CN114780591A - 一种检测行程车牌识别错误的计算方法和系统 - Google Patents

一种检测行程车牌识别错误的计算方法和系统 Download PDF

Info

Publication number
CN114780591A
CN114780591A CN202210397321.4A CN202210397321A CN114780591A CN 114780591 A CN114780591 A CN 114780591A CN 202210397321 A CN202210397321 A CN 202210397321A CN 114780591 A CN114780591 A CN 114780591A
Authority
CN
China
Prior art keywords
license plate
information
data
matching
portal
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
CN202210397321.4A
Other languages
English (en)
Other versions
CN114780591B (zh
Inventor
谭林睿
李咏梅
林荣斌
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.)
Guangzhou Tianchang Information Technology Co ltd
Original Assignee
Guangzhou Tianchang Information Technology Co ltd
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 Guangzhou Tianchang Information Technology Co ltd filed Critical Guangzhou Tianchang Information Technology Co ltd
Priority to CN202210397321.4A priority Critical patent/CN114780591B/zh
Publication of CN114780591A publication Critical patent/CN114780591A/zh
Application granted granted Critical
Publication of CN114780591B publication Critical patent/CN114780591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/2455—Query execution
    • G06F16/24552—Database cache management
    • 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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • 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
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种检测行程车牌识别错误的计算方法和系统，该方法包括以下步骤：S1、获取入口信息、出口信息、门架流水信息和车牌识别信息；S2、进行编辑距离算法匹配；S3、对中间表进行分类；S4、对门架信息和牌识信息进行匹配；S5、人为分析异常数据；S6、将所得的结果与nosql缓存数据库中的信息车牌对应识别车牌进行匹配。本发明在设备误识别、设备故障、故意换牌等多方面可能对车辆车牌造成影响的情况下，利用大数据结合技术手段来获取车辆真实路径。对于车辆套牌，本发明也可以快速定位车辆，以及通过数据库中信息快速产出结果报告，获取车辆历史车牌识别情况，快速定位车辆问题行程，辅助证据链查证，打击犯罪。

