CN115880898A - 一种私家新能源汽车异常使用的判定方法 - Google Patents
一种私家新能源汽车异常使用的判定方法 Download PDFInfo
- Publication number
- CN115880898A CN115880898A CN202211403382.3A CN202211403382A CN115880898A CN 115880898 A CN115880898 A CN 115880898A CN 202211403382 A CN202211403382 A CN 202211403382A CN 115880898 A CN115880898 A CN 115880898A
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- point
- sub
- travel
- 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 37
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims description 18
- 101100324465 Caenorhabditis elegans arr-1 gene Proteins 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 108010067930 structure-specific endonuclease I Proteins 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 101150099190 ARR3 gene Proteins 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供一种私家新能源汽车异常使用的判定方法,其适用于具有不同分布特性的数据集,可以精准研判被异常使用的新能源私家车,适用于更多的场景中。其基于新能源汽车上传的gps数据和充电数据,针对待分析路段上的待分析车辆构建多维特征数据库,分析得到每辆车的出行特征、车辆轨迹重复率特征、充电频率特征,分别对三个特征设定上限阈值,找出与正常值偏差较大数据,将三个维度的特征数据都高于其对应的上限阈值的车辆,即同时具备出行过多、轨迹多重复、充电过频的车辆判定为异常使用车辆。
Description
技术领域
本发明涉及智能交通控制技术领域,具体为一种私家新能源汽车异常使用的判定方法。
背景技术
根据相关规定,私家车是不能作为运营车辆使用的。由于新能源汽车的电池技术瓶颈,频繁使用的新能源汽车,本身就存在安全隐患。通常新能源车辆作为运营车辆时,车辆的运行状态时处于实时监控状态的。但当私家车为新能源车,被用做运营车辆,又处于失管失控的状态时,发生事故等突发事件的可能性和危害性远大于一般燃油车。这种被异常使用的新能源私家车需要重点管理和控制,目前,研判私家车辆异常使用的方法较多,但大多都是建立机器学习模型,通过历史数据进行训练之后再进行预测,现有方法的预测精度取决与模型的泛化能力,对数据分布的同一性要求较高,即不同数据集的预测精度有较大偏差。
发明内容
为了解决现有技术中研判私家车辆异常使用的方法大多基于机器学习模型完成,判定结果对训练数据集依赖较大的问题,本发明提供一种私家新能源汽车异常使用的判定方法,其适用于具有不同分布特性的数据集,可以精准研判被异常使用的新能源私家车,适用于更多的场景中。
本发明的技术方案是这样的:一种私家新能源汽车异常使用的判定方法,其特征在于,其包括以下步骤:
S1:确定待监控路段和监控时间段,基于监控设备获取所述监控时间段内的车辆监控数据;
根据所述车辆监控数据,分析后确定车辆信息,将确定身份的车辆记作:待分析车辆;
S2:针对每一辆所述待分析车辆分别构建出行特征;
所述出行特征的构建方法包括:
a1:获取所述待分析车辆的通行轨迹数据;
a2:对所述通行轨迹数据进行划分,得到出行子轨迹;
假设对所述通行轨迹数据的GPS数据划分了n-1次,则形成n份所述出行子轨迹;
a3:对每份所述出行子轨迹取平均值,则形成n个GPS轨迹点;
a4:基于聚类算法,对所述GPS轨迹点进行聚类;
设定聚类中心数k的取值从1取到10,分别对n条数据进行聚类;
a5:每做一次聚类,画出每一个k值对应的对应的SSE曲线;计算每一条所述SSE曲线的变化趋势;
a6:找到所述变化趋势最平缓的所述SSE曲线对应的k值,即为所述待分析车辆对应的所述出行特征;
S3:针对每一辆所述待分析车辆分别构建车辆轨迹重复率特征;
所述车辆轨迹重复率特征的构建步骤包括:
b1:获取所述待分析车辆对应的所有所述出行子轨迹;
b2:将每一个所述出行子轨迹中的GPS点的经纬度,基于Geohash算法转化为一维的Base32编码,记作:Geohash编码;
