CN116543242B - 基于高速收费数据的车型检测方法、装置、设备及介质 - Google Patents
基于高速收费数据的车型检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116543242B CN116543242B CN202310831985.1A CN202310831985A CN116543242B CN 116543242 B CN116543242 B CN 116543242B CN 202310831985 A CN202310831985 A CN 202310831985A CN 116543242 B CN116543242 B CN 116543242B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- space
- vehicle type
- time
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000000737 periodic effect Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
- G07B15/063—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems using wireless information transmission between the vehicle and a fixed station
-
- 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)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本申请公开了一种基于高速收费数据的车型检测方法、装置、设备及介质，所述方法包括：对车辆预设历史时段内的高速通行收费数据进行预处理，得到车辆的行程数据，所述行程数据为车辆单次行程包含的所述高速通行收费数据；提取同一车辆对应的所有行程数据的时间特征和空间特征，得到单车时空特征数据；对所述单车时空特征数据按车型进行聚类，得到每个车型的时空特征数据；根据所述每个车型的时空特征数据对待检测车辆分类，计算待检测车辆在每个车辆类型的可信度，根据所述可信度确定待检测车辆的车辆类型。本申请对高速公路上通行的车辆进行车辆类型校验，并筛选出车辆类型可能与实际不符的高风险车辆，从而提升收费稽核工作效率。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种基于高速收费数据的车型检测方法、装置、设备及介质。
背景技术
随着高速公路ETC联网收费的发展，高速公路收费管理工作面临着新的问题，高速公路收费是按照车辆类型适用不同的费率。因此车辆类型是否准确是收费准确的基础。目前车辆类型是在车辆办理ETC设备时设置的，如果车辆类型设置错误，或被非法倒换使用时，收费稽核人员只能通过视频监控进行分析。但高速公路上每天通行的车辆达到了数千万辆，高速公路收费稽核人员无法大范围对车辆类型进行查验，为了避免影响高速公路通行效率，也无法在高速公路上对车辆进行线下检查。
发明内容
本申请实施例提供了一种基于高速收费数据的车型检测方法、装置、设备及存储介质，以至少解决相关技术中难以快速检测高速道路上的车辆类型，影响收费稽核工作效率的技术问题。
根据本申请实施例的一个方面，提供了一种基于高速收费数据的车型检测方法，包括：对车辆预设历史时段内的高速通行收费数据进行预处理，得到车辆的行程数据，所述行程数据为车辆单次行程包含的所述高速通行收费数据；提取同一车辆对应的所有行程数据的时间特征和空间特征，得到单车时空特征数据；对所述单车时空特征数据按车型进行聚类，得到每个车型的时空特征数据；根据所述每个车型的时空特征数据对待检测车辆分类，计算待检测车辆在每个车辆类型的可信度，根据所述可信度确定待检测车辆的车辆类型。
根据本申请实施例的另一方面，还提供了一种基于高速收费数据的车型检测装置，包括：数据预处理模块，用于对车辆预设历史时段内的高速通行收费数据进行预处理，得到车辆的行程数据，所述行程数据为车辆单次行程包含的所述高速通行收费数据；单车时空特征提取模块，用于提取同一车辆对应的所有行程数据的时间特征和空间特征，得到单车时空特征数据；分车型时空特征提取模块，用于对所述单车时空特征数据按车型进行聚类，得到每个车型的时空特征数据；车型检测模块，用于根据所述每个车型的时空特征数据对待检测车辆分类，计算待检测车辆在每个车辆类型的可信度，根据所述可信度确定待检测车辆的车辆类型。
根据本申请实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的基于高速收费数据的车型检测方法。
根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述基于高速收费数据的车型检测方法。