Description

一种检测行程车牌识别错误的计算方法和系统
技术领域
本发明属于，具体涉及一种检测行程车牌识别错误的计算方法和系统。
背景技术
在高速公路实行全国联网后，高速公路大数据时代开始，数据也开始变得越来越繁杂，从不同省份不同路段的收费系统、车辆车牌识别设备来说就有很多，导致数据虽然多，但是数据准确有所欠缺。特别是对于异常识别的行程，难以与实际对应的行程路径进行绑定，导致出口信息无法与实际车辆匹配，无法还原车辆的真实路径情况。从而出现在收费站出口时最小费额缴费、缴费实际车型不符等各种情况，对实际各个路段公司造成经济损失，以及增加了收费站运营成本，稽核部门查证成本。当前现有都是需要时通过人工筛查，成本较高。
因此，一种检测行程车牌识别错误的计算方法和系统亟待提出。
发明内容
为解决现有技术存在的缺陷，本发明提供一种检测行程车牌识别错误的计算方法和系统。通过结合系统测算行程的真实车牌，用于佐证确认识别错误的行程错误车牌，降低收费站收费错误可能性，降低后续异常车辆链路查询成本
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明提供一种检测行程车牌识别错误的计算方法，包括以下步骤：
S1、获取入口信息、出口信息、门架流水信息和车牌识别信息，然后将获得的信息数据处理后生成中间表；
S2、将中间表中入口车牌、出口车牌、入口识别车牌、出口识别车牌进行编辑距离算法匹配，通过SPARK程序将数据筛选保存到nosql缓存数据库中；
S3、对中间表进行分类，筛选出异常数据，该异常数据包括有出入口信息无牌识信息、有入口信息无出口信息无牌识信息、无关联牌识信息、无入口信息有出口信息无牌识信息；
S4、对有出入口信息无牌识信息、有入口信息无出口信息无牌识信息分别获取其门架信息，并和对应时间段牌识信息进行匹配，先对交易时间戳数据进行归一化，完成后进行门架和牌识数据差异匹配，每笔计算偏差值，并得到门架信息每一笔是否匹配；根据匹配笔数、行程应有门架数、行程门架覆盖率获取偏差值，门架与牌识匹配取偏差值最小的那个；若最小的偏差值接近1，则执行步骤S5，若否，则执行步骤S6；
S5、人为分析异常数据，筛查和排除数据问题后执行步骤S1-S4；
S6、将所得的结果与nosql缓存数据库中的信息车牌对应识别车牌进行匹配，若车牌出现在库中则直接取库中结果；若车牌不在库中则取步骤S4中取得的偏差值最小车牌。
作为本发明的一种优选技术方案，还包括以下步骤:
S7、根据真实车牌、真实车牌出口信息完善整个行程，并对疑似出口出行方式、真实车牌做好标记。
作为本发明的一种优选技术方案，还包括以下步骤:
S8、如步骤S6车牌不在相似库中，则将信息同步更新到nosql数据库中执行笔数加1，如不在库中，则将步骤S7中真实车牌与入口识别车牌继续编辑距离算法，相似则进入相似库，不相似则进入非相似库。
作为本发明的一种优选技术方案，步骤S4中对数据时间戳进行归一化具体为将交易时间数据按四舍五入方法将秒小于30s的归到退到当前分钟的0s，大于30s的归到下一分钟的0s。
作为本发明的一种优选技术方案，步骤S2中将车牌之间matrix<3，similar>0.66的保存为相似车牌；将其他的保存为非相似车牌，对非相似车牌保存其出现次数。
作为本发明的一种优选技术方案，本发明还提供一种检测行程车牌识别错误系统，包括ETL应用、nosql缓存数据库、交易时间戳数据归一化模块、门架牌识匹配偏差计算模块、相似车牌计算模块，所述ETL应用用于采集出口信息、入口信息、门架流水信息和车牌识别信息；所述nosql缓存数据库用于存储信息；交易时间戳数据归一化模块通过可视化在线编译sparksql对交易时间戳数据进行归一化计算和数据标准化；所述门架牌识匹配偏差计算模块以在线编译热部署至SPARK，用于计算门架和牌识数据的每笔偏差值，并得到门架信息每一笔是否匹配，根据匹配笔数、行程应有门架数、行程门架覆盖率获取偏差值，门架与牌识匹配取偏差值最小的那个；所述相似车牌计算模块通过编辑距离算法测算相似识别车牌。
本发明相较于现有技术，具有以下有益效果：
本发明在设备误识别、设备故障、故意换牌等多方面可能对车辆车牌造成影响的情况下，利用大数据结合技术手段来获取车辆真实路径。
