Nothing Special   »   [go: up one dir, main page]

CN110969190B - 非法营运车辆检测方法、介质、设备及装置 - Google Patents

非法营运车辆检测方法、介质、设备及装置 Download PDF

Info

Publication number
CN110969190B
CN110969190B CN201911080527.9A CN201911080527A CN110969190B CN 110969190 B CN110969190 B CN 110969190B CN 201911080527 A CN201911080527 A CN 201911080527A CN 110969190 B CN110969190 B CN 110969190B
Authority
CN
China
Prior art keywords
vehicle
license plate
illegal operation
plate recognition
behavior
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
Application number
CN201911080527.9A
Other languages
English (en)
Other versions
CN110969190A (zh
Inventor
范晓亮
吴尚斌
王程
程明
李玮健
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN201911080527.9A priority Critical patent/CN110969190B/zh
Publication of CN110969190A publication Critical patent/CN110969190A/zh
Application granted granted Critical
Publication of CN110969190B publication Critical patent/CN110969190B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种非法营运车辆检测方法、介质、设备及装置，其中方法包括：获取车辆对应的第一通行信息，并提取第一通行信息对应的第一行为特征；根据第一行为特征进行训练集和测试集的建立，并将训练集和测试集输入到深度神经网络进行模型的训练，以生成非法营运车辆检测模型；获取待检测车辆对应的第二通行信息，并提取第二通行信息对应的第二行为特征；将第二行为特征输入到非法营运车辆检测模型，以通过非法营运车辆检测模型判断待检测车辆是否为非法营运车辆；能够对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。

