CN115481812A - 一种基于隐马尔科夫模型的绿通车混装预测方法 - Google Patents

一种基于隐马尔科夫模型的绿通车混装预测方法 Download PDF

Info

Publication number
CN115481812A
CN115481812A CN202211216039.8A CN202211216039A CN115481812A CN 115481812 A CN115481812 A CN 115481812A CN 202211216039 A CN202211216039 A CN 202211216039A CN 115481812 A CN115481812 A CN 115481812A
Authority
CN
China
Prior art keywords
probability
hidden
markov model
state
traffic
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
CN202211216039.8A
Other languages
English (en)
Other versions
CN115481812B (zh
Inventor
李咏梅
罗浩贤
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 CN202211216039.8A priority Critical patent/CN115481812B/zh
Publication of CN115481812A publication Critical patent/CN115481812A/zh
Application granted granted Critical
Publication of CN115481812B publication Critical patent/CN115481812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

本发明涉及高速公路电子收费技术领域，更具体地涉及一种基于隐马尔科夫模型的绿通车混装预测方法，包括步骤S1，提取绿通车所有历史通行记录；步骤S2，根据通行记录时间顺序、出入口收费站、是否缴费、是否为绿通车的信息合并构建隐马尔科夫链；步骤S3，通过历史通行记录计算各出入口收费站的进出概率；步骤S4，结合通行记录中逃费历史对隐马尔科夫链进行观测标记；步骤S5，计算出入口的状态转移概率与观测概率矩阵；步骤S6，根据各出入口收费站的进出概率、出入口的状态转移概率与观测概率矩阵生成马尔科夫模型，利用马尔科夫模型对车辆当次行程是否逃费进行预测，本发明公开的基于隐马尔科夫模型的绿通车混装方法能预测该车为混装绿通车的概率。

