段;数据集五为城市机动车信息数据,包括客车号牌、客车使用性质、客车车龄、客车是否为二手车、客车车价、客车品牌、驾驶员年龄、驾驶员性别、驾驶员驾照等级、驾驶员职业、驾驶员购车次数字段。
所述的疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,所述步骤一中利用布设于城市市区范围内各路口的电警和卡口设备记录车辆过车信息,并结合卡口摄像头和路网的空间位置关系及摄像头之间的拓扑关系,完成车辆单次轨迹数据的清洗,结合城市机动车信息数据中的使用性质以车辆号牌号码为媒介获取所有小型客车单次出行轨迹数据,其中小型客车包括合规私家客车、合规网约客车、合规出租客车及非正常营运客车。
所述的疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,步骤二中疑似非正常营运客车识别阈值系数初始K值设为0.6,通过交通管理部门现场执法校验,并基于偏差变化率计算的自适应K值获取算法,自动校正K值以提高识别准确率Z,其中Z与K的关系如下公式所示:
其中ρ1表示识别错误率,为依据疑似非正常营运车辆库中进行现场执法错误识别车辆数与识别总车辆数的比值;ρ2表示遗漏识别率,为现场执法识别的非正常营运车辆不在疑似非正常营运车辆库中的车辆数与识别总车辆数的比值; f1、f2为校正系数。
所述的疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,步骤二中在相同时间范围内计算每辆小型客车每天行驶里程Sqp,若连续一个月内第 q辆车满足Sqp>Sp′的天数超过18天,则将第q辆车定义为疑似营运客车,否则定义为疑似私家客车,分别汇总得出疑似营运客车库及疑似私家客车库,通过网约车监管平台和出租车监管平台获取到的网约客车及出租客车信息数据将疑似营运客车中的网约客车及出租客车剔除,剔除一个月内60%以上的出行均为相同的起讫点车辆数据,剔除一个月内60%以上卡口过车记录均无乘客乘车的车辆数据,剩余车辆即为高精度疑似非正常营运客车。
所述的疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,步骤三中车辆特征信息包括车辆性质、车龄、是否为二手车、车价、品牌指标,车主特征信息包括年龄、性别、驾照等级、职业、购车次数指标。
所述的疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,预防式监管策略包括如下步骤
1)、通过多部门获取监测数据形成非正常营运客车提前甄别及预防式监管数据库,其中包括城市一定时间段内小型客车过车数据、城市一定时间段内小型客车的单次出行轨迹数据、网约车监管平台获取的城市网约客车信息数据、出租车监管平台获取的城市出租客车信息数据、城市机动车信息数据;
2)、相关部门进行法规宣传;
3)、通过交通部门对步骤三产生的高精度疑似非正常营运客车进行现场执法,通过城管部门对对步骤三产生的高精度疑似非正常营运客车进行城市重点区域现场交通执法;
4)、对符合特征画像的疑似非正常营运的车辆和车主进行提前甄别,甄别后对疑似非正常营运客车车主宣传教育,并将疑似非正常营运客车车牌加入追踪名单,并对追踪名单里的车辆进行跟踪监测,及时识别其违法营运行为。
本发明的优点是:
1、本发明构建了疑似非正常营运客车提前甄别及预防式监管方法数据库,将小型客车的单次出行轨迹数据与网约车监管平台获取的城市网约客车信息数据进行匹配,获取网约客车单次出行轨迹数据,筛选出疑似营运客车,得到高精度获取疑似非正常营运客车数据库,有效降低了传统非正常营运客车识别带来的人力、物力耗费,便于维持正常的交通秩序,杜绝交通秩序不畅引发的社会矛盾问题;
2、本发明获取的高精度获取疑似非正常营运客车数据库,在高精度识别的基础上有助于解决近年来相关技术通过挖掘交通卡口、卫星定位等数据,对非正常营运客车进行识别存在着识别准确度不高、对非正常营运客车和合规营运车辆界限不清的问题;
3、本发明基于偏差波动设定自适应的行驶里程阈值,高精度的识别疑似非正常营运客车群体;在高精度识别的基础上,基于车辆、车主等多维特征指标,通过方差分析方法刻画疑似非正常营运客车的特征画像,进而在新车购置、二手车交易等环节提前甄别疑似非正常营运群体,进而开展预防式监管,有助于从源头上减少非正常营运行为,有效提高交通管理部门执法效率,大大减少对社会的危害。
附图说明:
图1为本发明的方法流程图。
图2为本发明K值与识别准率Z关系图。
图3为本发明客车车龄正态分布示意图。
图4为本发明非正常营运客车提前甄别及预防式监管策略原理示意图。
具体实施方式:
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
一种疑似非正常营运客车提前甄别及预防式监管方法,包括如下步骤:
步骤一:利用布设于城市市区范围内各路口的电警和卡口设备记录车辆过车信息,并结合卡口摄像头和路网的空间位置关系及摄像头之间的拓扑关系,完成车辆单次轨迹数据的清洗,结合城市机动车信息数据中的使用性质以车辆号牌号码为媒介获取所有小型客车(本申请提出的小型客车的概念包括合规私家客车、合规网约客车、合规出租客车及非正常营运客车)单次出行轨迹数据。
步骤二:疑似非正常营运客车识别阈值系数初始K值设为0.6,通过交通管理部门现场执法校验,并基于偏差变化率计算的自适应K值获取算法,自动校正K值以提高识别准确率Z,其中Z与K的关系如式(1)、式(2)所示,图解关系如图2所示。