b3:抽取所述待分析车辆对应的所有所述出行子轨迹中任意两条所述出行子轨迹,记作:待计算轨迹对;
基于所述Geohash编码,利用最大公共子序列算法求解所述待计算轨迹对的最大公共子序列;
b4:计算所述待计算轨迹对的轨迹重复率;
所述轨迹重复率=所述最大公共子序列包括的GPS轨迹点个数/所述待计算轨迹对包括的总的轨迹点个数;
b5:将所述待分析车辆对应的所有的所述轨迹重复率取平均数,即得到所述待分析车辆对应的轨迹重复率特征;
S4:计算每一辆所述待分析车辆的充电频率特征;
所述充电频率特征表示在监控时间段中所述待分析车辆的充电频率;
S5:获取所有的所述待分析车辆的所述出行特征、所述车辆轨迹重复率特征、所述充电频率特征;分别构建出行特征集合、车辆轨迹重复率特征集合、充电频率特征集合;
S6:分别针对所述出行特征集合、所述车辆轨迹重复率特征集合、所述充电频率特征集合计算下四分位数Q1,上四分位数Q3;
设,Q1与Q3的差值为IOR,则设置上限阈值为Q3+1.5IOR,下限阈值为Q1-1.5IOR;
三个特征集合中,所有大于所述上限阈值的特征值,都记作异常值;
S7:如果存在所述待分析车辆,其对应的所述出行特征、所述车辆轨迹重复率特征、所述充电频率特征都是所述异常值,则将所述待分析车辆记作:异常车辆。
其进一步特征在于:
步骤a2中,所述出行子轨迹划分的方法包括:
a21:根据GPS时间对车辆经纬度进行升序排列;
获取第一个GPS点设置为子轨迹起点;
a22:找到所述子轨迹起点的下一个轨迹点,记作:待确认轨迹点;
a23:确认所述待确认轨迹点是否为最后一个轨迹点;
当所述待确认轨迹点不是最后一个轨迹点时,执行步骤a24,否则执行步骤a27;
a24:确认所述待确认轨迹点与所述子轨迹起点的时间差TX;
当TX大与预设的轨迹划分阈值时间时,则将所述待确认轨迹点记作子轨迹终点,所述子轨迹起点和所述子轨迹终点构成一个所述出行子轨迹,执行步骤a26;
否则,执行步骤a25;
a25:将所述待确认轨迹点的下一个轨迹点,记作:待确认轨迹点,循环执行步骤a23~a24;
a26:将所述子轨迹终点的下一个轨迹点,记作:子轨迹起点,循环执行步骤a22~a24;
a27:将所述待确认轨迹点记作子轨迹终点,所述子轨迹起点和所述子轨迹终点构成一个所述出行子轨迹;停止计算;
所述充电频率特征的计算方法包括:
c1:初始化充电特征值ChargeN=0;
c2:从1开始遍历所述出行子轨迹,比较相邻的所述出行自轨迹对应的电池荷电状态SOC;
当第i个所述出行子轨迹的SOC小于第i+1个所述出行子轨迹的SOC,表示所述待分析车辆存在充电行为;
则ChargeN=ChargeN+1;
其中,1≤i≤n;
c3:所述充电频率特征为:
充电频率特征=ChargeN/n;
步骤c2中,如果第i个所述出行子轨迹对应的SOC的个数超过1,则取最后一次参与计算;
所述轨迹划分阈值时间设置为120分钟;
所述聚类算法包括:k-means算法;
步骤a6中:找到所述变化趋势最平缓的所述SSE曲线对应的k值的方法,具体包括以下步骤:
a61:明确待计算的SSE曲线,记作:待计算曲线;
a62:获取所述待计算曲线对应的k值,计算k从1到10所对应的SSE值形成数据arr1:arr1=[(1,SSE1),(2,SSE2),(3,SSE3),(4,SSE4),(5,SSE5),(6,SSE6),(7,SSE7),(8,SSE8),(9,SSE9),(10,SSE10)];
a63:构建连线arr1;
所述连线arr1的起始点为(1,SSE1),终止点为(10,SSE10);
a62:从arr1中第二个点开始直至倒数第二个点结束,逐一取出每一个点,记作:备选点;分别计算所述备选点与起始点和终止点连线的斜率,分别记作:ks和ke;
a63:计算ks和ke的差的绝对值,放入数组arr2;
a64:从arr2中找出最大的数值对应的索引值,索引值加1即为所述待计算曲线对应的k值。
本申请提供的一种私家新能源汽车异常使用的判定方法,其基于新能源汽车上传的gps数据和充电数据,针对待分析路段上的待分析车辆构建多维特征数据库,分析得到每辆车的出行特征、车辆轨迹重复率特征、充电频率特征,分别对三个特征设定上限阈值,找出与正常值偏差较大数据,将三个维度的特征数据都高于其对应的上限阈值的车辆,即同时具备出行过多、轨迹多重复、充电过频的车辆判定为异常使用车辆。本申请技术方案中,作为判定基准的三个维度的特征数据为具有不同分布特性的数据集,本方法对数据的同一性没有要求即可精准研判被异常使用的新能源私家车,确保本方法适用于更多的场景,同时计算速度和效率优于机器学习模型,能够快速而准确地得到计算结果。
附图说明
图1为本申请中私家新能源汽车异常使用的判定方法过程示意图;
图2为不同k值对应SSE曲线图的实施例;
图3为关系矩阵补值图的示意图;
图4为SSE变化曲线的实施例。
具体实施方式
如图1所示,本发明包括一种私家新能源汽车异常使用的判定方法,其包括以下步骤。