Description

一种基于隐马尔科夫模型的绿通车混装预测方法
技术领域
本发明涉及高速公路电子收费技术领域，更具体地，涉及一种基于隐马尔科夫模型的绿通车混装预测方法。
背景技术
由于国家政策原因对绿通车实施政策性高速公路通行费的减免，有不少绿通车通过混装非绿通名单农产品实现牟利和逃费，部分收费站查验人员可能因工作量过大、业务熟悉程度不足等原因，存在未检出混装农产品假冒绿通车的情况。
隐马尔科夫模型是关于时序的概率模型，描述由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测从而产生观测随机序列的过程，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。
隐藏的马尔可夫链随机生成的状态的序列，称为状态序列；每个状态生成一个观测，而由此产生的观测的随机序列，称为观测序列；序列的每一个位置又可以看作是一个时刻。
因此，提出一种解决上述问题的基于隐马尔科夫模型的绿通车混装预测方法实为必要。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种基于隐马尔科夫模型的绿通车混装预测方法。
为解决上述技术问题，本发明的技术方案如下：一种基于隐马尔科夫模型的绿通车混装预测方法包括以下步骤：
步骤S1，提取绿通车所有历史通行记录；
步骤S2，根据通行记录时间顺序、出入口收费站、是否缴费、是否为绿通车的信息合并构建隐马尔科夫链；
步骤S3，通过历史通行记录计算各出入口收费站的进出概率；
步骤S4，结合通行记录中逃费历史对隐马尔科夫链进行观测标记；
步骤S5，计算出入口的状态转移概率与观测概率矩阵；
步骤S6，根据各出入口收费站的进出概率、出入口的状态转移概率与观测概率矩阵生成马尔科夫模型，利用马尔科夫模型对车辆当次行程是否逃费进行预测。
进一步的，所述步骤S1中，绿通车所有历史通行记录为车辆与入口收费站交互记录以及车辆出口绿通核查记录的数据。
更进一步的，所述步骤S2中，使用绿通车通行记录、缴费记录、核查记录作为基础构建马尔科夫链，其中，
隐马尔科夫链中所有的隐含状态构成状态集合为Q＝(q1,q2,q3,...,qn)，状态个数为N，所有可能的观测构成的集合为V＝(v1,v2,v3,...,vn)，观测个数为M，经过一段时间T之后，生成长度为T的状态序列I＝(i1,i2,i3,...,iT)，以及对应的观测序列O＝(o1,o2,o3,...oT)。
进一步的，所述步骤S2中，推动隐马尔科夫模型λ随着时间不断运行的是状态转移矩阵A、观测概率矩阵B和初始隐含状态概率向量π，λ＝(A,B,π)；
其中，初始概率向量π＝(π1,π2,π3,...,πN)，其中πi表示的就是隐含状态序列中第i个状态为qi的概率，即πi＝P(ii＝qi)，状态转移概率矩阵A本质上就是一个马尔科夫链的转移概率矩阵，所有的可能的隐含状态个数为N，因此矩阵A为一个N×N的矩阵：
Figure BDA0003876152700000031
并且按照马尔科夫状态转移概率的定义：aij表示从隐含状态i转移到隐含状态j的概率，即aij＝P(it+1＝qj|it＝qi)，其中，i＝1,2,...,N，j＝1，2，...,M；
而观测概率矩阵B是一个N×M的矩阵：
Figure BDA0003876152700000032
其中bij指的是在某时刻t，隐含状态为qi的情况下，对应生成观测vj的概率，即：bij＝P(ot＝vj|it＝qi)，其中，i＝1,2,...,N，j＝1，2，...,M。
更进一步的，步骤S4中，对隐马尔科夫链进行观测标记，标记出已知的不合规绿通车行程。
进一步的，所述步骤S5中计算马尔科夫链的状态转移概率以及观测概率矩阵。
更进一步的，所述步骤S6中，在t时刻隐状态若只与前一时刻隐状态相关，利用马尔科夫模型对车辆当次行程是否逃费进行预测，P(it|it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ii|ii-1)，其中，t＝1,2,...,T。
进一步的，所述步骤S6中，t时刻的观测若只与该时刻的隐状态相关，利用马尔科夫模型对车辆当次行程是否逃费进行预测，所述P(ot|it,it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ot|it)，其中，t＝1,2,...,T。
与现有技术相比，本发明技术方案的有益效果是：
本发明公开的基于隐马尔科夫模型的绿通车混装预测方法，由于是基于绿通车连续行驶的出入口特征与历史混装非绿通标记，建立隐马尔科夫模型，预测该车为混装绿通车的概率，并且充分考虑了各出入口收费站的进出概率的隐状态，结合通行记录中逃费历史，数据全面，相较通过单一样本特征构建的模型，本发明创建的隐马尔科夫模型预测结果更为精准。
具体实施方式
示例仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，示例某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，示例中某些公知结构及其说明可能省略是可以理解的。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接连接，可以说两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明的具体含义。下面结合示和实施例对本发明的技术方案做进一步的说明。