其中ρ1表示识别错误率,为依据疑似非正常营运车辆库中进行现场执法错误识别车辆数与识别总车辆数的比值;ρ2表示遗漏识别率,为现场执法识别的非正常营运车辆不在疑似非正常营运车辆库中的车辆数与识别总车辆数的比值; f1、f2为校正系数。
利用从网约车监管平台获取城市网约客车信息数据,通过客车号牌从小型客车单次出行轨迹数据中筛选出所有网约客车单次出行轨迹数据,分别计算各网约客车一个月每天平均行驶里程Sp,并将Sp的K倍设为疑似营运客车识别阈值Sp′,在相同时间范围内计算每辆小型客车每天行驶里程Sqp,若连续一个月内第q 辆车满足Sqp>Sp′的天数超过20天,则将第q辆车定义为疑似营运客车,否则定义为疑似私家客车,分别汇总得出疑似营运客车库及疑似私家客车库,通过网约车监管平台和出租车监管平台获取到的网约客车及出租客车信息数据将疑似营运客车中的网约客车及出租客车剔除,剔除一个月内60%以上的出行均为相同的起讫点车辆数据,剔除一个月内60%以上卡口过车记录均无乘客乘车的车辆数据,剩余车辆即为高精度疑似非正常营运客车。
步骤三:交通管理部门对步骤二产生的高精度疑似非正常营运客车进行精准布控、现场执法。将高精度疑似非正常营运客车与私家客车、网约客车、出租客车进行单因素方差分析,对高精度疑似非正常营运客车进行特征画像,即以不同客车使用性质作为不同水平,分别分析不同水平对车辆特征(车辆性质、车龄、是否为二手车、车价、品牌)、车主特征(年龄、性别、驾照等级、职业、购车次数)有无影响。具体过程如下(本申请以不同使用性质客车的车龄观察样本集为例说明):
1.提出假设H0:μ1=μ2=...=μk,即不同自变量对因变量没有影响,对应本申请为不同使用性质客车的车龄无显著区别。
2.相关均值计算:
如下表1所示:
表1单因素方差分析数据结构图表
其中A1,A2,...,Ak分别表示k个水平,对应本申请的是高精度疑似非正常营运客车、私家客车、网约客车、出租客车四种不同使用性质客车,即k=4。
其中,ni为第i个水平(第i种使用性质客车)对应的样本数;
3.误差平方和计算:
3)、误差项平方和SSE,表示每个水平(每种使用性质客车)内各样本数据与其样本均值(对应使用性质客车车龄的平均值)误差的平方和,反映了每个样本内各观察值(对应使用性质内各客车车龄)的离散状况。
4.统计量计算
1)组间均方MSA:
2)组内均方MSE:
3)检验统计量F
5.决策分析
计算出F后,根据事先设定的显著性水平α,在F分布表中查找以分子自由度为(k-1),分母自由度为(n-k),的临界值Fα。若F>Fα,则拒绝假设H0(对应本申请为不同使用性质客车车龄有显著区别),若F<Fα,则同意H0(对应本申请为不同使用性质客车车龄无显著区别)。本申请对应k=4,n1(疑似非正常营运客车)=115,n2(私家客车)=341,n3=(网约客车)=112,n4(出租客车) =111,计算出F=15.184,设定显著性水平α=0.01,查表F0.01(3, 676)=3.78<F=15.184,因此拒绝假设H0,认为不同使用性质客车的车龄有显著区别,对比各使用性质客车样本均值大小(如图3所示,分别表示网约客车、私家客车、出租客车、高精度疑似非正常营运客车车龄均值),可以进一步判断高精度疑似非正常营运客车与其他使用性质客车对比,具有何种特征,从而完成高精度疑似非正常营运客车画像。
步骤四:根据步骤三确定的高精度疑似非正常营运车辆的特征,在新车购置、二手车交易环节计算交易车辆与高精度疑似非正常营运车辆间特征的欧式距离,判断其是否想从事非法客运服务,对符合特征画像的疑似非正常营运的车辆和车主进行提前甄别,并通过法规宣传、跟踪监测等方式进行预防式监管。欧式距离计算及疑从事非法客运服务判定流程如下:
1.由于不同特征具有自己的量纲和单位,因此数据的大小及变化范围也各不相同,各特征之间无法进行统一量化计算,为保证得到正确的计算结果,本申请采用min-max方法对高精度疑似非正常营运客车及交易车特征进行标准化处理,即将原始特征数据用线性化方法转换为[0,1]内的数,转换公式为:
该方法可以实现对原数据的等比例缩放,其中Xnorm为标准化后的数据,X 为原始数据,Xmax和Xmin分别为原始数据集中的最大值和最小值,利用min-max 方法将高精度疑似非正常营运车辆各特征均值及所有交易车辆各特征值进行统一量化计算。
2.欧式距离计算:
其中dk(x,y)表示第k交易车辆与高精度疑似非正常营运车辆库各特征均值间欧氏距离,xki表示第k辆交易车辆的第i个特征值,yi表示高精度疑似非正常营运车辆库第i个特征均值,n表示高精度疑似非正常营运客车库车辆特征总数。当小于初始阈值即认为第k辆车欲从事非法客运服务,交管部门对该司机进行法规宣传教育、对车辆号牌进行布控,跟踪监测其驾驶行为进行预防式监管。
如图4所示为非正常营运客车提前甄别及预防式监管策略,通过多部门获取监测数据形成非正常营运客车提前甄别及预防式监管数据库,其中包括城市一定时间段内小型客车过车数据、城市一定时间段内小型客车的单次出行轨迹数据、网约车监管平台获取的城市网约客车信息数据、出租车监管平台获取的城市出租客车信息数据、城市机动车信息数据。通过交通部门及城管部门分别对本申请步骤三产生的高精度疑似非正常营运客车在道路及城市重点区域现场交通执法,交通部门在新车购置、二手车交易环节加强监管,计算交易车辆与高精度疑似非正常营运车辆库各特征均值间欧式距离,做到疑似非正常营运客车的提前甄别,并对疑似非正常营运客车车主宣传教育,并将疑似非正常营运客车车牌加入追踪名单,并对追踪名单里的车辆进行跟踪监测,及时识别其违法营运行为,做到了疑似非正常营运客车的预防式监管。
