基于高速公路收费数据的疑似非法客运车辆辨识方法研究
发布时间：2021-04-08 21:22
我国公共交通运输体系、模式以及客运管理还不完善,不能满足居民出行的多样性需求,给非法客运车辆创造了市场机会。目前,非法客运现象未得到有效控制,严重影响了客运市场的管理,扰乱了社会治安秩序,危及乘客的安全,也使公众权益受损。究其原因,主要是传统的辨识非法客运车辆的方法需要大量的人力、物力和时间,且效率低下,所以研究一种可以在很大的区域范围内,快速有效的辨识出非法客运车辆,从而提高执法效率,有效抑制或消除非法客运的科学方法是一个急需解决的问题。而大数据理论、智能交通的形成,为解决此类问题带来了很大的机遇。查处非法客运车辆可分为发现疑似非法客运车辆和取证处罚两个方面。由于非法客运车辆隐蔽性强、分布的范围广,所以在大范围内快速发现疑似非法客运车辆是重点和难点。本文通过理论以及深入调查分析,研究了非法客运现状,揭示了非法客运车辆在出行空间与时间方面的特征,包括“出行强度”、“特定线路出行占比”、“特定线路出行强度”、“周末出行强度”、“早晚高峰出行占比”五个特征,将此作为辨识疑似非法客运车辆的指标;基于高速公路收费数据建立了相应的辨识疑似非法客运车辆的五个特征值集合;在此基础上,结合聚类算法理论...
【文章来源】：重庆交通大学重庆市
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
非法客运车辆主城—区县往来关系图
22图3-1车牌号错误数据处理流程3.3出行空间特征3.3.1出行强度以车辆个体为研究对象，分析其在一段时间内的出行特征中，车辆在全路网中的出行总次数是其出行特征重要的方面，有利于分析车辆的通勤需求、出行强度等基本信息[41]。而非法客运组织存在的根本原因是有利可图，为了取得更好的收益，非法客运车辆的出行需求会比较大。因此本文将出行强度作为非法客运车辆的第一个出行特征，定义为每辆车在全路网的出行总次数与自然天数的比值，如公式（3.2），能反映某车辆在全路网的出行需求。∑,（3.2）式中，0，表示第辆车的出行强度,,表示第辆车在第天的开始读取第一条数据记录获取车牌号字符串S字符串S的长度：LL=6或7标记为1获取S的第一个字符hh是否满足标准标记为2最后一条记录统计标记的总条数计算数据错误率删除标记的记录结束下一条记录否否是是是否
31出了基于网格的聚类算法，首先要将数据所在的空间进行划分，使其变成多个均匀的小的矩形，从而形成网格状态，每个网格都包括一系列的数据信息，过程就转变为遍历每个网格，处理速度比较快但是会掩盖每个数据点的完整信息。AnkerstM[50]等人为了解决DBSCAN算法严重依赖于参数的问题，提出了OPTICS算法，该算法能有效避免初始参数的选取，且聚类效果更好。DBSCAN聚类算法是根据周围的密度值来决定聚类簇数的，可以不断的增长从而发现最大密度相连的点集，在一次聚类中，所有的数据都将被标记为不同性质的点，包括核心点、边界点以及噪音点，所以其对噪音的抗干扰性比较强，同时对各个簇的形状没有特殊的要求。有关其参数的定义比如领域、核心对象、直接密度可达、密度可达、密度相连描述如下。（1）领域：数据对象在给定半径内的区域。（2）核心对象：数据样本中某一个样本的领域内至少包含MinPts个样本，则该样本为核心对象。（3）直接密度可达：在数据样本集合D中，如果存在p是q的领域，而且q是一个核心对象，则样本p从样本q出发是密度直达的，反之不成立。（4）密度可达：对于一组样本序列p1，p2，…，pi，...，pn，满足p1=p和pn=q，pi是从pi+1关于和MinPts密度直达的，则样本p是从样本q关于和MinPts密度可达的。（5）密度相连：有样本∈，使样本a和b都是从o关于和MinPts密度可达的，那么样本a到b是关于和MinPts密度相连的。图4-1有关DBSCAN参数定义示例图定义2，MinPts=5，如图4-1所示，核心对象为红色的小圆点，而黑色的点都不是核心对象。图中定义了三个点q、p1、p，其中p1是从q的直接密度