Description

非法营运车辆检测方法、介质、设备及装置
技术领域
本发明涉及信息处理技术领域，特别涉及一种非法营运车辆检测方法、一种计算机可读存储介质、一种计算机设备以及一种非法营运车辆检测装置。
背景技术
营运车辆，是指经过相关部门审核，符合相关要求，被准许用于经营旅客运输的车辆；营运车辆的存在，给人们的出行带来了极大的便利。
然而，在利益的驱使下，有许多非法营运者驾驶非法营运车辆(未经相关部门审核，不允许用于经营旅客运输的车辆)进行旅客运输的经营行为。这一行为亦成为危害城市公共安全的不稳定因素之一。
相关技术中，多通过交通管理部门对行驶于道路的车辆进行人工排查，以根据排查结果对非法营运车辆进行处理，这种方式对非法营运车辆的检测效率低下，极大地浪费了人力和物力，同时，对合法驾驶车辆的人员带来极大不便，也对道路交通造成了一定影响。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种非法营运车辆检测方法，能够对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非法营运车辆检测装置。
为达到上述目的，本发明第一方面实施例提出了一种非法营运车辆检测方法，包括以下步骤：获取车辆对应的第一通行信息，并提取所述第一通行信息对应的第一行为特征；根据所述第一行为特征进行训练集和测试集的建立，并将所述训练集和所述测试集输入到神经网络进行模型的训练，以生成非法营运车辆检测模型；获取待检测车辆对应的第二通行信息，并提取所述第二通行信息对应的第二行为特征；将所述第二行为特征输入到所述非法营运车辆检测模型，以通过所述非法营运车辆检测模型判断所述待检测车辆是否为非法营运车辆。
根据本发明实施例的非法营运车辆检测方法，首先，获取车辆对应的第一通行信息，并提取第一通行信息对应的第一行为特征，以根据车辆的通行信息获取其行为特征；接着，根据第一行为特征进行训练集和测试集的建立，并将训练集和测试集输入到神经网络进行模型的训练，以生成非法营运车辆检测模型；然后，获取待检测车辆对应的第二通行信息，并提取第二通行信息对应的第二行为特征；接着，将第二行为特征输入到非法营运车辆检测模型，以通过非法营运车辆检测模型判断待检测车辆是否为非法营运车辆；从而实现对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。
另外，根据本发明上述实施例提出的非法营运车辆检测方法还可以具有如下附加的技术特征：
可选地，所述第一通行信息包括车牌识别记录信息，其中，在获取车辆对应的第一通行信息之后，还包括：根据所述车牌识别记录信息计算对应的车辆在第一时间区间内产生的记录次数；判断所述记录次数是否大于预设的第一次数阈值；如果是，则认为该车辆在所述第一时间区间内为活跃状态；计算第二时间区间内该车辆处于活跃状态的次数，并判断该活跃状态的次数是否小于预设的第二次数阈值；如果是，则将该车辆作为低频车辆，并将所述低频车辆对应的第一通行信息进行删除。
可选地，提取所述第一通行信息对应的第一行为特征，包括：将第三时间区间划分为多个时间段，并根据所述第一通行信息分别计算每个时间段对应的车牌识别记录数量、途经车牌识别设备数量、行驶距离和回旋半径，以及根据所述第一通行信息计算所述第三时间区间内该车辆的出行频率；将所述车牌识别记录数量、所述途经车牌识别设备数量、所述行驶距离、所述回旋半径和所述出行频率作为第一行为特征。
可选地，提取所述第一通行信息对应的第一行为特征，包括：将第三时间区间划分为多个时段，并根据所述第一通行信息分别统计每个时段对应的车牌识别记录数量均值与方差、途经车牌识别设备数量均值与方差、行驶距离均值与方差、回旋半径均值与方差和车辆出现频数，以及根据所述第一通行信息统计所述第三时间区间对应的旅途数量均值与方差；将所述车牌识别记录数量均值与方差、所述途经车牌识别设备数量均值与方差、所述行驶距离均值与方差、所述回旋半径均值与方差、所述车辆出现频数和所述旅途数量均值与方差作为第一行为特征。
可选地，所述回旋半径通过以下公式计算：
Figure GDA0004037595160000031
其中，
Figure GDA0004037595160000032
表示回旋半径，