现有技术优化更新设备并不能百分百正常识别车牌，也不能确保设备故障，更不能解决车辆换牌行驶的问题，通过大数据技术手段完成车牌识别错误之后的真实车牌还原，在后天上和设备识别行程互补，本发明通过数据可以优化设备识别算法，排除误识别可能概率。
对于车辆套牌，这本发明也可以快速定位车辆，以及通过数据库中信息快速产出结果报告，获取车辆历史车牌识别情况，快速定位车辆问题行程，辅助证据链查证，打击犯罪。
附图说明
图1是本发明一种检测行程车牌识别错误的计算方法的工作流程图。
图2是本发明一种检测行程车牌识别错误系统的结构框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
其中：牌识指代车牌识别信息、门架指代门架流水信息表、行程表由出入口信息表加工生成。
实施例1
为了达到本发明的目的，如图1所示，在本实施例提供一种检测行程车牌识别错误的计算方法，包括以下步骤：
S1、获取入口信息、出口信息、门架流水信息和车牌识别信息，然后将获得的信息数据处理后生成中间表；
S2、将中间表中入口车牌、出口车牌、入口识别车牌、出口识别车牌进行编辑距离算法匹配，通过SPARK程序将数据筛选保存到nosql缓存数据库中；其中，将车牌之间matrix<3，similar>0.66的保存为相似车牌；将其他的保存为非相似车牌，对非相似车牌保存其出现次数；
S3、对中间表进行分类，筛选出异常数据，该异常数据包括有出入口信息无牌识信息、有入口信息无出口信息无牌识信息、无关联牌识信息、无入口信息有出口信息无牌识信息；
S4、对有出入口信息无牌识信息、有入口信息无出口信息无牌识信息分别获取其门架信息，并和对应时间段牌识信息进行匹配，先对交易时间戳数据进行归一化，其中，对数据时间戳进行归一化具体为将交易时间数据按四舍五入方法将秒小于30s的归到退到当前分钟的0s，大于30s的归到下一分钟的0s。完成后进行门架和牌识数据差异匹配，每笔计算偏差值，并得到门架信息每一笔是否匹配；根据匹配笔数、行程应有门架数、行程门架覆盖率获取偏差值，门架与牌识匹配取偏差值最小的那个；若最小的偏差值接近1，则执行步骤S5，若否，则执行步骤S6；
S5、人为分析异常数据，筛查和排除数据问题后执行步骤S1-S4；其中，人为分析异常数据为在偏差值存在过高误差时的纠正情况，如北斗时间偏差了一天，设备故障导致一端时间车牌都是拍的同一个，或者特殊情况部分使用一段时间虚拟车牌导致的异常。
S6、将所得的结果与nosql缓存数据库中的信息车牌对应识别车牌进行匹配，若车牌出现在库中则直接取库中结果；若车牌不在库中则取步骤S4中取得的偏差值最小车牌；
S7、根据真实车牌、真实车牌出口信息完善整个行程，并对疑似出口出行方式、真实车牌做好标记；
S8、如步骤S6车牌不在相似库中，则将信息同步更新到nosql数据库中执行笔数加1，如不在库中，则将步骤S7中真实车牌与入口识别车牌继续编辑距离算法，相似则进入相似库，不相似则进入非相似库。
为了进一步地优化本发明的实施效果，本实施例还提供一种检测行程车牌识别错误系统，包括ETL应用、nosql缓存数据库、交易时间戳数据归一化模块、门架牌识匹配偏差计算模块、相似车牌计算模块，所述ETL应用用于采集出口信息、入口信息、门架流水信息和车牌识别信息；所述nosql缓存数据库用于存储信息；交易时间戳数据归一化模块通过可视化在线编译sparksql对交易时间戳数据进行归一化计算和数据标准化；所述门架牌识匹配偏差计算模块以在线编译热部署至SPARK，用于计算门架和牌识数据的每笔偏差值，并得到门架信息每一笔是否匹配，根据匹配笔数、行程应有门架数、行程门架覆盖率获取偏差值，门架与牌识匹配取偏差值最小的那个；所述相似车牌计算模块通过编辑距离算法测算相似识别车牌。