S1:确定待监控路段和监控时间段,基于监控设备获取监控时间段内的车辆监控数据;
根据车辆监控数据,分析后确定车辆信息,将确定身份的车辆记作:待分析车辆。
S2:针对每一辆待分析车辆分别构建出行特征。
本申请中基于聚类算法和组内平方和构建出行特征,出行特征的构建方法包括:
a1:获取待分析车辆的通行轨迹数据;
a2:对通行轨迹数据进行划分,得到出行子轨迹;
假设对通行轨迹数据的GPS数据划分了n-1次,则形成n份出行子轨迹;
从待分析车辆上传的数据中,提取其对应的所有GPS信息,所述GPS信息中包括:GPS时间、经度、纬度信息;
a3:对每份出行子轨迹取平均值,则形成n个GPS轨迹点;
a4:基于聚类算法,对GPS轨迹点进行聚类;
设定聚类中心数k的取值从1取到10,分别对n条数据进行聚类;
具体实现时聚类算法基于现有技术中的聚类算法实现即可,本实施例中基于k-means算法实现;
a5:每做一次聚类,画出每一个k值对应的对应的SSE曲线;计算每一条SSE曲线的变化趋势;
a6:找到变化趋势最平缓的SSE曲线对应的k值,即为待分析车辆对应的出行特征。
针对每辆车,假设对该车的GPS数据划分了n-1次,则形成n份出行轨迹。对每份数据取平均值,则形成n个新的GPS轨迹点。设定聚类中心数k从1到10,分别利用k-means算法对n条数据聚类。计算每次分类的组内平方和(sum of squares for error,SSE):
其中,ci是第i个类别,p是ci中的样本点,mi是ci的质心,即ci中所有样本的均值,SSE是所有样本的聚类误差,代表了聚类效果的好坏。
步骤a2中,出行子轨迹划分的方法包括:
a21:根据GPS时间对车辆经纬度进行升序排列;
获取第一个GPS点设置为子轨迹起点;
a22:找到子轨迹起点的下一个轨迹点,记作:待确认轨迹点;
a23:确认待确认轨迹点是否为最后一个轨迹点;
当待确认轨迹点不是最后一个轨迹点时,执行步骤a24,否则执行步骤a27;
a24:确认待确认轨迹点与子轨迹起点的时间差TX;
当TX大与预设的轨迹划分阈值时间时,则将待确认轨迹点记作子轨迹终点,子轨迹起点和子轨迹终点构成一个出行子轨迹,执行步骤a26;
否则,执行步骤a25;
a25:将待确认轨迹点的下一个轨迹点,记作:待确认轨迹点,循环执行步骤a23~a24;
a26:将子轨迹终点的下一个轨迹点,记作:子轨迹起点,循环执行步骤a22~a24;
a27:将待确认轨迹点记作子轨迹终点,子轨迹起点和子轨迹终点构成一个出行子轨迹;停止计算。
轨迹划分阈值的具体值根据路段特点进行设置。本实施例中,处于较繁华的城市道路,所以轨迹划分阈值时间设置为120分钟。
如图2所示,画出每次聚类的k值对应的SSE。图2的横坐标为k的取值,纵坐标为SSE的取值。
步骤a6中:找到变化趋势最平缓的SSE曲线对应的k值的方法,具体包括以下步骤:
a61:明确待计算的SSE曲线,记作:待计算曲线;
a62:获取待计算曲线对应的k值,计算k从1到10所对应的SSE值形成数据arr1:arr1=[(1,SSE1),(2,SSE2),(3,SSE3),(4,SSE4),(5,SSE5),(6,SSE6),(7,SSE7),(8,SSE8),(9,SSE9),(10,SSE10)];
a63:构建连线arr1;
连线arr1的起始点为(1,SSE1),终止点为(10,SSE10);
a62:从arr1中第二个点开始直至倒数第二个点结束,逐一取出每一个点,记作:备选点;分别计算备选点与起始点和终止点连线的斜率,分别记作:ks和ke;
a63:计算ks和ke的差的绝对值,放入数组arr2;
a64:从arr2中找出最大的数值对应的索引值,索引值加1即为待计算曲线对应的k值。
对每辆车都进行上述操作,从而确定每辆车出行特征对应的k值。
S3:针对每一辆待分析车辆分别构建车辆轨迹重复率特征。
车辆轨迹重复率特征的构建步骤包括:
b1:获取待分析车辆对应的所有出行子轨迹;
b2:将每一个出行子轨迹中的GPS点的经纬度,基于Geohash算法转化为一维的Base32编码,记作:Geohash编码;
b3:抽取待分析车辆对应的所有出行子轨迹中任意两条出行子轨迹,记作:待计算轨迹对;
基于Geohash编码,利用最大公共子序列算法求解待计算轨迹对的最大公共子序列;
b4:计算待计算轨迹对的轨迹重复率;
轨迹重复率=最大公共子序列包括的GPS轨迹点个数/待计算轨迹对包括的总的轨迹点个数;
b5:将待分析车辆对应的所有的轨迹重复率取平均数,即得到待分析车辆对应的轨迹重复率特征;
完成出行划分形成n条出行轨迹后,利用geohash算法将轨迹中的gps点的经纬度转化为一维的Base32编码,形成n个Base32编码的一维数列。利用最大公共子序列算法(lcss)求解任意两条出行线路的公共子序列。