本申请实施例提供的技术方案可以包括以下有益效果：
本申请实施例提供的基于高速收费数据的车型检测方法，通过分析不同类型的车辆在高速公路上行驶产生的收费数据，提取不同车辆类型所对应的时空特征，得到分车型时空特征数据。然后筛选背离车辆类型时空特征的车辆作为异常车辆，并能够量化车辆类型不符的可能性程度，将异常车辆供高速公路收费稽核人员进行进一步检查，实现了对全部车辆的车辆类型的检验，有助于降低收费稽核人员的工作量，提高收费稽核的工作效率以及车辆类型检测的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的基于高速收费数据的车型检测方法的应用环境的示意图；
图2是根据本申请实施例的另一种可选的基于高速收费数据的车型检测方法的应用环境的示意图；
图3是根据本申请实施例的一种可选的基于高速收费数据的车型检测方法的流程图；
图4是根据本申请实施例的另一种可选的基于高速收费数据的车型检测方法的示意图；
图5是根据本申请实施例的一种可选的基于高速收费数据的车型检测装置的示意图；
图6是根据本申请实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面，提供了一种基于高速收费数据的车型检测方法，作为一种可选地实施方式，上述基于高速收费数据的车型检测方法可以但不限于应用于如图1所示的应用环境中。该应用环境中包括：与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互，终端设备102中运行有基于高速收费数据的车型检测应用程序。上述终端设备102中包括人机交互屏幕1022，处理器1024及存储器1026。人机交互屏幕1022用于显示高速通行收费数据；处理器1024用于获取高速通行收费数据。存储器1026用于存储上述高速通行收费数据。
此外，服务器106中包括数据库1062及处理引擎1064，数据库1062中用于存储上述高速通行收费数据。处理引擎1064用于：对车辆预设历史时段内的高速通行收费数据进行预处理，得到该时段对应的车辆的行程数据，行程数据为车辆单次行程包含的高速通行收费数据；提取同一车辆对应的所有行程数据的时间特征和空间特征，得到单车时空特征数据；对分车型时空特征数据按车型进行聚类，得到每个车型的时空特征数据；根据每个车型的时空特征数据对待检测车辆分类，计算待检测车辆在每个车辆类型的可信度，根据可信度确定待检测车辆的车辆类型。
在一个或多个实施例中，本申请上述视频基于高速收费数据的车型检测方法可以应用于图2所示的应用环境中。如图2所示，用户202与用户设备204之间可以进行人机交互。用户设备204中包含有存储器206和处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备102所执行的操作，进行车辆类型检测。
可选地，上述终端设备102和用户设备204包括但不限于为手机、平板电脑、笔记本电脑、PC机，车载电子设备，可穿戴设备等终端，上述网络104可以包括但不限于无线网络或有线网络。其中，该无线网络包括：WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器106可以包括但不限于任何可以进行计算的硬件设备。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。
目前，车辆ETC设备中记录的车辆类型与车辆的实际车辆类型是否一致，需要高速公路收费稽核人员通过视频监控进行确认，但面对高速公路上通行的达数千万辆的车辆，根本无法通过视频监控对每一辆车进行检查，为了避免影响高速公路通行效率，也无法在高速公路上对车辆进行线下检查。
本申请通过分析不同类型车辆在高速公路上行驶产生的收费数据，提取不同车辆类型所对应的时空特征，并通过筛选背离车辆类型时空特征的车辆供高速公路收费稽核人员进行进一步检查，实现了对全部车辆的车辆类型的检验。
下面结合附图3对本申请实施例的基于高速收费数据的车型检测方法进行详细介绍，如图3所示，该方法主要包括如下步骤：
S301对车辆预设历史时段内的高速通行收费数据进行预处理，得到车辆的行程数据，行程数据为车辆单次行程包含的高速通行收费数据。
在本申请实施例中，首先获取车辆预设历史时段内的高速通行收费数据，预设历史时段的具体取值本申请实施例不做具体限定，例如可以为1个月、2个月、3个月，时长应在1个月以上，以获取足够数量的车辆样本。
获取的高速通行收费数据是车辆通过高速公路收费广场或高速公路收费门架产生的记录，预设历史时间段内的第条收费数据可表示为：
其中，是收费交易标识，一辆车从驶入高速到驶出高速过程中产生的收费数据都具有相同的收费交易标识；/>是车辆的车牌号；/>是车辆类型，按照行业标准《收费公路车辆通行费车型分类》划分；/>是通过的广场或门架的标识，对应了固定的空间位置，/>是车辆经过/>所示的广场或门架的时间。
进一步地，根据高速通行收费数据中的收费交易标识，提取车辆单次行程包含的所有高速通行收费数据，并按照时间顺序对单次行程包含的所有高速通行收费数据进行排序，得到车辆的行程数据。