Figure GDA0004037595160000033
表示车辆vi途经的第l个车牌识别设备的经纬度值，
Figure GDA0004037595160000034
表示车辆vi途经的所有车牌识别设备假设集中点的经纬度值。
可选地，所述神经网络包括一个输入层、两个隐含层和一个输出层。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有非法营运车辆检测程序，该非法营运车辆检测程序被处理器执行时实现如上述的非法营运车辆检测方法。
根据本发明实施例的计算机可读存储介质，通过存储非法营运车辆检测程序，以使得该非法营运车辆检测程序在被处理器执行时实现如上述的非法营运车辆检测方法，从而实现对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的非法营运车辆检测方法。
根据本发明实施例提出的计算机设备，通过存储器对非法营运车辆检测程序进行存储，以使得处理器在执行该存储器上存储的非法营运车辆检测程序时，实现如上述的非法营运车辆检测方法，从而实现对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。
为达到上述目的，本发明第四方面实施例提出了一种非法营运车辆检测装置，包括：第一获取模块，所述第一获取模块用于获取车辆对应的第一通行信息，并提取所述第一通行信息对应的第一行为特征；训练模块，所述训练模块用于根据所述第一行为特征进行训练集和测试集的建立，并将所述训练集和所述测试集输入到神经网络进行模型的训练，以生成非法营运车辆检测模型；第二获取模块，所述第二获取模块用于获取待检测车辆对应的第二通行信息，并提取所述第二通行信息对应的第二行为特征；检测模块，所述检测模块用于将所述第二行为特征输入到所述非法营运车辆检测模型，以通过所述非法营运车辆检测模型判断所述待检测车辆是否为非法营运车辆。
根据本发明实施例的非法营运车辆检测装置，设置第一获取模块对车辆对应的第一通行信息进行获取，并提取该第一通行信息所对应的第一行为特征，以完成车辆行为特征的获取；训练模块根据第一行为特征进行训练集和测试集的建立，并将训练集和测试集输入到神经网络进行模型的训练，以生成非法营运车辆检测模型；第二获取模块对待检测车辆对应的第二通行信息进行获取，并提取第二通行信息所对应的第二行为特征；检测模块将第二行为特征输入到非法营运车辆检测模型，并通过非法营运车辆模型判断待检测车辆是否为非法营运车辆；从而实现对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。
另外，根据本发明上述实施例提出的非法营运车辆检测装置还可以具有如下附加的技术特征：
可选地，所述神经网络包括一个输入层、两个隐含层和一个输出层。
附图说明
图1为根据本发明实施例的非法营运车辆检测方法的流程示意图；
图2为根据本发明实施例的第一通行信息筛选的流程示意图；
图3为根据本发明实施例的非法营运车辆检测装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
相关技术中，交通管理部门在对非法营运车辆进行排查时，需要大量的人力物力，且对于合法驾驶人员的驾驶和道路交通造成了干扰。根据本发明实施例的非法营运车辆检测方法，首先，获取车辆对应的第一通行信息，并提取第一通行信息对应的第一行为特征，以根据车辆的通行信息获取其行为特征；接着，根据第一行为特征进行训练集和测试集的建立，并将训练集和测试集输入到神经网络进行模型的训练，以生成非法营运车辆检测模型；然后，获取待检测车辆对应的第二通行信息，并提取第二通行信息对应的第二行为特征；接着，将第二行为特征输入到非法营运车辆检测模型，以通过非法营运车辆检测模型判断待检测车辆是否为非法营运车辆；从而实现对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
请参阅图1，图1为根据本发明实施例的非法营运车辆检测方法的流程示意图，如图1所示，该非法营运车辆检测方法包括以下步骤：
S101，获取车辆对应的第一通行信息，并提取第一通行信息对应的第一行为特征。
其中，第一通行信息所包含的数据可以有多种。
作为一种示例，第一通行信息包括车辆对应的GPS定位信息、停车场出入信息。