【参考文献】：
期刊论文
[1]数据挖掘在高速公路逃费分析中的应用[J]. 黎川,吴烈阳. 中国交通信息化. 2017(S1)
[2]高速公路收费数据中环境-运营特征关联规则挖掘[J]. 杜瑾,郝珺,樊海玮. 长安大学学报(自然科学版). 2015(05)
[3]基于高速公路收费数据的行程时间可靠性模型研究[J]. 李长城,文涛,刘小明,荣建. 公路交通科技. 2014(12)
[4]基于收费数据的高速公路事故影响区域判定[J]. 闫晟煜,肖润谋. 公路交通科技. 2013(08)
[5]交通运输非法营运形成机理及整治路径研究——以深圳为例[J]. 马洪生. 交通运输工程与信息学报. 2012(02)
[6]智慧轨道交通——实现更深入的智能化[J]. 杨燕,朱焱,戴齐,李天瑞. 计算机应用. 2012(05)
[7]城市交通“黑车”治理探讨[J]. 张煜. 安庆师范学院学报(社会科学版). 2012(02)
[8]基于虚拟化与分布式技术的存储系统[J]. 魏以鹏,于翔,孙跃然,王玉璐,郑大庆. 物联网技术. 2012(02)
[9]苏州市人民政府办公室转发市城管委关于建立市区打击黑车经营长效管理机制的工作意见的通知[J]. 苏州市人民政府公报. 2011(03)
[10]从市场角度看对“黑车”的治理[J]. 于帅. 江苏警官学院学报. 2009(05)
硕士论文
[1]面向大数据应用的情境感知异常检测算法研究[D]. 王玉杰.兰州大学 2018
[2]基于多维数据的行程时间预测与可靠性研究[D]. 郭宇洁.北京交通大学 2017
[3]基于数据挖掘的高速公路联网收费系统防逃费研究[D]. 吴淑玲.华南理工大学 2016
[4]菏泽市非法营运车辆治理研究[D]. 王婕.山东师范大学 2015
[5]基于公交数据的乘客出行特征分析[D]. 呙娟.华南理工大学 2016
[6]基于时空分析的高速公路基本路段交通状态估计研究[D]. 徐静.重庆大学 2014
[7]基于高速公路收费站数据的交通流量多维分析技术研究[D]. 万金朋.重庆大学 2012
本文编号：3126300
【文章来源】：重庆交通大学重庆市
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
非法客运车辆主城—区县往来关系图
22图3-1车牌号错误数据处理流程3.3出行空间特征3.3.1出行强度以车辆个体为研究对象，分析其在一段时间内的出行特征中，车辆在全路网中的出行总次数是其出行特征重要的方面，有利于分析车辆的通勤需求、出行强度等基本信息[41]。而非法客运组织存在的根本原因是有利可图，为了取得更好的收益，非法客运车辆的出行需求会比较大。因此本文将出行强度作为非法客运车辆的第一个出行特征，定义为每辆车在全路网的出行总次数与自然天数的比值，如公式（3.2），能反映某车辆在全路网的出行需求。∑,（3.2）式中，0，表示第辆车的出行强度,,表示第辆车在第天的开始读取第一条数据记录获取车牌号字符串S字符串S的长度：LL=6或7标记为1获取S的第一个字符hh是否满足标准标记为2最后一条记录统计标记的总条数计算数据错误率删除标记的记录结束下一条记录否否是是是否