具体地，将分析时段范围内的高速路网上所有的收费数据提取出来，按照收费交易标识，将一车辆的一次行程的所有收费数据组织成行程数据，行程数据是按时间排序的时空序列数据。并进行预处理，删除其中的时空异常数据，补全缺失的数据。然后计算该行程的时长、里程。
在一种实施方式中，第条行程数据/>定义为：
其中，是本次行程的收费交易标识；/>是本次行程的车辆的车牌号；/>是本次行程的车辆类型；/>是本次行程的行驶里程；/>是本次行程的行驶时长，/>是本次行程的补全后的正确的途径收费广场和收费门架的序列，/>。
S302提取同一车辆对应的所有行程数据的时间特征和空间特征，得到单车时空特征数据。
在本申请实施例中，以分析时段内同一车牌对应的所有行程数据为分析对象，提取单车时间特征和单车空间特征，得到单车时空特征数据。
包括提取同一车辆对应的所有行程数据的高频出发时段、周均行程时长、周均出行频次以及平均出行间隔时长中的一种或多种时间特征。
提取同一车辆对应的所有行程数据的高频OD、周均跨省次数、周均行程里程、平均绕路里程、周均服务区停车次数以及周均周期性OD次数中的一种或多种空间特征。
具体地，按车牌取该车牌对应的所有条行程数据/>，并对行程按照时间进行排序，对每条行程数据按照城市行政区划划分OD，按小时划分行程的出发时段，通过途径收费门架序列获取途径的省份、服务区，计算分析时段包含的周数，然后计算各特征指标。
在一种可能的实现方式中，高频出发时段是所有行程出发时段数量最多的时段。可以按小时划分行程的出发时段，例如，一辆车的行程出发时间是7:30，那么它的出发时段属于7:00—8:00。通过对该车辆所有行程的出发时段进行统计，得到所有行程出发时段数量最多的时段。
在一种可能的实现方式中，周均行程时长是所有行程的时长总和除以周数。
在一种可能的实现方式中，周均出行频次是所有行程的数量除以周数。
在一种可能的实现方式中，平均出行间隔时长是相邻行程的时间差的平均数。
在一种可能的实现方式中，高频OD是出行次数最多的OD。
在一种可能的实现方式中，周均跨省次数是所有行程的跨省次数总和除以周数。
在一种可能的实现方式中，周均行程里程是所有行程的里程总和除以周数。
在一种可能的实现方式中，平均绕路里程是每一次行程里程与对应OD最短路径的里程差的均值。
在一种可能的实现方式中，周均服务区停车次数是所有行程的途径服务区次数总和除以周数。
在一种可能的实现方式中，周均周期性OD次数是所有行程中重复出行的OD的次数除以周数。例如，一辆客车每天从北京开往天津，从天津返回北京，重复的OD为北京至天津，天津至北京，每天的重复次数为两次，北京到天津一次，天津到北京一次。一个月30天重复OD次数为60次，60次除以这个月的周数得到周均周期性OD次数。
根据时间特征和空间特征得到单车时空特征数据。本申请通过分析车辆在高速公路上行驶产生的收费数据，提取得到每个车辆所对应的时空特征数据。
S303对单车时空特征数据按车型进行聚类，得到每个车型的时空特征数据。
具体地，首先根据高速通行收费数据中预设的车辆类型，对单车时空特征数据按照车辆类型进行聚类，得到每个车型的分车型时空特征数据。
高速通行收费数据中包含车辆类型标识，车辆类型标识可认为是预设的车辆类型，根据每个车辆预先设置的车辆类型，对所有单车时空特征数据按照车辆类型进行分类。例如，100000辆单车数据进行处理。其中预设车辆类型有A客车（30000辆）、B货车（50000辆）、C私家车（20000辆）。此时，将100000辆车辆划分为3类。得到客车时空特征数据、货车时空特征数据、私家车时空特征数据。
进一步地，采用k-modes聚类算法对每个车型的时空特征数据进行聚类，得到每个车型的时空特征数据中各特征指标的聚类中心值。
在一个示例性场景中，采用k-modes聚类算法对30000辆客车的时空特征数据进行聚类，得到聚类中心，聚类中心为客车的时空特征数据中各个特征指标的值。例如，对30000个客车的高频出发时段聚类，得到一个高频出发时段的聚类中心值。
采用k-modes聚类算法对50000辆货车的时空特征数据进行聚类，得到聚类中心，聚类中心为货车的时空特征数据中各个特征指标的值。
采用k-modes聚类算法对20000辆私家车的时空特征数据进行聚类，得到聚类中心，聚类中心为私家车的时空特征数据中各个特征指标的值。
在一个实施例中，车辆类型的车型时空特征/>为：
其中，、/>、/>、/>、/>、/>、/>、/>、/>分别表示车辆/>在车辆类型k的分车型时空特征数据中的高频出发时段、周均行程时长、周均出行频次、平均出行间隔时长、周均跨省次数、周均行程里程、平均绕路里程、周均服务区停车次数、周均周期性OD次数的聚类中心值。
本申请实施例的方法，通过对每个车辆所对应的时空特征数据，按照车辆类型进行分类，将相同车辆类型的车辆时空数据组织到一起，并进行聚类。从而得到不同车辆类型的时空特征指标值。因为聚类后的时空特征指标值是由大量相同类型的车辆数据表示的，因此，能够较为准确的代表该类型车辆的时空特征。