作为另一种示例，第一通行信息包括车辆行驶过程中途经的车牌识别设备信息和车牌识别记录信息；其中，车牌识别设备信息可以包括车牌识别设备的唯一可识别ID和车牌识别设备所处的经纬度信息；车牌识别记录信息可以包括车辆对应的车牌号码、获取该记录的车牌识别设备的唯一可识别ID、车辆颜色、记录产生时间。
其中，提取第一通行信息对应的第一行为特征的方式可以有多种。
在一些实施例中，提取第一通行信息对应的第一行为特征，包括：
将第三时间区间划分为多个时间段，并根据第一通行信息分别计算每个时间段对应的车牌识别记录数量、途经车牌识别设备数量、行驶距离和回旋半径，以及根据第一通行信息计算第三时间区间内该车辆的出行频率；
将车牌识别记录数量、途经车牌识别设备数量、行驶距离、回旋半径和出行频率作为第一行为特征。
作为一种示例，以每一个月作为第一行为特征的提取时间区间，然后，将一个月的时间划分为多个时间段，以下以8月份为例进行举例说明，在8月份，处于周一至周五(工作日)的天数为23天。将这23天划分为两个时间段(例如，6AM-6PM和6PM-6AM)，从而可以将23天划分为46个时间段。进而，对每个时间段，根据第一通行信息计算其对应的车牌识别记录数量、途经车牌识别设备数量、行驶距离和回旋半径。如此，可以获得23*2*4＝184个特征，即184维的工作日日常行为特征；接着，在8月份中，存在8天为周六或周日，从而，可以将这8天作为8个时间段，进而，对每个时间段，根据第一通行信息计算其对应的车牌识别记录数量、途经车牌识别设备数量、行驶距离和回旋半径；如此，可以获得8*4＝32个特征，即32维的周末或节假日日常行为特征。然后，根据第一通行信息计算8月份中每一天车辆的出行次数，即第三时间区间内该车辆的出行频率。从而，可以得到31维特征。可知，进行如上处理，一共可以得到该车辆于8月份247维的日常行为特征，并将该日常行为特征作为第一行为特征。
在一些实施例中，提取第一通行信息对应的第一行为特征，包括：
将第三时间区间划分为多个时段，并根据第一通行信息分别统计每个时段对应的车牌识别记录数量均值与方差、途经车牌识别设备数量均值与方差、行驶距离均值与方差、回旋半径均值与方差和车辆出现频数，以及根据第一通行信息统计第三时间区间对应的旅途数量均值与方差；
将车牌识别记录数量均值与方差、途经车牌识别设备数量均值与方差、行驶距离均值与方差、回旋半径均值与方差、车辆出现频数和旅途数量均值与方差作为第一行为特征。
作为一种示例，将8月份分为三个时段，该三个时段为工作日的6AM-6PM、工作日的6PM-6AM、周末或节假日；然后，分别统计每个时段对应的车牌识别记录数量均值与方差、途经车牌识别设备数量均值与方差、行驶距离均值与方差、回旋半径均值与方差和车辆出现频数，从而，可以得到4*2*3+3＝27维特征；接着，对8月份对应的车辆的旅途数量均值与方差进行统计，可以得到2维特征。可知，通过上述处理，可以获得一共29维的车辆持续行为特征，并将该车辆持续行为特征作为第一行为特征。
在一些实施例中，为了使得第一行为特征可以更全面地反应车辆的行为特征，第一行为特征包括日常行为特征和持续行为特征，即言，该第一行为特征包含一共276维特征。
在一些实施例中，回旋半径通过以下公式进行计算：
Figure GDA0004037595160000061
其中，
Figure GDA0004037595160000062
表示回旋半径，
Figure GDA0004037595160000063
表示车辆vi途经的第l个车牌识别设备的经纬度值，
Figure GDA0004037595160000064
表示车辆vi途经的所有车牌识别设备假设集中点的经纬度值。
在一些实施例中，车牌识别记录数量通过以下公式进行表述：
Figure GDA0004037595160000065
其中，
Figure GDA0004037595160000066
表示车辆vi于时间段t内在所有车辆识别设备上留下的记录集合。
途经车牌识别设备数量通过以下公式进行表述：
Figure GDA0004037595160000067
其中，
Figure GDA0004037595160000068
表示车辆vi在时间段t内通过的车辆识别设备集合；
Figure GDA0004037595160000069