最大公共子序列算法是基于动态规划求解算法,设定子序列、公共子序列、最长公共子序列,其中子序列定义为“给定一个序列x=<x1,x2,x3,x4…,xm>,另一个序列z=<z1,z2,z3…,zk>,若存在严格递增的x的下标序列<i1,i2,i3…,ik>对所有的1,2,3…,k,都满足x(ik)=zk,则称z是x的子序列”;公共子序列定义为“如果z既是x的子序列,又是y的子序列,则称z为x和y的公共子序列”;最长公共子序列为所有公共子序列中长度最长的一个。
采用关系矩阵法求解最大公共子序列,如图3所示,对序列X=<A,B,C,B,D,A,B>和Y=<B,D,C,A,B,A>求解最大公共子序列。i取值为0~7,xi对应A,B,C,B,D,A,B,j取值对应为0~6,yj对应B,D,C,A,B,A。
首先需要对两序列求解关系矩阵,关系矩阵补值的原则是:对矩阵中的每个值,如果当前位置对应的两个字母相等,则将左斜上方的值加一,作为当前的值;对矩阵中的每个值,如果当前位置对应的两个字母不相等,则将左方或者上方的最大值作为当前的值。求解出的关系矩阵补值图如附图3所示。
完成关系矩阵的填补后,为构造最大公共子序列,从右下角最大值开始沿着箭头前进即可,如图中阴影方格序列。阴影序列中每个/>对应的表项(高亮显示)表示X序列中的某元素和Y序列中某元素相等,且是最大公共子序列中的一个元素。从图3中可以看出X、Y序列最长公共子序列为(B,C,B,A)。
得出任意两条线路的最大公共子序列之后计算其长度得到公共的轨迹点个数,计算公共的轨迹点个数/任意两条出行轨迹点数之和,形成轨迹重复率集合,对该集合数据取平均数得出每辆车的轨迹重复率特征。
S4:计算每一辆待分析车辆的充电频率特征;
充电频率特征表示在监控时间段中待分析车辆的充电频率。
充电频率特征的计算方法包括:
c1:初始化充电特征值ChargeN=0;
c2:从1开始遍历出行子轨迹,比较相邻的出行自轨迹对应的电池荷电状态SOC;
当第i个出行子轨迹的SOC小于第i+1个出行子轨迹的SOC,表示待分析车辆存在充电行为;
则ChargeN=ChargeN+1;
其中,1≤i≤n;
如果第i个所述出行子轨迹对应的SOC的个数超过1,则取最后一次参与计算;
c3:充电频率特征为:
充电频率特征=ChargeN/n。
S5:获取所有的待分析车辆的出行特征、车辆轨迹重复率特征、充电频率特征;分别构建出行特征集合、车辆轨迹重复率特征集合、充电频率特征集合。
S6:分别针对出行特征集合、车辆轨迹重复率特征集合、充电频率特征集合计算下四分位数Q1,上四分位数Q3;
设,Q1与Q3的差值为IOR,则设置上限阈值为Q3+1.5IOR,下限阈值为Q1-1.5IOR;
三个特征集合中,所有大于上限阈值的特征值,都记作异常值。
从统计学意义上来说,超出上限和下限之间的范围的值都属于异常值,但是从现实的车辆运行特征来看,只有超过上限值,即当出行特征、车辆轨迹重复率特征和充电频率特征的值都过大的车辆,才有可能是被异常使用的私家车。所以,本申请中通过上限阈值作为判断车辆异常使用的阈值,确保本申请中的计算结果即符合统计学的一般意义,又符合实际生产生活的场景,进而确保本申请技术方案具备实用性。
S7:如果存在待分析车辆,其对应的出行特征、车辆轨迹重复率特征、充电频率特征都是异常值,则将待分析车辆记作:异常车辆。
下面以具体实施例,说明本申请技术方案。
提取待分析车辆上传的车辆行驶数据中的GPS、电池剩余容量等相关信息示例如下表1:
表1:待分析车辆车辆行驶数据实施例
时间 | 车辆号牌号码 | 经度 | 纬度 | 电池剩余容量 |
2021-05-01 12:10:10 | A | 121.1 | 31.1 | 70% |
2021-05-01 13:10:10 | A | 121.2 | 31.2 | 60% |
2021-05-01 14:10:10 | A | 121.2 | 31.2 | 70% |
2021-05-02 09:10:10 | A | 121.3 | 31.3 | 60% |
2021-05-02 10:10:10 | A | 121.4 | 31.4 | 50% |
针对每辆车进行出行划分,以A作为待分析车辆为例,因为2021-05-01 14:10:10和2021-05-02 09:10:10两gps时间间隔大于120分钟则将A的轨迹划分为两次出行,得到出行子轨迹如下表2所示:
表2:出行子轨迹实施例
利用k-means算法和组内平方和构建出行次数特征。
针对A车数据进行出行特征提取,计算第一次出行GPS点的平均值为(121.15,31.15),第二次出行GPS点的平均值为(121.35,31.35)。
如图4所示,设定聚类中心k=1对这两个点进行k-means算法分类,计算分类后的SSE为120;假设k=2,计算SSE为50;假设k=3,计算SSE为30;假设k=4,计算SSE为20;假设k=5,计算SSE为15。此时arr1为[(1,120),(2,50),(3,30),(4,20),(5,15)];