如图2中所示，本实施例获取数据通过agent方式从文本、数据库等多种形式的文件中获取数据并同步到大数据环境。在大数据平台内部通过画布托拉拽形式对数据进行加工，基本形式有，SPARKSQL/预编译的计算方法。通过spark跑批任务于nosql缓存数据库进行交互，并产出结果发送到kafka异步更新到数据库中。关于批式与流式之间的差异，这次主要维度都是车牌，repartition根据车牌来划分数据，通过这种方式解决。数据差异问题。ETL应用为数据的中转处理，仅提供查询和数据更新操作。nosql数据库分为2块，一块保存相似车牌集合，主要为误识别车牌。一块保存非相似车牌，主要为设备异常识别前后跟车识别错误、预编卡、收费员违规发卡发卡错误、车辆套牌换牌等。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种检测行程车牌识别错误的计算方法，其特征在于，包括以下步骤：
S1、获取入口信息、出口信息、门架流水信息和车牌识别信息，然后将获得的信息数据处理后生成中间表；
S2、将中间表中入口车牌、出口车牌、入口识别车牌、出口识别车牌进行编辑距离算法匹配，通过SPARK程序将数据筛选保存到nosql缓存数据库中；
S3、对中间表进行分类，筛选出异常数据，该异常数据包括有出入口信息无牌识信息、有入口信息无出口信息无牌识信息、无关联牌识信息、无入口信息有出口信息无牌识信息；
S4、对有出入口信息无牌识信息、有入口信息无出口信息无牌识信息分别获取其门架信息，并和对应时间段牌识信息进行匹配，然后对交易时间戳数据进行归一化，完成后进行门架和牌识数据差异匹配，每笔计算偏差值，并得到门架信息每一笔是否匹配；根据匹配笔数、行程应有门架数、行程门架覆盖率获取偏差值，门架与牌识匹配取偏差值最小的那个；若最小的偏差值接近1，则执行步骤S5，若否，则执行步骤S6；
S5、人为分析异常数据，筛查和排除数据问题后执行步骤S1-S4；
S6、将所得的结果与nosql缓存数据库中的信息车牌对应识别车牌进行匹配，若车牌出现在库中则直接取库中结果；若车牌不在库中则取步骤S4中取得的偏差值最小车牌。
2.根据权利要求1所述的检测行程车牌识别错误的计算方法，其特征在于，还包括以下步骤:
S7、根据真实车牌、真实车牌出口信息完善整个行程，并对疑似出口出行方式、真实车牌做好标记。
3.根据权利要求1所述的检测行程车牌识别错误的计算方法，其特征在于，还包括以下步骤:
S8、如步骤S6车牌不在相似库中，则将信息同步更新到nosql数据库中执行笔数加1，如不在库中，则将步骤S7中真实车牌与入口识别车牌继续编辑距离算法，相似则进入相似库，不相似则进入非相似库。
4.根据权利要求1所述的检测行程车牌识别错误的计算方法，其特征在于，步骤S4中对数据时间戳进行归一化具体为将交易时间数据按四舍五入方法将秒小于30s的归到退到当前分钟的0s，大于30s的归到下一分钟的0s。
5.根据权利要求1所述的检测行程车牌识别错误的计算方法，其特征在于，步骤S2中将车牌之间matrix<3，similar>0.66的保存为相似车牌；将其他的保存为非相似车牌，对非相似车牌保存其出现次数。
6.一种如权利要求1-5所述的检测行程车牌识别错误系统，其特征在于，包括ETL应用、nosql缓存数据库、交易时间戳数据归一化模块、门架牌识匹配偏差计算模块、相似车牌计算模块，所述ETL应用用于采集出口信息、入口信息、门架流水信息和车牌识别信息；所述nosql缓存数据库用于存储信息；交易时间戳数据归一化模块通过可视化在线编译sparksql对交易时间戳数据进行归一化计算和数据标准化；所述门架牌识匹配偏差计算模块以在线编译热部署至SPARK，用于计算门架和牌识数据的每笔偏差值，并得到门架信息每一笔是否匹配，根据匹配笔数、行程应有门架数、行程门架覆盖率获取偏差值，门架与牌识匹配取偏差值最小的那个；所述相似车牌计算模块通过编辑距离算法测算相似识别车牌。
CN202210397321.4A 2022-04-15 2022-04-15 一种检测行程车牌识别错误的计算方法和系统 Active CN114780591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210397321.4A CN114780591B (zh) 2022-04-15 2022-04-15 一种检测行程车牌识别错误的计算方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210397321.4A CN114780591B (zh) 2022-04-15 2022-04-15 一种检测行程车牌识别错误的计算方法和系统