表示车辆轨迹，即言，用车牌号为vi的车辆在时间T内途经的车辆识别设备序列
Figure GDA00040375951600000610
来代表车辆的轨迹。
行驶距离通过以下公式进行表述：
Figure GDA0004037595160000071
其中，VRi,l表示车牌号为vi的车辆的第l条车辆识别记录。distance(VRi,l+1，t，VRi,l,t)表示车辆vi连续两个过车记录VRi,l所对应的VLPR设备与VRi,l+1所对应的VLPR设备之间的距离。m表示
Figure GDA0004037595160000072
中元素的个数。
出行次数通过以下公式表述：
Figure GDA0004037595160000073
其中，
Figure GDA0004037595160000074
表示车辆vi在时间t内的行驶过程。即言，用车牌号为vi的车辆在时间段t内所有出行的序列
Figure GDA0004037595160000075
来表示车辆的行驶过程，其中，
Figure GDA0004037595160000076
表示车辆vi在时间段t内的第l次出行。
S102，根据第一行为特征进行训练集和测试集的建立，并将训练集和测试集输入到神经网络进行模型的训练，以生成非法营运车辆检测模型。
在一些实施例中，神经网络包括一个输入层、两个隐含层和一个输出层；并且，两个隐含层之间、第二隐含层与输出层之间采用随机失活进行优化。
作为一种示例，两个隐含层分别为第一隐含层和第二隐含层；第一隐含层和第二隐含层均包括30个隐含层节点，其权重和偏置均按照截断的正态分布初始化，且均采用ReLU做激活函数。
S103，获取待检测车辆对应的第二通行信息，并提取第二通行信息对应的第二行为特征。
其中，第二行为特征的提取方法与第一行为特征的提取方式一致，在此不做赘述。
S104，将第二行为特征输入到非法营运车辆检测模型，以通过非法营运车辆检测模型判断待检测车辆是否为非法营运车辆。
即言，将提取到的第二行为特征输入到非法营运车辆检测模型中，车辆检测模型根据输入的第二行为特征输出结果，进而根据该输出结果判断待检测车辆是否为非法营运车辆。
在一些实施例中，为了提高本发明实施例训练集和测试集的有效性，提高最终非法营运车辆检测模型的判断准确性，还对第一通行信息进行了筛选，第一通行信息包括车牌识别记录信息，如图2所示，在获取车辆对应的第一通行信息之后，还包括：
S201，根据车牌识别记录信息计算对应的车辆在第一时间区间内产生的记录次数。
S202，判断记录次数是否大于预设的第一次数阈值。
S203，如果是，则认为该车辆在第一时间区间内为活跃状态。
S204，计算第二时间区间内该车辆处于活跃状态的次数，并判断该活跃状态的次数是否小于预设的第二次数阈值。
S205，如果是，则将该车辆作为低频车辆，并将低频车辆对应的第一通行信息进行删除。
作为一种示例，以一个月作为特征提取周期；然后，计算一个月中，每一天车辆所产生的车牌识别记录的次数，并判断该车牌识别记录的次数是否大于预设的次数阈值，如果是，则认为该车辆在这一天为活跃状态；接着，计算一个月中，该车辆处于活跃状态的天数；并判断该车辆处于活跃状态的天数是否小于预设的天数阈值；如果是，则认为该车辆为低频车辆，即不活跃的车辆，进而，将该低频车辆所对应的第一通行信息进行删除。可以对第一通行信息进行有效地筛选。
综上所述，根据本发明实施例的非法营运车辆检测方法，首先，获取车辆对应的第一通行信息，并提取第一通行信息对应的第一行为特征，以根据车辆的通行信息获取其行为特征；接着，根据第一行为特征进行训练集和测试集的建立，并将训练集和测试集输入到神经网络进行模型的训练，以生成非法营运车辆检测模型；然后，获取待检测车辆对应的第二通行信息，并提取第二通行信息对应的第二行为特征；接着，将第二行为特征输入到非法营运车辆检测模型，以通过非法营运车辆检测模型判断待检测车辆是否为非法营运车辆；从而实现对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。
为了实现上述实施例，本发明实施例提出了一种计算机可读存储介质，其上存储有非法营运车辆检测程序，该非法营运车辆检测程序被处理器执行时实现如上述的非法营运车辆检测方法。