S304根据每个车型的时空特征数据对待检测车辆分类，计算待检测车辆在每个车辆类型的可信度，根据可信度确定待检测车辆的车辆类型。
在本申请实施例中，待检测车辆是预设历史时段内的高速通行收费数据记录中的任一车辆，根据每个车型的时空特征数据中各特征指标的聚类中心值，计算待检测车辆在每个车辆类型的可信度，包括：
获取待检测车辆的单车时空特征数据中各个特征指标的值；根据单车时空特征数据中各个特征指标的值，与每个车型的时空特征数据中各特征指标的聚类中心值的差异，计算待检测车辆在每个车辆类型的可信度。在一种可能的实现方式中，若待检测车辆的单车时空特征数据中各个特征指标的值与某个车辆类型的时空特征数据中各特征指标的聚类中心值的差异越小，则该待检测车辆属于该车辆类型的可能性越大。
具体地，计算待检测车辆在每个车辆类型的可信度，包括根据如下公式计算车辆在车辆类型/>的可信度/>，其中，车辆车辆/>为待检测车辆：
其中，是车辆/>的预设车辆类型，/>是车辆/>在车辆类型/>的时空特征的欧式距离，/>是车辆/>在车辆类型/>的时空特征的欧式距离，
、/>、/>、/>、/>、/>、/>、/>、/>分别表示车辆/>的单车时空特征数据中的高频出发时段、周均行程时长、周均出行频次、平均出行间隔时长、周均跨省次数、周均行程里程、平均绕路里程、周均服务区停车次数、周均周期性OD次数的值，/>、/>、/>、/>、/>、/>、/>、/>、/>分别表示车辆/>在车辆类型k的分车型时空特征数据中的高频出发时段、周均行程时长、周均出行频次、平均出行间隔时长、周均跨省次数、周均行程里程、平均绕路里程、周均服务区停车次数、周均周期性OD次数的聚类中心值。
进一步地，根据可信度确定车辆类型，包括：对待检测车辆在每个车辆类型的可信度进行从高到低排序，得到待检测车辆所属的可信度最高的车辆类型。例如，车辆属于客车的可信度为0.9，属于货车的可信度为0.7，属于私家车的可信度为0.5。则该车辆归属的可信度最高的车辆类型为客车。
进一步地，判断可信度最高的车辆类型与待检测车辆预设的车辆类型是否一致，若一致，确定预设的车辆类型为正确的车辆类型；若不一致，确定待检测车辆为异常车辆，并将可信度最高的车辆类型确定为该待检测车辆的车辆类型。
在一个实施方式中，对一辆车,计算其在所有的个车辆类型中的可信度，取/>中的最大值/>，最大值/>对应的车辆类型为/>。
如果，即待检测车辆的原始车辆类型与分类后最高可信度的车辆类型一致，则判定车辆类型正确，否则将该车辆筛选为异常车辆，并提供其最高可信度的车辆类型为/>。
根据该步骤，能够量化高速通行收费数据中的车辆类型不符的可能性程度，可通过遍历待分析时段或预设历史时段内的高速通行收费数据对应的车辆，逐一检测高速通行收费数据每一个待检测车辆的车辆类型，，并逐步对车辆类型不符的车辆进行检查，有助于降低收费稽核人员的工作量。
为了进一步理解本申请实施例提供的基于高速收费数据的车型检测方法，下面结合附图4进一步描述。
如图4所示，首先，获取预设时段的高速通行收费数据，对数据进行预处理，得到车辆的行程数据。
进一步地，根据行程数据提取单车的时间特征和空间特征，得到单车时空特征数据。然后进行分车型时空特征提取，得到分车型特征数据。然后根据分车型特征数据对单车特征数据进行车辆类型检验，根据单车时空特征数据中各个特征指标的值，与每个车型的时空特征数据中各特征指标的聚类中心值的差异，计算车辆在每个车辆类型的可信度。最后根据可信度确定车辆检测结果。
本申请实施例提供的基于高速收费数据的车型检测方法，通过分析不同类型的车辆在高速公路上行驶产生的收费数据，提取不同车辆类型所对应的时空特征，得到分车型时空特征数据。然后筛选背离车辆类型时空特征的车辆作为异常车辆，并能够量化车辆类型不符的可能性程度，将异常车辆供高速公路收费稽核人员进行进一步检查，实现了对全部车辆的车辆类型的检验，有助于降低收费稽核人员的工作量，提高收费稽核的工作效率。
根据本申请实施例的另一个方面，还提供了一种用于实施上述基于高速收费数据的车型检测方法的基于高速收费数据的车型检测装置。如图5所示，该装置包括：
数据预处理模块501，用于对车辆预设历史时段内的高速通行收费数据进行预处理，得到车辆的行程数据，行程数据为车辆单次行程包含的高速通行收费数据；
单车时空特征提取模块502，用于提取同一车辆对应的所有行程数据的时间特征和空间特征，得到单车时空特征数据；
分车型时空特征提取模块503，用于对单车时空特征数据按车型进行聚类，得到每个车型的时空特征数据；
车型检测模块504，用于根据每个车型的时空特征数据对待检测车辆分类，计算待检测车辆在每个车辆类型的可信度，根据可信度确定待检测车辆的车辆类型。
需要说明的是，上述实施例提供的基于高速收费数据的车型检测装置在执行基于高速收费数据的车型检测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于高速收费数据的车型检测装置与基于高速收费数据的车型检测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