在本发明中，公开了一种基于隐马尔科夫模型的绿通车混装预测方法，具体包括以下步骤：
步骤S1，提取绿通车所有历史通行记录；
步骤S2，根据通行记录时间顺序、出入口收费站、是否缴费、是否为绿通车的信息合并构建隐马尔科夫链；
步骤S3，通过历史通行记录计算各出入口收费站的进出概率；
步骤S4，结合通行记录中逃费历史对隐马尔科夫链进行观测标记；
步骤S5，计算出入口的状态转移概率与观测概率矩阵；
步骤S6，根据各出入口收费站的进出概率、出入口的状态转移概率与观测概率矩阵生成马尔科夫模型，利用马尔科夫模型对车辆当次行程是否逃费进行预测。
进一步的，所述步骤S1中，绿通车所有历史通行记录为车辆与入口收费站交互记录以及车辆出口绿通核查记录的数据。
更进一步的，所述步骤S2中，使用绿通车通行记录、缴费记录、核查记录作为基础构建马尔科夫链，其中，
隐马尔科夫链中所有的隐含状态构成状态集合为Q＝(q1,q2,q3,...,qn)，状态个数为N，所有可能的观测构成的集合为V＝(v1,v2,v3,...,vn)，观测个数为M，经过一段时间T之后，生成长度为T的状态序列I＝(i1,i2,i3,...,iT)，以及对应的观测序列O＝(o1,o2,o3,...oT)。
进一步的，所述步骤S2中，推动隐马尔科夫模型λ随着时间不断运行的是状态转移矩阵A、观测概率矩阵B和初始隐含状态概率向量π，λ＝(A,B,π)；
其中，初始概率向量π＝(π1,π2,π3,...,πN)，其中πi表示的就是隐含状态序列中第i个状态为qi的概率，即πi＝P(ii＝qi)，状态转移概率矩阵A本质上就是一个马尔科夫链的转移概率矩阵，所有的可能的隐含状态个数为N，因此矩阵A为一个N×N的矩阵：
Figure BDA0003876152700000061
并且按照马尔科夫状态转移概率的定义：aij表示从隐含状态i转移到隐含状态j的概率，即aij＝P(it+1＝qj|it＝qi)，其中，i＝1,2,...,N，j＝1，2，...,M；
而观测概率矩阵B是一个N×M的矩阵：
Figure BDA0003876152700000062
其中bij指的是在某时刻t，隐含状态为qi的情况下，对应生成观测vj的概率，即：bij＝P(ot＝vj|it＝qi)，其中，i＝1,2,...,N，j＝1，2，...,M。
更进一步的，步骤S4中，对隐马尔科夫链进行观测标记，标记出已知的不合规绿通车行程。
进一步的，所述步骤S5中计算马尔科夫链的状态转移概率以及观测概率矩阵。
更进一步的，所述步骤S6中，在t时刻隐状态若只与前一时刻隐状态相关，利用马尔科夫模型对车辆当次行程是否逃费进行预测，P(it|it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ii|ii-1)，其中，t＝1,2,...,T。
进一步的，所述步骤S6中，t时刻的观测若只与该时刻的隐状态相关，利用马尔科夫模型对车辆当次行程是否逃费进行预测，所述P(ot|it,it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ot|it)，其中，t＝1,2,...,T。
实施例
在本实施例中，若该绿通车实际目的地为C点，从A点收费站进入高速，由于C点收费站对绿通车的核查严格，该车在过去历史通行记录中存在被核查为不合格绿通车(混装、货物为非绿通货品、没有达到容积标准等)。导致该车于离C点收费站较近的B点(该点对绿通车核查较为宽松)以绿通车的形式驶出收费站，随后在短时间内再以普通货车形式从B点收费站(或B点附近入口)进入高速，到达C点再以普通货车正常缴费离开高速。这种情况的实际逃费路程为从A点至B点的路程。
该逃费模式中，目标车辆在数据上表现层面为多次驶入驶出收费站，其中在短时间内以绿通车、非绿通车的形式进出收费站，在数据层面上表现为：(1)多次驶入驶出高速；(2)进出点收费站离最终目的地较近。对此，该逃费模式的逃费状态依赖于上一躺车次的缴费状态，满足马尔科夫性，可以使用马尔科夫链进行建模描述。
下面对本实施例使用马尔科夫模型进行绿通车混装预测进一步说明：
(1)t时刻隐状态只与前一时刻隐状态相关
在建立隐马尔科夫模型的三要素中，状态转移概率矩阵A和初始状态概率向量π就完全确定了隐藏的马尔科夫链，并且这个隐含状态的马尔科夫链是满足马尔可夫性的，隐藏状态的马尔科夫链在任意t时刻的隐含状态仅仅只依赖于前一时刻的隐含状态，而与更早的隐含状态无关，当然更与观测无关。在本实施例中所针对的逃费模式表现为，从B点以绿通车的形式驶出高速后再次以普通货车的形式再次进入高速并在C点正常缴费驶出高速。
用条件概率的表达式表述如下：
P(it|it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ii|ii-1)，其中，t＝1,2,...,T。
(2)t时刻的观测只与该时刻的隐状态相关
隐马尔科夫模型在确定了隐藏的状态序列之后，隐藏状态序列将和观测概率矩阵B一起共同确定观测序列的生成。任意时刻的观测只依赖于该时刻隐马尔科夫链的隐藏状态，与其他时刻的隐藏状态和观测无关。在本实施例所针对的逃费模式表现为，在B点以绿通车驶出时无需缴费(假冒绿通车逃费状态)，在C点以普通货车缴费驶出(正常无逃费状态)。