根据本发明实施例的计算机可读存储介质，通过存储非法营运车辆检测程序，以使得该非法营运车辆检测程序在被处理器执行时实现如上述的非法营运车辆检测方法，从而实现对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。
为了实现上述实施例，本发明实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的非法营运车辆检测方法。
根据本发明实施例提出的计算机设备，通过存储器对非法营运车辆检测程序进行存储，以使得处理器在执行该存储器上存储的非法营运车辆检测程序时，实现如上述的非法营运车辆检测方法，从而实现对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。
为了实现上述实施例，本发明实施例提出了一种非法营运车辆检测装置，如图3所示，该非法营运车辆检测装置包括：第一获取模块10、训练模块20、第二获取模块30和检测模块40。
其中，第一获取模块10用于获取车辆对应的第一通行信息，并提取第一通行信息对应的第一行为特征；
训练模块20用于根据第一行为特征进行训练集和测试集的建立，并将训练集和测试集输入到神经网络进行模型的训练，以生成非法营运车辆检测模型；
第二获取模块30用于获取待检测车辆对应的第二通行信息，并提取第二通行信息对应的第二行为特征；
检测模块40用于将第二行为特征输入到非法营运车辆检测模型，以通过非法营运车辆检测模型判断待检测车辆是否为非法营运车辆。
在一些实施例中，神经网络包括一个输入层、两个隐含层和一个输出层。
需要说明的是，上述关于图1中非法营运车辆检测方法的说明同样适用于该非法营运车辆检测装置，在此不做赘述。
综上所述，根据本发明实施例的非法营运车辆检测装置，设置第一获取模块对车辆对应的第一通行信息进行获取，并提取该第一通行信息所对应的第一行为特征，以完成车辆行为特征的获取；训练模块根据第一行为特征进行训练集和测试集的建立，并将训练集和测试集输入到神经网络进行模型的训练，以生成非法营运车辆检测模型；第二获取模块对待检测车辆对应的第二通行信息进行获取，并提取第二通行信息所对应的第二行为特征；检测模块将第二行为特征输入到非法营运车辆检测模型，并通过非法营运车辆模型判断待检测车辆是否为非法营运车辆；从而实现对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种非法营运车辆检测方法，其特征在于，包括以下步骤；
获取车辆对应的第一通行信息，并提取所述第一通行信息对应的第一行为特征；
根据所述第一行为特征进行训练集和测试集的建立，并将所述训练集和所述测试集输入到神经网络进行模型的训练，以生成非法营运车辆检测模型；
获取待检测车辆对应的第二通行信息，并提取所述第二通行信息对应的第二行为特征；
将所述第二行为特征输入到所述非法营运车辆检测模型，以通过所述非法营运车辆检测模型判断所述待检测车辆是否为非法营运车辆；
其中，提取所述第一通行信息对应的第一行为特征，包括：
将第三时间区间划分为多个时间段，并根据所述第一通行信息分别计算每个时间段对应的车牌识别记录数量、途经车牌识别设备数量、行驶距离和回旋半径，以及根据所述第一通行信息计算所述第三时间区间内该车辆的出行频率；
将所述车牌识别记录数量、所述途经车牌识别设备数量、所述行驶距离、所述回旋半径和所述出行频率作为第一行为特征；
或者
提取所述第一通行信息对应的第一行为特征，包括：
将第三时间区间划分为多个时段，并根据所述第一通行信息分别统计每个时段对应的车牌识别记录数量均值与方差、途经车牌识别设备数量均值与方差、行驶距离均值与方差、回旋半径均值与方差和车辆出现频数，以及根据所述第一通行信息统计所述第三时间区间对应的旅途数量均值与方差；
将所述车牌识别记录数量均值与方差、所述途经车牌识别设备数量均值与方差、所述行驶距离均值与方差、所述回旋半径均值与方差、所述车辆出现频数和所述旅途数量均值与方差作为第一行为特征；
其中，所述回旋半径通过以下公式计算：
Figure FDA0004037595150000011
其中，
Figure FDA0004037595150000012
表示回旋半径，
Figure FDA0004037595150000013