根据本申请实施例的又一个方面，还提供了一种用于实施上述基于高速收费数据的车型检测方法的电子设备，该电子设备可以是图6所示的终端设备或服务器。本实施例以该电子设备为终端为例来说明。如图6所示，该电子设备包括存储器605和处理器603，该存储器605中存储有计算机程序，该处理器603被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，本领域普通技术人员可以理解，图6所示的结构仅为示意，电子装置电子设备也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图6其并不对上述电子装置电子设备的结构造成限定。例如，电子装置电子设备还可包括比图6中所示更多或者更少的组件（如网络接口等），或者具有与图6所示不同的配置。
其中，存储器605可用于存储软件程序以及模块，如本申请实施例中的基于高速收费数据的车型检测方法和装置对应的程序指令/模块，处理器603通过运行存储在存储器605内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的基于高速收费数据的车型检测方法。存储器605可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器605可进一步包括相对于处理器603远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器605具体可以但不限于用于存储高速通行收费数据等信息。作为一种示例，如图6所示，上述存储器605中可以但不限于包括上述基于高速收费数据的车型检测装置中的数据预处理模块501、单车时空特征提取模块502、分车型时空特征提取模块503、车型检测模块504。此外，还可以包括但不限于上述基于高速收费数据的车型检测装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置604用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置604包括一个网络适配器（Network Interface Controller，NIC），其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置604为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子设备还包括：显示器601和连接总线602。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述视频基于高速收费数据的车型检测方法，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（Random Access Memory，RAM）、磁盘或光盘等。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于高速收费数据的车型检测方法，其特征在于，包括：
对车辆预设历史时段内的高速通行收费数据进行预处理，得到车辆的行程数据，所述行程数据为车辆单次行程包含的所述高速通行收费数据；
提取同一车辆对应的所有行程数据的时间特征和空间特征，得到单车时空特征数据；
对所述单车时空特征数据按车型进行聚类，得到每个车型的时空特征数据；
根据所述每个车型的时空特征数据对待检测车辆分类，计算待检测车辆在每个车辆类型的可信度，其中，计算待检测车辆在每个车辆类型的可信度，包括：根据如下公式计算车辆在车辆类型/>的可信度/>：
其中，是车辆/>的预设车辆类型，/>是车辆/>在车辆类型/>的时空特征的欧式距离，/>是车辆/>在车辆类型/>的时空特征的欧式距离，
、/>、/>、/>、/>、/>、/>、/>、/>分别表示车辆/>的单车时空特征数据中的高频出发时段、周均行程时长、周均出行频次、平均出行间隔时长、周均跨省次数、周均行程里程、平均绕路里程、周均服务区停车次数、周均周期性OD次数的值，/>、/>、/>、/>、/>、、/>、/>、/>分别表示车辆/>在车辆类型k的分车型时空特征数据中的高频出发时段、周均行程时长、周均出行频次、平均出行间隔时长、周均跨省次数、周均行程里程、平均绕路里程、周均服务区停车次数、周均周期性OD次数的聚类中心值；
根据所述可信度确定待检测车辆的车辆类型。
2.根据权利要求1所述的方法，其特征在于，对车辆预设历史时段内的高速通行收费数据进行预处理，得到车辆的行程数据，包括：
获取所述车辆预设历史时段内的高速通行收费数据；
根据所述高速通行收费数据中的收费交易标识，提取车辆单次行程包含的所有高速通行收费数据；
按照时间顺序对单次行程包含的所有高速通行收费数据进行排序，得到车辆的行程数据。
3.根据权利要求2所述的方法，其特征在于，所述行程数据包括本次行程的收费交易标识、本次行程的车辆车牌号、本次行程的车辆类型、本次行程的行驶里程、本次行程的行驶时长以及本次行程途径的收费门架序列。
