面向高速公路收费数据的异常行为分析与应用
发布时间：2021-01-20 00:38
高速公路路网的建设是区域经济发展不可或缺的助推器。与此同时,各种形式的偷逃通行费的现象也层出不穷,造成了国家财政收入的巨大损失。高速公路联网收费系统的广泛普及,使得车辆的每一次通行和缴费行为都可追踪。对收费历史记录中相关字段进行分析可以发现其中的异常特征。然而,现有的利用人工稽查的方式效率低下,如何借助数据挖掘技术实现对高速公路联网收费系统中异常数据的检测,进而分析异常数据反映出的车辆存在的异常行为特征,是当前各地交通监管部门需要解决的重点问题。因此,本文将数据挖掘技术与高速公路异常行为分析业务相结合,设计了具体的算法模型,应用于高速公路联网收费数据的异常检测和车辆异常行为特征分析中。本文的主要工作如下:（1）对于数据集维度高的问题,提出了基于密度峰值的特征选择算法。以特征的最大信息系数为度量,基于密度峰值聚类的思想,定义了特征重要性指标,得到了降维后的特征子集。通过实验证明了特征子集能够较好地代表全部数据的特征。最后对高速公路数据集进行降维。（2）对于DBSCAN聚类算法效果受输入参数影响较大的问题,提出通过KMeans算法自适应确定DBSCAN的参数。对于DBSCAN算法的时间复杂...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
交换通行卡
目前异常检测的工作大多数遵循一个基本流程,如图2-2所示。该异常检测流程包含数据存储、数据抽取、异常检测和数据展示四个主要模块。首先从存储在数据仓库中的原始数据中抽取有价值的数据,在进行异常检测时需要将技术手段和经验判断结合起来,最终呈现异常检测结果。同时,对数据进行异常检测,更需要结具体的应用场景和目标对数据进行分析。异常检测一般有两种思路,一种是分类思想,一种是聚类思想。对于分类来说,用户预先知道正常数据分布特征,首先对正常数据建立模型,再对异常数据进行检测,从而发现异常数据与正常数据之间的差异度。对于聚类来说,由于用户事先不知道数据的分类情况,也不知道存在几种异常,一般通过对数据间的相似度进行计算,发现具有更多相似度的数据定义为正常数据,而与正常数据相似度小的数据则认为是异常数据。异常检测中存在几种关键性问题。
高速公路联网收费系统中记录了全省路网中84条高速公路,624个收费站产生的流水数据。车辆每次进入和驶出收费站都会在相应的入口记录表和出口记录表中留下一条记录,每条记录相应的包括115个字段,记录了车辆、收费站、交易和系统操作等信息。本文从联网收费系统中抽取出2018年6月的所有通行记录。高速公路收费站分布如图3-1所示。3.2.2 数据特点
【参考文献】：
期刊论文
[1]基于影响系数的高速公路行车风险评估模型[J]. 邱磊,叱干都,邓志刚,刘建蓓,马小龙. 公路交通科技. 2020(03)
[2]基于RF-LR的高速公路逃费车辆状态预测模型[J]. 向红艳,杨朋涛,伊佳佳. 重庆师范大学学报(自然科学版). 2020(01)
[3]特征选择方法综述[J]. 李郅琴,杜建强,聂斌,熊旺平,黄灿奕,李欢. 计算机工程与应用. 2019(24)
[4]基于K-Means聚类的交通违法行为与事故关联关系研究[J]. 王继博,杨蕾. 交通建设与管理. 2019(05)
[5]Using Kalman filter algorithm for short-term traffic flow prediction in a connected vehicle environment[J]. Azadeh Emami,Majid Sarvi,Saeed Asadi Bagloee. Journal of Modern Transportation. 2019(03)
[6]高速公路收费站车辆逃费方式及对策[J]. 董茜. 现代经济信息. 2019(17)