用条件概率的表达式表述如下：
P(ot|it,it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ot|it)，其中，t＝1,2,...,T。
在本发明中，描述位置关系仅用于示例性说明，不能理解为对本专利的限制；显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：包括以下步骤：
步骤S1，提取绿通车所有历史通行记录；
步骤S2，根据通行记录时间顺序、出入口收费站、是否缴费、是否为绿通车的信息合并构建隐马尔科夫链；
步骤S3，通过历史通行记录计算各出入口收费站的进出概率；
步骤S4，结合通行记录中逃费历史对隐马尔科夫链进行观测标记；
步骤S5，计算出入口的状态转移概率与观测概率矩阵；
步骤S6，根据各出入口收费站的进出概率、出入口的状态转移概率与观测概率矩阵生成马尔科夫模型，利用马尔科夫模型对车辆当次行程是否逃费进行预测。
2.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：所述步骤S1中，绿通车所有历史通行记录为车辆与入口收费站交互记录以及车辆出口绿通核查记录的数据。
3.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：所述步骤S2中，使用绿通车通行记录、缴费记录、核查记录作为基础构建马尔科夫链，其中，
隐马尔科夫链中所有的隐含状态构成状态集合为Q＝(q1,q2,q3,...,qn)，状态个数为N，所有可能的观测构成的集合为V＝(v1,v2,v3,...,vn)，观测个数为M，经过一段时间T之后，生成长度为T的状态序列I＝(i1,i2,i3,...,iT)，以及对应的观测序列O＝(o1,o2,o3,...oT)。
4.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：所述步骤S2中，推动隐马尔科夫模型λ随着时间不断运行的是状态转移矩阵A、观测概率矩阵B和初始隐含状态概率向量π，λ＝(A,B,π)；
其中，初始概率向量π＝(π1,π2,π3,...,πN)，其中πi表示的就是隐含状态序列中第i个状态为qi的概率，即πi＝P(ii＝qi)，状态转移概率矩阵A本质上就是一个马尔科夫链的转移概率矩阵，所有的可能的隐含状态个数为N，因此矩阵A为一个N×N的矩阵：
Figure FDA0003876152690000021
并且按照马尔科夫状态转移概率的定义：aij表示从隐含状态i转移到隐含状态j的概率，即aij＝P(it+1＝qj|it＝qi)，其中，i＝1,2,...,N，j＝1，2，...,M；
而观测概率矩阵B是一个N×M的矩阵：
Figure FDA0003876152690000022
其中bij指的是在某时刻t，隐含状态为qi的情况下，对应生成观测vj的概率，即：bij＝P(ot＝vj|it＝qi)，其中，i＝1,2,...,N，j＝1，2，...,M。
5.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：所述步骤S4中，对隐马尔科夫链进行观测标记，标记出已知的不合规绿通车行程。
6.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：所述步骤S5中计算马尔科夫链的状态转移概率以及观测概率矩阵。
7.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：所述步骤S6中，在t时刻隐状态若只与前一时刻隐状态相关，利用马尔科夫模型对车辆当次行程是否逃费进行预测，P(it|it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ii|ii-1)，其中，t＝1,2,...,T。
8.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：所述步骤S6中，t时刻的观测若只与该时刻的隐状态相关，利用马尔科夫模型对车辆当次行程是否逃费进行预测，所述P(ot|it,it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ot|it)，其中，t＝1,2,...,T。
CN202211216039.8A 2022-09-30 2022-09-30 一种基于隐马尔科夫模型的绿通车混装预测方法 Active CN115481812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211216039.8A CN115481812B (zh) 2022-09-30 2022-09-30 一种基于隐马尔科夫模型的绿通车混装预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211216039.8A CN115481812B (zh) 2022-09-30 2022-09-30 一种基于隐马尔科夫模型的绿通车混装预测方法