从arr1中第二个点开始计算斜率差的绝对值形成arr3:[45,5,0],arr3中最大值对应的索引值为1,因此k=2。
依次计算,假设计算后得到B的出行特征为3,C的出行特征为1。
计算车辆的轨迹重复率特征。
针对A车计算其轨迹重复率,先对划分出行后的gps轨迹点进行Geohash编码,如下表3:
表3:gps轨迹点的Geohash编码实施例
基于表3进行计算得到,第一次出行序列为<wtw0gtw6,wtw1mzz1,wtw1mzz1>,第二次出行序列为<wtw0gtw6,wtw6ds0y>。
运用lcss算法,计算A的两次出行的最大共同子序列为<wtw0gtw6>,因此计算两次出行的轨迹重复率为1/5,本实施例中,数据计算出的轨迹重复率集合中只有一个数,取平均值后该车的轨迹重复率特征为1/5。
计算充电频率特征。表4为车辆A上传的的SOC数据和出行子轨迹的对应关系。
表4:SOC数据实施例
针对A车,共有两次出行,则分母为2,且只有第一次出行中13:10到14:10,SOC出现了上升因此分子为1,因此该车的充电频率特征为1/2。
基于多维特征数据设定阈值判定使用异常车辆。
假设待监控路段在监控时间段内,有A~D共4辆车。对每辆车重复2-3步,最终形成多维特征数据集如下表5所示:
表5:多维特征数据实施例
车辆号牌号码 | 出行次数特征 | 轨迹重复率特征 | 充电频率特征 |
A | 2 | 0.2 | 0.5 |
B | 10 | 0.25 | 0.55 |
C | 15 | 0.3 | 0.555 |
D | 50 | 0.9 | 0.9 |
分别计算每列特征的上下限阈值:
计算出行次数特征Q3为23.75,Q1为8,IQR为15.75,因此出行次数特征的上限阈值为23.75+1.5*15.75=47.375,下限阈值为8-1.5*15.75=-15.625。
因此出行次数特征的合理范围为-15.75至47.375,超过上限阈值47.375的只有D车。
计算轨迹重复率特征的合理范围为-0.08至0.768,超过上限阈值0.768的为D车。
计算充电频率特征的合理范围为0.11至0.8,超过上限阈值0.8的为D车。
最后将三列特征都为异常值的车辆定义为异常使用车辆,本实施例中的D车为异常使用车辆。
使用本发明的技术方案后,基于新能源汽车上传的gps数据和充电数据,利用k-means算法结合组内平方和构建车辆出行次数特征,利用geohash算法结合lcss算法构建车辆轨迹重复率特征,利用k-means算法构建车辆充电次数特征,形成具有3维特征数据集,最后取每列特征的百分位数设定上下限阈值,将超过设定阈值之外的车辆判定为异常使用车辆。与现有技术中基于机器学习模型、通过历史数据进行训练之后再进行预测的方法相比,现有技术中方法的预测精度取决与模型的泛化能力,对数据分布的同一性要求较高,即不同数据集的预测精度有较大偏差。而本申请的技术方案通过建立多维特征数据库,利用统计学常用的百分位数设定阈值,找出与正常值偏差较大数据,方法简单实用,适用于具有不同分布特性的数据集,同时计算速度和效率优于机器学习模型。本申请技术方案可方便交通部门精准快速甄别使用异常的新能源车辆,从而更有针对性的对异常车辆进行重点管控,为降低新能源汽车的事故率提供有力的数据支撑。
Claims (7)
1.一种私家新能源汽车异常使用的判定方法,其特征在于,其包括以下步骤:
S1:确定待监控路段和监控时间段,基于监控设备获取所述监控时间段内的车辆监控数据;
根据所述车辆监控数据,分析后确定车辆信息,将确定身份的车辆记作:待分析车辆;
S2:针对每一辆所述待分析车辆分别构建出行特征;
所述出行特征的构建方法包括:
a1:获取所述待分析车辆的通行轨迹数据;
a2:对所述通行轨迹数据进行划分,得到出行子轨迹;
假设对所述通行轨迹数据的GPS数据划分了n-1次,则形成n份所述出行子轨迹;
a3:对每份所述出行子轨迹取平均值,则形成n个GPS轨迹点;
a4:基于聚类算法,对所述GPS轨迹点进行聚类;
设定聚类中心数k的取值从1取到10,分别对n条数据进行聚类;
a5:每做一次聚类,画出每一个k值对应的对应的SSE曲线;计算每一条所述SSE曲线的变化趋势;
a6:找到所述变化趋势最平缓的所述SSE曲线对应的k值,即为所述待分析车辆对应的所述出行特征;
S3:针对每一辆所述待分析车辆分别构建车辆轨迹重复率特征;
所述车辆轨迹重复率特征的构建步骤包括:
b1:获取所述待分析车辆对应的所有所述出行子轨迹;
b2:将每一个所述出行子轨迹中的GPS点的经纬度,基于Geohash算法转化为一维的Base32编码,记作:Geohash编码;
b3:抽取所述待分析车辆对应的所有所述出行子轨迹中任意两条所述出行子轨迹,记作:待计算轨迹对;
基于所述Geohash编码,利用最大公共子序列算法求解所述待计算轨迹对的最大公共子序列;
b4:计算所述待计算轨迹对的轨迹重复率;