注:本申请案例计算所用数据来自于安徽省宣城市。
上述实施例仅为本发明的较佳实施例,而不是全部实施例,本领域的普通技术人员在没有做出创造性劳动的前提下,基于上述实施例而获得的其他实施例,都应当属于本发明保护的范围,故:凡依本发明的系统、结构、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (7)
1.一种疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,包括如下步骤:
步骤一,构建疑似非正常营运客车提前甄别及预防式监管方法数据库:数据库包含数据集一为城市一定时间段内小型客车过车数据;数据集二为城市一定时间段内小型客车的单次出行轨迹数据;数据集三为网约车监管平台获取的城市网约客车信息数据;数据集四为出租车监管平台获取的城市出租客车信息数据;数据集五为城市机动车信息数据;
步骤二,获取高精度获取疑似非正常营运客车数据库:将步骤一中数据集二和数据集三通过客车号牌进行匹配,获取网约客车单次出行轨迹数据,分别计算各网约客车一个月内平均每天行驶里程Sp,p表示第p天,并将Sp的K倍设为疑似营运客车识别阈值Sp′,通过交通管理部门现场执法校验,并基于偏差变化率计算的自适应K值获取算法,自动获取合适的K值以提高识别精度,以阈值Sp′作为判断条件从小型客车中筛选出疑似营运客车,通过网约车监管平台和出租车监管平台剔除合规网约客车和出租客车数据,去除出行起讫点相对固定及路网出行期间大多无乘客乘车的车辆数据,得到高精度获取疑似非正常营运客车数据库;
步骤三,对步骤二中产生的高度疑似非正常营运客车数据进行特征画像,利用方差分析方法挖掘疑似非正常营运行为的车辆、车主的特征信息;
步骤四,通过欧式距离,在新车购置、二手车交易环节对符合特征画像的疑似非正常营运的车辆和车主进行提前甄别,甄别后采用非正常营运客车预防式监管策略,即通过法规宣传、跟踪监测方式进行预防式监管,并针对步骤二高精度识别的疑似非正常营运客车数据库,开展针对性的精准交通执法。
2.根据权利要求1所述的疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,步骤一中的数据集一具体包括客车号牌、过车时间、路口名称、进口方向、车道编号,有无乘客字段;数据集二具体包括包括客车号牌、单次出行开始时间、单次出行结束时间、单次出行开始路段、单次出行结束路段、单次出行路径、单次出行里程字段;数据集三具体包括客车号牌、所属行政区域字段;数据集四具体包括客车号牌、所属行政区域等字段;数据集五为城市机动车信息数据,包括客车号牌、客车使用性质、客车车龄、客车是否为二手车、客车车价、客车品牌、驾驶员年龄、驾驶员性别、驾驶员驾照等级、驾驶员职业、驾驶员购车次数字段。
3.根据权利要求1所述的疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,所述步骤一中利用布设于城市市区范围内各路口的电警和卡口设备记录车辆过车信息,并结合卡口摄像头和路网的空间位置关系及摄像头之间的拓扑关系,完成车辆单次轨迹数据的清洗,结合城市机动车信息数据中的使用性质以车辆号牌号码为媒介获取所有小型客车单次出行轨迹数据,其中小型客车包括合规私家客车、合规网约客车、合规出租客车及非正常营运客车。
5.根据权利要求1所述的疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,步骤二中在相同时间范围内计算每辆小型客车每天行驶里程Sqp,若连续一个月内第q辆车满足Sqp>Sp′的天数超过18天,则将第q辆车定义为疑似营运客车,否则定义为疑似私家客车,分别汇总得出疑似营运客车库及疑似私家客车库,通过网约车监管平台和出租车监管平台获取到的网约客车及出租客车信息数据将疑似营运客车中的网约客车及出租客车剔除,剔除一个月内60%以上的出行均为相同的起讫点车辆数据,剔除一个月内60%以上卡口过车记录均无乘客乘车的车辆数据,剩余车辆即为高精度疑似非正常营运客车。
6.根据权利要求1所述的疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,步骤三中车辆特征信息包括车辆性质、车龄、是否为二手车、车价、品牌指标,车主特征信息包括年龄、性别、驾照等级、职业、购车次数指标。
7.根据权利要求1所述的疑似非正常营运客车提前甄别及预防式监管方法,其特征在于,预防式监管策略包括如下步骤
1)、通过多部门获取监测数据形成非正常营运客车提前甄别及预防式监管数据库,其中包括城市一定时间段内小型客车过车数据、城市一定时间段内小型客车的单次出行轨迹数据、网约车监管平台获取的城市网约客车信息数据、出租车监管平台获取的城市出租客车信息数据、城市机动车信息数据;
2)、相关部门进行法规宣传;
3)、通过交通部门对步骤三产生的高精度疑似非正常营运客车进行现场执法,通过城管部门对对步骤三产生的高精度疑似非正常营运客车进行城市重点区域现场交通执法;