表示车辆vi途经的第l个车牌识别设备的经纬度值，
Figure FDA0004037595150000014
表示车辆vi途经的所有车牌识别设备假设集中点的经纬度值。
2.如权利要求1所述的非法营运车辆检测方法，其特征在于，所述第一通行信息包括车牌识别记录信息，其中，在获取车辆对应的第一通行信息之后，还包括：
根据所述车牌识别记录信息计算对应的车辆在第一时间区间内产生的记录次数；
判断所述记录次数是否大于预设的第一次数阈值；
如果是，则认为该车辆在所述第一时间区间内为活跃状态；
计算第二时间区间内该车辆处于活跃状态的次数，并判断该活跃状态的次数是否小于预设的第二次数阈值；
如果是，则将该车辆作为低频车辆，并将所述低频车辆对应的第一通行信息进行删除。
3.如权利要求1-2中任一项所述的非法营运车辆检测方法，其特征在于，所述神经网络包括一个输入层、两个隐含层和一个输出层。
4.一种计算机可读存储介质，其特征在于，其上存储有非法营运车辆检测程序，该非法营运车辆检测程序被处理器执行时实现如权利要求1-3中任一项所述的非法营运车辆检测方法。
5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-3中任一项所述的非法营运车辆检测方法。
6.一种非法营运车辆检测装置，其特征在于，包括：
第一获取模块，所述第一获取模块用于获取车辆对应的第一通行信息，并提取所述第一通行信息对应的第一行为特征；
训练模块，所述训练模块用于根据所述第一行为特征进行训练集和测试集的建立，并将所述训练集和所述测试集输入到神经网络进行模型的训练，以生成非法营运车辆检测模型；
第二获取模块，所述第二获取模块用于获取待检测车辆对应的第二通行信息，并提取所述第二通行信息对应的第二行为特征；
检测模块，所述检测模块用于将所述第二行为特征输入到所述非法营运车辆检测模型，以通过所述非法营运车辆检测模型判断所述待检测车辆是否为非法营运车辆；
其中，所述第一获取模块还用于将第三时间区间划分为多个时间段，并根据所述第一通行信息分别计算每个时间段对应的车牌识别记录数量、途经车牌识别设备数量、行驶距离和回旋半径，以及根据所述第一通行信息计算所述第三时间区间内该车辆的出行频率；
将所述车牌识别记录数量、所述途经车牌识别设备数量、所述行驶距离、所述回旋半径和所述出行频率作为第一行为特征；
或者
所述第一获取模块还用于将第三时间区间划分为多个时段，并根据所述第一通行信息分别统计每个时段对应的车牌识别记录数量均值与方差、途经车牌识别设备数量均值与方差、行驶距离均值与方差、回旋半径均值与方差和车辆出现频数，以及根据所述第一通行信息统计所述第三时间区间对应的旅途数量均值与方差；
将所述车牌识别记录数量均值与方差、所述途经车牌识别设备数量均值与方差、所述行驶距离均值与方差、所述回旋半径均值与方差、所述车辆出现频数和所述旅途数量均值与方差作为第一行为特征；
其中，所述回旋半径通过以下公式计算：
Figure FDA0004037595150000031
其中，
Figure FDA0004037595150000032
表示回旋半径，
Figure FDA0004037595150000033
表示车辆vi途经的第l个车牌识别设备的经纬度值，
Figure FDA0004037595150000034
表示车辆vi途经的所有车牌识别设备假设集中点的经纬度值。
7.如权利要求6所述的非法营运车辆检测装置，其特征在于，所述神经网络包括一个输入层、两个隐含层和一个输出层。
CN201911080527.9A 2019-11-07 2019-11-07 非法营运车辆检测方法、介质、设备及装置 Active CN110969190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911080527.9A CN110969190B (zh) 2019-11-07 2019-11-07 非法营运车辆检测方法、介质、设备及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911080527.9A CN110969190B (zh) 2019-11-07 2019-11-07 非法营运车辆检测方法、介质、设备及装置