所述轨迹重复率 = 所述最大公共子序列包括的GPS轨迹点个数/所述待计算轨迹对包括的总的轨迹点个数;
b5:将所述待分析车辆对应的所有的所述轨迹重复率取平均数,即得到所述待分析车辆对应的轨迹重复率特征;
S4:计算每一辆所述待分析车辆的充电频率特征;
所述充电频率特征表示在监控时间段中所述待分析车辆的充电频率;
S5:获取所有的所述待分析车辆的所述出行特征、所述车辆轨迹重复率特征、所述充电频率特征;分别构建出行特征集合、车辆轨迹重复率特征集合、充电频率特征集合;
S6:分别针对所述出行特征集合、所述车辆轨迹重复率特征集合、所述充电频率特征集合计算下四分位数Q1,上四分位数Q3;
设,Q1与Q3的差值为IOR,则设置上限阈值为Q3+1.5IOR,下限阈值为Q1-1.5IOR;
三个特征集合中,所有大于所述上限阈值的特征值,都记作异常值;
S7:如果存在所述待分析车辆,其对应的所述出行特征、所述车辆轨迹重复率特征、所述充电频率特征都是所述异常值,则将所述待分析车辆记作:异常车辆。
2.根据权利要求1所述一种私家新能源汽车异常使用的判定方法,其特征在于:步骤a2中,所述出行子轨迹划分的方法包括:
a21:根据GPS时间对车辆经纬度进行升序排列;
获取第一个GPS点设置为子轨迹起点;
a22:找到所述子轨迹起点的下一个轨迹点,记作:待确认轨迹点;
a23:确认所述待确认轨迹点是否为最后一个轨迹点;
当所述待确认轨迹点不是最后一个轨迹点时,执行步骤a24,否则执行步骤a27;
a24:确认所述待确认轨迹点与所述子轨迹起点的时间差TX;
当TX大与预设的轨迹划分阈值时间时,则将所述待确认轨迹点记作子轨迹终点,所述子轨迹起点和所述子轨迹终点构成一个所述出行子轨迹,执行步骤a26;
否则,执行步骤a25;
a25:将所述待确认轨迹点的下一个轨迹点,记作:待确认轨迹点,循环执行步骤a23~a24;
a26:将所述子轨迹终点的下一个轨迹点,记作:子轨迹起点,循环执行步骤a22~a24;
a27:将所述待确认轨迹点记作子轨迹终点,所述子轨迹起点和所述子轨迹终点构成一个所述出行子轨迹;停止计算。
3.根据权利要求1所述一种私家新能源汽车异常使用的判定方法,其特征在于:所述充电频率特征的计算方法包括:
c1:初始化充电特征值ChargeN=0;
c2:从1开始遍历所述出行子轨迹,比较相邻的所述出行自轨迹对应的电池荷电状态SOC;
当第i个所述出行子轨迹的SOC小于第i+1个所述出行子轨迹的SOC,表示所述待分析车辆存在充电行为;
则ChargeN = ChargeN+1;
其中,1≤i≤n;
c3:所述充电频率特征为:
充电频率特征= ChargeN/n。
4.根据权利要求3所述一种私家新能源汽车异常使用的判定方法,其特征在于:步骤c2中,如果第i个所述出行子轨迹对应的SOC的个数超过1,则取最后一次参与计算。
5.根据权利要求1所述一种私家新能源汽车异常使用的判定方法,其特征在于:所述轨迹划分阈值时间设置为120分钟。
6.根据权利要求1所述一种私家新能源汽车异常使用的判定方法,其特征在于:所述聚类算法包括:k-means算法。
7.根据权利要求1所述一种私家新能源汽车异常使用的判定方法,其特征在于:步骤a6中:找到所述变化趋势最平缓的所述SSE曲线对应的k值的方法,具体包括以下步骤:
a61:明确待计算的SSE曲线,记作:待计算曲线;
a62:获取所述待计算曲线对应的k值,计算k从1到10所对应的SSE值形成数据arr1:arr1=[(1,SSE1),(2,SSE2),(3,SSE3),(4,SSE4),(5,SSE5),(6,SSE6),(7,SSE7),(8,SSE8),(9,SSE9),(10,SSE10)];
a63:构建连线arr1;
所述连线arr1的起始点为(1,SSE1),终止点为(10,SSE10);
a62:从arr1中第二个点开始直至倒数第二个点结束,逐一取出每一个点,记作:备选点;分别计算所述备选点与起始点和终止点连线的斜率,分别记作:ks和ke;
a63:计算ks和ke的差的绝对值,放入数组arr2;
a64:从arr2中找出最大的数值对应的索引值,索引值加1即为所述待计算曲线对应的k值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211403382.3A CN115880898B (zh) | 2022-11-10 | 2022-11-10 | 一种私家新能源汽车异常使用的判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211403382.3A CN115880898B (zh) | 2022-11-10 | 2022-11-10 | 一种私家新能源汽车异常使用的判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115880898A true CN115880898A (zh) | 2023-03-31 |