31出了基于网格的聚类算法，首先要将数据所在的空间进行划分，使其变成多个均匀的小的矩形，从而形成网格状态，每个网格都包括一系列的数据信息，过程就转变为遍历每个网格，处理速度比较快但是会掩盖每个数据点的完整信息。AnkerstM[50]等人为了解决DBSCAN算法严重依赖于参数的问题，提出了OPTICS算法，该算法能有效避免初始参数的选取，且聚类效果更好。DBSCAN聚类算法是根据周围的密度值来决定聚类簇数的，可以不断的增长从而发现最大密度相连的点集，在一次聚类中，所有的数据都将被标记为不同性质的点，包括核心点、边界点以及噪音点，所以其对噪音的抗干扰性比较强，同时对各个簇的形状没有特殊的要求。有关其参数的定义比如领域、核心对象、直接密度可达、密度可达、密度相连描述如下。（1）领域：数据对象在给定半径内的区域。（2）核心对象：数据样本中某一个样本的领域内至少包含MinPts个样本，则该样本为核心对象。（3）直接密度可达：在数据样本集合D中，如果存在p是q的领域，而且q是一个核心对象，则样本p从样本q出发是密度直达的，反之不成立。（4）密度可达：对于一组样本序列p1，p2，…，pi，...，pn，满足p1=p和pn=q，pi是从pi+1关于和MinPts密度直达的，则样本p是从样本q关于和MinPts密度可达的。（5）密度相连：有样本∈，使样本a和b都是从o关于和MinPts密度可达的，那么样本a到b是关于和MinPts密度相连的。图4-1有关DBSCAN参数定义示例图定义2，MinPts=5，如图4-1所示，核心对象为红色的小圆点，而黑色的点都不是核心对象。图中定义了三个点q、p1、p，其中p1是从q的直接密度
【参考文献】：
期刊论文
[1]数据挖掘在高速公路逃费分析中的应用[J]. 黎川,吴烈阳. 中国交通信息化. 2017(S1)
[2]高速公路收费数据中环境-运营特征关联规则挖掘[J]. 杜瑾,郝珺,樊海玮. 长安大学学报(自然科学版). 2015(05)
[3]基于高速公路收费数据的行程时间可靠性模型研究[J]. 李长城,文涛,刘小明,荣建. 公路交通科技. 2014(12)
[4]基于收费数据的高速公路事故影响区域判定[J]. 闫晟煜,肖润谋. 公路交通科技. 2013(08)
[5]交通运输非法营运形成机理及整治路径研究——以深圳为例[J]. 马洪生. 交通运输工程与信息学报. 2012(02)
[6]智慧轨道交通——实现更深入的智能化[J]. 杨燕,朱焱,戴齐,李天瑞. 计算机应用. 2012(05)
[7]城市交通“黑车”治理探讨[J]. 张煜. 安庆师范学院学报(社会科学版). 2012(02)
[8]基于虚拟化与分布式技术的存储系统[J]. 魏以鹏,于翔,孙跃然,王玉璐,郑大庆. 物联网技术. 2012(02)
[9]苏州市人民政府办公室转发市城管委关于建立市区打击黑车经营长效管理机制的工作意见的通知[J]. 苏州市人民政府公报. 2011(03)
[10]从市场角度看对“黑车”的治理[J]. 于帅. 江苏警官学院学报. 2009(05)
硕士论文
[1]面向大数据应用的情境感知异常检测算法研究[D]. 王玉杰.兰州大学 2018
[2]基于多维数据的行程时间预测与可靠性研究[D]. 郭宇洁.北京交通大学 2017
[3]基于数据挖掘的高速公路联网收费系统防逃费研究[D]. 吴淑玲.华南理工大学 2016
[4]菏泽市非法营运车辆治理研究[D]. 王婕.山东师范大学 2015
[5]基于公交数据的乘客出行特征分析[D]. 呙娟.华南理工大学 2016
[6]基于时空分析的高速公路基本路段交通状态估计研究[D]. 徐静.重庆大学 2014
[7]基于高速公路收费站数据的交通流量多维分析技术研究[D]. 万金朋.重庆大学 2012
本文编号：3126300
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3126300.html