4)、对符合特征画像的疑似非正常营运的车辆和车主进行提前甄别,甄别后对疑似非正常营运客车车主宣传教育,并将疑似非正常营运客车车牌加入追踪名单,并对追踪名单里的车辆进行跟踪监测,及时识别其违法营运行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111474233.1A CN114201530B (zh) | 2021-12-02 | 2021-12-02 | 一种疑似非正常营运客车提前甄别及预防式监管方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111474233.1A CN114201530B (zh) | 2021-12-02 | 2021-12-02 | 一种疑似非正常营运客车提前甄别及预防式监管方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114201530A true CN114201530A (zh) | 2022-03-18 |
CN114201530B CN114201530B (zh) | 2024-05-28 |
Family
ID=80650653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111474233.1A Active CN114201530B (zh) | 2021-12-02 | 2021-12-02 | 一种疑似非正常营运客车提前甄别及预防式监管方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114201530B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631632A (zh) * | 2022-12-19 | 2023-01-20 | 北京码牛科技股份有限公司 | 一种基于车辆的轨迹特征识别网约车的方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110021163A (zh) * | 2019-03-02 | 2019-07-16 | 合肥学院 | 基于行驶里程数据的网约车路网占有率分析方法 |
CN110942640A (zh) * | 2019-12-04 | 2020-03-31 | 无锡华通智能交通技术开发有限公司 | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 |
CN111145542A (zh) * | 2019-12-23 | 2020-05-12 | 北京高诚科技发展有限公司 | 一种基于车辆行为的营运性质监测系统及方法 |
CN111489547A (zh) * | 2019-01-25 | 2020-08-04 | 福特全球技术公司 | 实时排放估计和监测 |
CN111862606A (zh) * | 2020-07-22 | 2020-10-30 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于多源数据的非法营运车辆识别方法 |
WO2021036290A1 (zh) * | 2019-08-30 | 2021-03-04 | 华为技术有限公司 | 识别车辆的营运行为的方法、装置及计算设备 |
-
2021
- 2021-12-02 CN CN202111474233.1A patent/CN114201530B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111489547A (zh) * | 2019-01-25 | 2020-08-04 | 福特全球技术公司 | 实时排放估计和监测 |
CN110021163A (zh) * | 2019-03-02 | 2019-07-16 | 合肥学院 | 基于行驶里程数据的网约车路网占有率分析方法 |
WO2021036290A1 (zh) * | 2019-08-30 | 2021-03-04 | 华为技术有限公司 | 识别车辆的营运行为的方法、装置及计算设备 |
CN110942640A (zh) * | 2019-12-04 | 2020-03-31 | 无锡华通智能交通技术开发有限公司 | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 |
CN111145542A (zh) * | 2019-12-23 | 2020-05-12 | 北京高诚科技发展有限公司 | 一种基于车辆行为的营运性质监测系统及方法 |
CN111862606A (zh) * | 2020-07-22 | 2020-10-30 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于多源数据的非法营运车辆识别方法 |
Non-Patent Citations (4)
Title |
---|