Publications (2)

Publication Number Publication Date
CN110969190A CN110969190A (zh) 2020-04-07
CN110969190B true CN110969190B (zh) 2023-05-12

Family

ID=70030273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911080527.9A Active CN110969190B (zh) 2019-11-07 2019-11-07 非法营运车辆检测方法、介质、设备及装置

Country Status (1)

Country Link
CN (1) CN110969190B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215059B (zh) * 2020-08-26 2023-10-27 厦门大学 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质
CN112633076A (zh) * 2020-12-01 2021-04-09 厦门大学 基于大数据分析的营运车辆监控系统
CN112633163B (zh) * 2020-12-22 2023-08-01 合肥品恩智能科技有限公司 一种基于机器学习算法实现非法运营车辆检测的检测方法
CN113610257B (zh) * 2021-08-16 2022-12-06 公安部交通管理科学研究所 一种新能源网约车信息挖掘方法
CN114202929B (zh) * 2021-12-14 2022-12-06 广州交信投科技股份有限公司 一种基于中小客车通行行为的非法营运车辆识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104854639A (zh) * 2012-11-30 2015-08-19 丰田自动车株式会社 车辆位置估计装置和车辆位置估计方法
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
CN107886731A (zh) * 2017-11-03 2018-04-06 武汉元鼎创天信息科技有限公司 一种非法营运车辆智能检测方法
CN108389397A (zh) * 2018-02-28 2018-08-10 夏莹杰 一种基于卡口数据辨别非法营运车辆的方法
CN108961790A (zh) * 2018-07-24 2018-12-07 河北德冠隆电子科技有限公司 基于四维实景交通仿真的恶劣天气预警管理系统及方法
CN110164134A (zh) * 2018-02-12 2019-08-23 华为技术有限公司 信息处理的方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10255514B2 (en) * 2017-08-21 2019-04-09 Sap Se Automatic identification of cloned vehicle identifiers

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104854639A (zh) * 2012-11-30 2015-08-19 丰田自动车株式会社 车辆位置估计装置和车辆位置估计方法
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
CN107886731A (zh) * 2017-11-03 2018-04-06 武汉元鼎创天信息科技有限公司 一种非法营运车辆智能检测方法
CN110164134A (zh) * 2018-02-12 2019-08-23 华为技术有限公司 信息处理的方法和装置
CN108389397A (zh) * 2018-02-28 2018-08-10 夏莹杰 一种基于卡口数据辨别非法营运车辆的方法
CN108961790A (zh) * 2018-07-24 2018-12-07 河北德冠隆电子科技有限公司 基于四维实景交通仿真的恶劣天气预警管理系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘建蓓.山区运营高速公路安全性评价方法研究.《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 .2014,全文. *
陈坤源 等.铁路高精度点云智能的处理技术.《厦门大学学报》.2015,全文. *

Also Published As

Publication number Publication date
CN110969190A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN110969190B (zh) 非法营运车辆检测方法、介质、设备及装置
CN106314438A (zh) 一种司机驾驶轨迹中异常轨迹的检测方法和系统
Mo et al. Speed profile estimation using license plate recognition data
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
CN110363985B (zh) 一种交通数据分析方法、装置、存储介质及设备
EP2754103A1 (en) Rogue vehicle detection
CN112447041B (zh) 识别车辆的营运行为的方法、装置及计算设备
CN105654730A (zh) 一种基于卡口过车大数据分析的套牌车认定方法
Yu et al. Quantification and management of urban traffic emissions based on individual vehicle data
Jose et al. Identifying and classifying highway bottlenecks based on spatial and temporal variation of speed
Rezzouqi et al. Analyzing the accuracy of historical average for urban traffic forecasting using google maps
CN114613151A (zh) 一种货车od确定方法、系统、设备及存储介质
Zhai et al. Comparative analysis of drive-cycles, speed limit violations, and emissions in two cities: Toronto and Beijing
Salihu et al. Effect of road slope on driving cycle parameters of urban roads
CN113626656B (zh) 识别企业和车辆关系类型的方法、装置、设备及存储介质
Yang et al. The significant impacts on traffic and emissions of ferrying children to school in Beijing
Zakaria et al. Distribution model of motorcycle speed on divided roadway in Makassar
CN110491157B (zh) 一种基于停车场数据和卡口数据的车辆关联方法
Mussone Analysis of entering flows in the congestion pricing area C of Milan
Kano et al. Analyzing the impact of digital technologies on the productivity of road maintenance operations
CN113611130A (zh) 一种本地与过境货车车流量获取方法、系统及存储介质
Hayashi et al. Prioritization of Lane-Specific Traffic Jam Detection for Automotive Navigation Framework Utilizing Suddenness Index and Automatic Threshold Determination
CN113723316B (zh) 一种车辆识别方法、装置、设备及存储介质
Xiao et al. Generating full spatiotemporal vehicular paths: A data fusion approach
CN112906984B (zh) 一种道路交通状态预测方法、装置、存储介质及电子设备

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