CN115880898B CN115880898B (zh) | 2024-05-10 |
Family
ID=85759557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211403382.3A Active CN115880898B (zh) | 2022-11-10 | 2022-11-10 | 一种私家新能源汽车异常使用的判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880898B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201145225A (en) * | 2010-06-08 | 2011-12-16 | Gorilla Technology Inc | Abnormal behavior detection system and method using automatic classification of multiple features |
CN106647724A (zh) * | 2017-02-15 | 2017-05-10 | 北京航空航天大学 | 一种基于车辆异常数据监测的t‑box信息安全检测及防护方法 |
WO2017157119A1 (zh) * | 2016-03-18 | 2017-09-21 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN110570658A (zh) * | 2019-10-23 | 2019-12-13 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
US20200234582A1 (en) * | 2016-01-03 | 2020-07-23 | Yosef Mintz | Integrative system and methods to apply predictive dynamic city-traffic load balancing and perdictive parking control that may further contribute to cooperative safe driving |
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 |
CN113642893A (zh) * | 2021-08-16 | 2021-11-12 | 公安部交通管理科学研究所 | 一种新能源汽车运行风险的评估方法 |
CN113658423A (zh) * | 2020-10-23 | 2021-11-16 | 秦胜君 | 基于循环门控单元的车辆轨迹异常检测方法 |
-
2022
- 2022-11-10 CN CN202211403382.3A patent/CN115880898B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201145225A (en) * | 2010-06-08 | 2011-12-16 | Gorilla Technology Inc | Abnormal behavior detection system and method using automatic classification of multiple features |
US20200234582A1 (en) * | 2016-01-03 | 2020-07-23 | Yosef Mintz | Integrative system and methods to apply predictive dynamic city-traffic load balancing and perdictive parking control that may further contribute to cooperative safe driving |
WO2017157119A1 (zh) * | 2016-03-18 | 2017-09-21 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN106647724A (zh) * | 2017-02-15 | 2017-05-10 | 北京航空航天大学 | 一种基于车辆异常数据监测的t‑box信息安全检测及防护方法 |
CN110570658A (zh) * | 2019-10-23 | 2019-12-13 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
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 |