4.根据权利要求1所述的方法，其特征在于，提取同一车辆对应的所有行程数据的时间特征和空间特征，得到单车时空特征数据，包括：
提取同一车辆对应的所有行程数据的高频出发时段、周均行程时长、周均出行频次以及平均出行间隔时长中的一种或多种时间特征；
提取同一车辆对应的所有行程数据的高频OD、周均跨省次数、周均行程里程、平均绕路里程、周均服务区停车次数以及周均周期性OD次数中的一种或多种空间特征；
根据所述时间特征和所述空间特征得到所述单车时空特征数据。
5.根据权利要求1所述的方法，其特征在于，对所述单车时空特征数据按车型进行聚类，得到每个车型的时空特征数据，包括：
根据所述高速通行收费数据中预设的车辆类型，对所述单车时空特征数据按车型分类，得到所述分车型时空特征数据；
采用k-modes聚类算法对每个车型的时空特征数据进行聚类，得到每个车型的时空特征数据。
6.根据权利要求1所述的方法，其特征在于，根据所述每个车型的时空特征数据对待检测车辆分类，计算待检测车辆在每个车辆类型的可信度，包括：
获取待检测车辆的单车时空特征数据中各个特征指标的值；
获取每个车型的时空特征数据中各特征指标的聚类中心值；
根据待检测车辆的所述单车时空特征数据中各个特征指标的值，与所述每个车型的时空特征数据中各特征指标的聚类中心值的差异，计算待检测车辆在每个车辆类型的可信度。
7.根据权利要求1所述的方法，其特征在于，根据所述可信度确定待检测车辆的车辆类型，包括：
对待检测车辆在每个车辆类型的可信度进行从高到低排序，得到待检测车辆归属的可信度最高的车辆类型；
判断所述可信度最高的车辆类型与待检测车辆预设的车辆类型是否一致，若一致，确定预设的车辆类型为正确的车辆类型；
若不一致，确定待检测车辆为异常车辆，并将所述可信度最高的车辆类型确定为所述待检测车辆的车辆类型。
8.一种基于高速收费数据的车型检测装置，其特征在于，包括：
数据预处理模块，用于对车辆预设历史时段内的高速通行收费数据进行预处理，得到车辆的行程数据，所述行程数据为车辆单次行程包含的所述高速通行收费数据；
单车时空特征提取模块，用于提取同一车辆对应的所有行程数据的时间特征和空间特征，得到单车时空特征数据；
分车型时空特征提取模块，用于对所述单车时空特征数据按车型进行聚类，得到每个车型的时空特征数据；
车型检测模块，用于根据所述每个车型的时空特征数据对待检测车辆分类，计算待检测车辆在每个车辆类型的可信度，其中，计算待检测车辆在每个车辆类型的可信度，包括：根据如下公式计算车辆在车辆类型/>的可信度/>：
其中，是车辆/>的预设车辆类型，/>是车辆/>在车辆类型/>的时空特征的欧式距离，/>是车辆/>在车辆类型/>的时空特征的欧式距离，
、/>、/>、/>、/>、/>、/>、/>、/>分别表示车辆/>的单车时空特征数据中的高频出发时段、周均行程时长、周均出行频次、平均出行间隔时长、周均跨省次数、周均行程里程、平均绕路里程、周均服务区停车次数、周均周期性OD次数的值，/>、/>、/>、/>、/>、、/>、/>、/>分别表示车辆/>在车辆类型k的分车型时空特征数据中的高频出发时段、周均行程时长、周均出行频次、平均出行间隔时长、周均跨省次数、周均行程里程、平均绕路里程、周均服务区停车次数、周均周期性OD次数的聚类中心值；
根据所述可信度确定待检测车辆的车辆类型。
9.一种电子设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述的基于高速收费数据的车型检测方法。
10.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令被处理器执行以实现如权利要求1至7任一项所述的一种基于高速收费数据的车型检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310831985.1A CN116543242B (zh) | 2023-07-07 | 2023-07-07 | 基于高速收费数据的车型检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310831985.1A CN116543242B (zh) | 2023-07-07 | 2023-07-07 | 基于高速收费数据的车型检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116543242A CN116543242A (zh) | 2023-08-04 |
| CN116543242B true CN116543242B (zh) | 2023-09-29 |
Family
ID=87454666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310831985.1A Active CN116543242B (zh) | 2023-07-07 | 2023-07-07 | 基于高速收费数据的车型检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116543242B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017190525A1 (zh) * | 2016-05-06 | 2017-11-09 | 徐来平 | 一种无障碍车辆行驶停车收费系统设计 |