Publications (2)

Publication Number Publication Date
CN115481812A true CN115481812A (zh) 2022-12-16
CN115481812B CN115481812B (zh) 2023-09-08

Family

ID=84394602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211216039.8A Active CN115481812B (zh) 2022-09-30 2022-09-30 一种基于隐马尔科夫模型的绿通车混装预测方法

Country Status (1)

Country Link
CN (1) CN115481812B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116129541A (zh) * 2022-12-28 2023-05-16 广州天长信息技术有限公司 一种基于广义加性模型的逃费稽查方法、装置及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120246209A1 (en) * 2011-03-24 2012-09-27 Sony Europe Limited Method for creating a markov process that generates sequences
CN107563801A (zh) * 2017-08-23 2018-01-09 浙江大学城市学院 一种基于隐马尔可夫模型的消费者线下消费行为预测方法
CN108346284A (zh) * 2018-01-29 2018-07-31 河海大学 一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法
CN108806003A (zh) * 2018-05-25 2018-11-13 西南交通大学 一种基于机器学习的收费公路绿通车检测方法
US20210365606A1 (en) * 2019-12-09 2021-11-25 Nanjing Normal University Quantum computing method for expressway traffic flow distribution simulation considering destination selection
CN114841843A (zh) * 2022-04-15 2022-08-02 广州天长信息技术有限公司 一种分析可疑绿通车的方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120246209A1 (en) * 2011-03-24 2012-09-27 Sony Europe Limited Method for creating a markov process that generates sequences
CN107563801A (zh) * 2017-08-23 2018-01-09 浙江大学城市学院 一种基于隐马尔可夫模型的消费者线下消费行为预测方法
CN108346284A (zh) * 2018-01-29 2018-07-31 河海大学 一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法
CN108806003A (zh) * 2018-05-25 2018-11-13 西南交通大学 一种基于机器学习的收费公路绿通车检测方法
US20210365606A1 (en) * 2019-12-09 2021-11-25 Nanjing Normal University Quantum computing method for expressway traffic flow distribution simulation considering destination selection
CN114841843A (zh) * 2022-04-15 2022-08-02 广州天长信息技术有限公司 一种分析可疑绿通车的方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
行娟娟: "基于Markov逻辑网的虚假评论识别方法", vol. 30, no. 5, pages 94 - 100 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116129541A (zh) * 2022-12-28 2023-05-16 广州天长信息技术有限公司 一种基于广义加性模型的逃费稽查方法、装置及设备
CN116129541B (zh) * 2022-12-28 2024-03-01 广州天长信息技术有限公司 一种基于广义加性模型的逃费稽查方法、装置及设备

Also Published As

Publication number Publication date
CN115481812B (zh) 2023-09-08

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
Yang et al. A risk-based game model for rational inspections in port state control
Eliasson Lessons from the Stockholm congestion charging trial
Fernández et al. Influence of platform height, door width, and fare collection on bus dwell time: laboratory evidence for Santiago de Chile
Ghannadpour et al. A new game-theoretical multi-objective evolutionary approach for cash-in-transit vehicle routing problem with time windows (A Real life Case)
CN115481812A (zh) 一种基于隐马尔科夫模型的绿通车混装预测方法
JP6939911B2 (ja) 適応的に車両を制御する方法及び装置
CN108305409B (zh) 一种针对路内停车欠费的追缴方法及系统
CN112819213B (zh) 基于深度学习网络的高速公路货运量预测方法及系统
CN109447338A (zh) 基于大数据的智能物流云端管理系统
CN110009439A (zh) 一种基于区块链的出租车营运方法和装置
CN109191861A (zh) 一种基于视频检测器的高速公路逃费车辆异常行为检测系统及方法
Clements et al. Technologies for congestion pricing
CN107004353A (zh) 交通违章管理系统和交通违章管理方法
Carboni et al. Performance indicators and automatic identification systems in inland freight terminals for intermodal transport
Nguyen et al. Pareto routing and scheduling of dynamic urban rail transit services with multi-objective cross entropy method
Yan et al. Local container drayage problem with improved truck platooning operations
CN107004351A (zh) 交通违章管理系统和交通违章管理方法
CN110991837A (zh) 一种网约车交易数据处理方法、装置及系统
Mazdarani et al. Bi-objective overlapped links vehicle routing problem for risk minimizing valuables transportation
CN115965096A (zh) 一种物联网数据传输的机油监控运营流转系统
Karam et al. A real-time decision support approach for managing disruptions in line-haul freight transport networks
CN116011909A (zh) 货运驾驶人的行为监测方法、系统及电子设备
CN112419049A (zh) 额度确定方法和装置
Gharehbaghi et al. Communication System Dynamics of Mega Rail Transportation: Study into Sydney's Ridership Issues

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