XIAO YUN, ET AL.: "Study on Road-Crossing Violations among Young Pedestrians Based on the Theory of Planned Behavior", RESEARCH ARTICLE, 18 September 2021 (2021-09-18), pages 1 - 11 * |
周永兴;: "南京营运小客车发展现状及运营服务监管平台建设研究", 电脑知识与技术, no. 14, 27 June 2016 (2016-06-27) * |
帅丹;蓝章礼;李益才;: "基于k-mediods及其改进算法的非法营运车辆识别", 计算机应用与软件, no. 05, 15 May 2016 (2016-05-15) * |
梁子君等: "基于 VAP 逻辑规则的交通感应控制改进算法", 合肥学院学报, vol. 38, no. 2, 30 April 2021 (2021-04-30), pages 119 - 125 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631632A (zh) * | 2022-12-19 | 2023-01-20 | 北京码牛科技股份有限公司 | 一种基于车辆的轨迹特征识别网约车的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114201530B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9262914B2 (en) | Rogue vehicle detection | |
CN114067557B (zh) | 一种驾驶信用测定方法、系统、信息数据处理终端 | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN110942640B (zh) | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 | |
CN114999181B (zh) | 一种基于etc系统数据的高速公路车辆速度异常识别方法 | |
CN111899517B (zh) | 一种高速公路疲劳驾驶违法行为判定方法 | |
CN110164136B (zh) | 套牌车辆识别方法 | |
CN114201530A (zh) | 一种疑似非正常营运客车提前甄别及预防式监管方法 | |
CN116542466A (zh) | 一种基于数据分析的资产全周期管理系统 | |
Joni et al. | Analysis of traffic accident severity in Baghdad city using Binary Logistic Regression Model | |
CN116882755A (zh) | 一种基于车载Tbox数据预测货车运输路线偷油风险的方法 | |
CN116911610A (zh) | 运输车辆驾驶安全风险监控及评估预警的方法和系统 | |
CN112989069B (zh) | 一种基于知识图谱与区块链的交通违章分析方法 | |
Engel et al. | Traffic stop data analysis study: Year 1 final report | |
CN116308968A (zh) | 基于卡口信息的车辆定位设备数据排查方法及系统 | |
Cetin et al. | Improving the accuracy of vehicle reidentification algorithms by solving the assignment problem | |
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 | |
Tang | Deterioration Digital Twins of Commercial Trucks and Trailers for Targeted Inspection and Maintenance | |
Liu et al. | Impact of fog conditions on lane-level speeds on freeways | |
Qiao et al. | Estimating IRI based on pavement distress type, density, and severity: Insights from machine learning techniques | |
CN117315943B (zh) | 一种超限运输违法监测分析与预警方法及系统 | |
CN116665342B (zh) | 新能源汽车驾驶行为分析方法、系统及设备 | |
CN114202929B (zh) | 一种基于中小客车通行行为的非法营运车辆识别方法 | |
Buchheit | Vacuum: Automated procedures for assessing and cleansing civil infrastructure data | |
Zhang | Improved system for collecting real-time truck data from dual-loop detectors |
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 |