| CN115311865A (zh) * | 2022-09-05 | 2022-11-08 | 中铁长江交通设计集团有限公司 | 一种基于etc门架和收费数据获取交通量调查数据的方法 |
| CN116229594A (zh) * | 2022-12-28 | 2023-06-06 | 山东高速集团有限公司 | 一种基于高速公路的车辆收费监测方法、设备及介质 |
-
2023
- 2023-07-07 CN CN202310831985.1A patent/CN116543242B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017190525A1 (zh) * | 2016-05-06 | 2017-11-09 | 徐来平 | 一种无障碍车辆行驶停车收费系统设计 |
| CN115311865A (zh) * | 2022-09-05 | 2022-11-08 | 中铁长江交通设计集团有限公司 | 一种基于etc门架和收费数据获取交通量调查数据的方法 |
| CN116229594A (zh) * | 2022-12-28 | 2023-06-06 | 山东高速集团有限公司 | 一种基于高速公路的车辆收费监测方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116543242A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9336450B2 (en) | Methods and systems for selecting target vehicles for occupancy detection | |
| KR101617349B1 (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
| CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
| CN108053653B (zh) | 基于lstm的车辆行为预测方法和装置 | |
| CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
| CN105448103A (zh) | 车辆套牌检测方法与系统 | |
| CN112863172A (zh) | 高速公路交通运行状态判定方法、预警方法、装置及终端 | |
| CN206684779U (zh) | 一种基于adas智能车载终端的车险管理服务系统 | |
| CN110246336A (zh) | 车辆信息的确定方法及系统 | |
| CN114446064A (zh) | 一种分析高速公路服务区流量的方法、装置、存储介质及终端 | |
| CN112183343A (zh) | 高速公路收费差额分析系统、方法和分析系统平台 | |
| CN114841712B (zh) | 网约车巡游违规运营状态的确定方法和装置及电子设备 | |
| CN115797403A (zh) | 交通事故预测方法和装置、存储介质及电子设备 | |
| CN108665084B (zh) | 一种对驾驶风险的预测方法及系统 | |
| CN113808414B (zh) | 道路荷载确定方法、装置及存储介质 | |
| CN116543242B (zh) | 基于高速收费数据的车型检测方法、装置、设备及介质 | |
| CN115376325B (zh) | 基于出行链的公共交通换乘数据筛选系统、方法及应用 | |
| CN113160565B (zh) | 一种套牌车辆的识别方法、装置、存储介质及终端 | |
| CN114331181A (zh) | 基于大数据的车辆驾驶行为风险分析方法 | |
| CN114202919A (zh) | 一种非机动车电子车牌遮挡的识别方法、装置及系统 | |
| CN112766746A (zh) | 交通事故识别方法、装置、电子设备和存储介质 | |
| CN108985834B (zh) | 一种预测订单价值的方法及系统 | |
| CN111369790A (zh) | 过车记录校正方法、装置、设备及存储介质 | |
| KR20190130762A (ko) | 도로교통 분석 서버, 도로교통정보 분석 시스템 및 분석 방법 | |
| CN116564098B (zh) | 不同数据源中相同车辆的识别方法、装置、设备及介质 |
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 |