Publications (2)

Publication Number Publication Date
CN114780591A true CN114780591A (zh) 2022-07-22
CN114780591B CN114780591B (zh) 2023-04-07

Family

ID=82429670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210397321.4A Active CN114780591B (zh) 2022-04-15 2022-04-15 一种检测行程车牌识别错误的计算方法和系统

Country Status (1)

Country Link
CN (1) CN114780591B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071931A (zh) * 2022-12-29 2023-05-05 北京中科神通科技有限公司 一种高速公路通行车辆信息预测方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008176472A (ja) * 2007-01-17 2008-07-31 Park 24 Co Ltd 車両マッチングシステム、コンピュータプログラムおよび車両マッチング方法
CN106251635A (zh) * 2016-08-18 2016-12-21 武汉中科通达高新技术股份有限公司 一种套牌嫌疑车牌号的识别方法及系统
CN106651732A (zh) * 2016-12-28 2017-05-10 北京云星宇交通科技股份有限公司 一种高速公路异车换卡逃费车辆筛查方法及系统
US20180268238A1 (en) * 2017-03-14 2018-09-20 Mohammad Ayub Khan System and methods for enhancing license plate and vehicle recognition
CN109523790A (zh) * 2018-10-26 2019-03-26 安徽四创电子股份有限公司 一种基于车牌相似度的车牌纠错方法
CN112562156A (zh) * 2020-12-03 2021-03-26 湖南湘江智能科技创新中心有限公司 基于电子车牌和视频识别的重点车辆场所出入管理方法
CN113850267A (zh) * 2021-09-22 2021-12-28 上海顶昂科技有限公司 一种通过工单数据计算车牌识别率的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008176472A (ja) * 2007-01-17 2008-07-31 Park 24 Co Ltd 車両マッチングシステム、コンピュータプログラムおよび車両マッチング方法
CN106251635A (zh) * 2016-08-18 2016-12-21 武汉中科通达高新技术股份有限公司 一种套牌嫌疑车牌号的识别方法及系统
CN106651732A (zh) * 2016-12-28 2017-05-10 北京云星宇交通科技股份有限公司 一种高速公路异车换卡逃费车辆筛查方法及系统
US20180268238A1 (en) * 2017-03-14 2018-09-20 Mohammad Ayub Khan System and methods for enhancing license plate and vehicle recognition
CN109523790A (zh) * 2018-10-26 2019-03-26 安徽四创电子股份有限公司 一种基于车牌相似度的车牌纠错方法
CN112562156A (zh) * 2020-12-03 2021-03-26 湖南湘江智能科技创新中心有限公司 基于电子车牌和视频识别的重点车辆场所出入管理方法
CN113850267A (zh) * 2021-09-22 2021-12-28 上海顶昂科技有限公司 一种通过工单数据计算车牌识别率的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
傅鹏;谢世朋;: "基于级联卷积神经网络的车牌定位" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071931A (zh) * 2022-12-29 2023-05-05 北京中科神通科技有限公司 一种高速公路通行车辆信息预测方法和系统
CN116071931B (zh) * 2022-12-29 2024-01-09 北京中科神通科技有限公司 一种高速公路通行车辆信息预测方法和系统

Also Published As

Publication number Publication date
CN114780591B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112700072B (zh) 交通状况预测方法、电子设备和存储介质
US20130132166A1 (en) Smart toll network for improving performance of vehicle identification systems
CN109191605B (zh) 一种考虑收费路径的高速公路计费费率准确性评测方法
CN107645709B (zh) 一种确定人员信息的方法及装置
CN103810637A (zh) 机动车保险欺诈检测方法及系统
CN105448092A (zh) 一种关联车辆的分析方法及装置
CN107329977B (zh) 一种基于概率分布的假牌车二次筛选方法
CN108932255B (zh) 一种车辆综合能力分析方法及装置
CN112802215A (zh) 高速公路通行费用的稽核方法、装置、设备及存储介质
CN114780591B (zh) 一种检测行程车牌识别错误的计算方法和系统
CN114036198A (zh) 基于路径算法的高速稽核系统
CN113654566A (zh) 路侧系统的定位性能评估方法、存储介质及车路协同系统
CN111612638A (zh) 一种基于车联网大数据识别保险欺诈风险的方法
CN115731713A (zh) 一种预测异常车辆高速出口及时间的方法
CN115935056A (zh) 车辆虚假轨迹的识别方法、装置、设备及存储介质
CN109345395A (zh) 一种保险理赔的反欺诈系统及方法
CN108021361A (zh) 一种高速公路倒卡逃费车辆筛查方法及装置
CN114331181A (zh) 基于大数据的车辆驾驶行为风险分析方法
CN113850556A (zh) 运单生成方法、装置、电子设备和可读存储介质
CN111369790B (zh) 过车记录校正方法、装置、设备及存储介质
CN117290407A (zh) 基于日志的列车制动能力影响分析方法、系统及介质
CN116481560A (zh) 车辆行驶里程的计算方法、装置、终端及存储介质
CN116543242A (zh) 基于高速收费数据的车型检测方法、装置、设备及介质
CN114201530B (zh) 一种疑似非正常营运客车提前甄别及预防式监管方法
CN113470376B (zh) 基于卡口过车数据的实时区域在途车辆计数方法及系统

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