CN113658423A (zh) * | 2020-10-23 | 2021-11-16 | 秦胜君 | 基于循环门控单元的车辆轨迹异常检测方法 |
CN113642893A (zh) * | 2021-08-16 | 2021-11-12 | 公安部交通管理科学研究所 | 一种新能源汽车运行风险的评估方法 |
Non-Patent Citations (4)
Title |
---|
KE XIAO 等: "Abnormal Behavior Detection Scheme of UAV Using Recurrent Neural Networks", IEEE ACCESS, vol. 7, 9 August 2019 (2019-08-09) * |
张荣花 等: "考虑汽车共享服务的出行方式选择影响因素研究", 交通运输研究, vol. 6, no. 3, 15 June 2020 (2020-06-15) * |
郑钻玺 等: "插电式混合动力汽车用户使用习惯分析", 汽车与新动力, vol. 4, no. 01, 25 February 2021 (2021-02-25) * |
金会庆;张树林;赵艳林;姜良维;黄惠民;张国楚;路小波;: "职业驾驶人不良驾驶行为特征及其影响因素分析", 人类工效学, no. 04, 20 December 2013 (2013-12-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN115880898B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113049976B (zh) | 一种车辆电池健康状态评估方法及系统 | |
WO2022141213A1 (zh) | 一种智慧城市智轨车辆故障基因预测方法及系统 | |
CN110667434A (zh) | 一种自适应工况的纯电动汽车行驶里程估计方法及系统 | |
CN113442787B (zh) | 异常单体电芯识别方法、装置、电子设备和存储介质 | |
CN109523819B (zh) | 一种基于公交到离站的乘客ic卡数据与站点匹配方法 | |
DE102014222513A1 (de) | Verfahren zum Betrieb eines Hybrid- oder Elektrofahrzeugs | |
CN104951764A (zh) | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 | |
CN112541632A (zh) | 一种基于多属性决策的驾驶行为安全性评估方法 | |
CN115524629B (zh) | 一种车辆动力电池系统健康状态的评估方法 | |
CN111967194B (zh) | 一种基于云端历史数据的电池分类方法 | |
CN113030758B (zh) | 基于锂离子电池容量跳水点的老化预警方法、系统、汽车及计算机存储介质 | |
CN105825671A (zh) | 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统 | |
CN115759462A (zh) | 一种电动汽车用户的充电行为预测方法、装置及电子设备 | |
CN112700156A (zh) | 一种新能源汽车运行安全性能评价体系构建方法 | |
CN110562261A (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN112287980A (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN115880898B (zh) | 一种私家新能源汽车异常使用的判定方法 | |
CN114120645B (zh) | 一种自然行驶环境下交通场景的提取方法 | |
CN115456180A (zh) | 一种基于三链马尔科夫模型的电动汽车数量预测方法 | |
CN112622914B (zh) | 新能源汽车行车安全状态辨识系统 | |
CN116699407A (zh) | 一种基于安全熵的动力电池安全风险预警方法 | |
CN116541644A (zh) | 一种基于改进遗传算法的大件运输监测点布设系统 | |
CN113936481B (zh) | 一种信号控制交叉口的空间利用状况评价方法 | |
CN115563768A (zh) | 基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法 | |
CN115169630A (zh) | 一种电动汽车充电负荷预测方法及装置 |
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 |