[7]基于混合Logit模型的高速公路交通事故严重程度分析[J]. 陈昭明,徐文远,曲悠扬,陈伟. 交通信息与安全. 2019(03)
[8]自适应确定DBSCAN算法参数的算法研究[J]. 李文杰,闫世强,蒋莹,张松芝,王成良. 计算机工程与应用. 2019(05)
[9]高速公路收费数据的货运车辆绕行行为分析[J]. 陈旻瑞,黎川,吴烈阳,张丽,陈星. 公路交通科技(应用技术版). 2019(01)
[10]旅游高峰期交通流量的多时间尺度预测方法及应用[J]. 李凌雁,赵欣,翁钢民. 计算机应用研究. 2020(03)
硕士论文
[1]基于高速公路大数据的流量预测问题研究[D]. 王雪菲.北方工业大学 2019
[2]基于高速公路大数据的偷逃费车辆发现方法研究[D]. 马千惠.北方工业大学 2019
[3]山区高速公路交通事故的贝叶斯网络模型诊断及推理研究[D]. 卢瑶.华中科技大学 2019
[4]基于图像识别的绿通车管理关键技术研究[D]. 申通.长安大学 2019
[5]面向多时段控制的长时交通流预测及分割点优化方法[D]. 李文婧.浙江大学 2019
[6]高速公路异常数据检测方法研究[D]. 周舟.长春理工大学 2018
[7]基于关联规则的交通事故风险因素挖掘及预测模型构建[D]. 叶颖婕.北京工业大学 2018
[8]基于BP神经网络Bagging集成的高速公路绿通车稽查模型研究[D]. 申长春.长安大学 2018
[9]基于Anytime密度聚类的实时电力远动传输异常检测[D]. 薛振坤.上海交通大学 2017
[10]基于Logistic回归的高速公路绿通车稽查研究[D]. 陈浩泰.长安大学 2017
本文编号：2988007
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
交换通行卡
目前异常检测的工作大多数遵循一个基本流程,如图2-2所示。该异常检测流程包含数据存储、数据抽取、异常检测和数据展示四个主要模块。首先从存储在数据仓库中的原始数据中抽取有价值的数据,在进行异常检测时需要将技术手段和经验判断结合起来,最终呈现异常检测结果。同时,对数据进行异常检测,更需要结具体的应用场景和目标对数据进行分析。异常检测一般有两种思路,一种是分类思想,一种是聚类思想。对于分类来说,用户预先知道正常数据分布特征,首先对正常数据建立模型,再对异常数据进行检测,从而发现异常数据与正常数据之间的差异度。对于聚类来说,由于用户事先不知道数据的分类情况,也不知道存在几种异常,一般通过对数据间的相似度进行计算,发现具有更多相似度的数据定义为正常数据,而与正常数据相似度小的数据则认为是异常数据。异常检测中存在几种关键性问题。
高速公路联网收费系统中记录了全省路网中84条高速公路,624个收费站产生的流水数据。车辆每次进入和驶出收费站都会在相应的入口记录表和出口记录表中留下一条记录,每条记录相应的包括115个字段,记录了车辆、收费站、交易和系统操作等信息。本文从联网收费系统中抽取出2018年6月的所有通行记录。高速公路收费站分布如图3-1所示。3.2.2 数据特点
【参考文献】：
期刊论文
[1]基于影响系数的高速公路行车风险评估模型[J]. 邱磊,叱干都,邓志刚,刘建蓓,马小龙. 公路交通科技. 2020(03)
[2]基于RF-LR的高速公路逃费车辆状态预测模型[J]. 向红艳,杨朋涛,伊佳佳. 重庆师范大学学报(自然科学版). 2020(01)
[3]特征选择方法综述[J]. 李郅琴,杜建强,聂斌,熊旺平,黄灿奕,李欢. 计算机工程与应用. 2019(24)
[4]基于K-Means聚类的交通违法行为与事故关联关系研究[J]. 王继博,杨蕾. 交通建设与管理. 2019(05)
[5]Using Kalman filter algorithm for short-term traffic flow prediction in a connected vehicle environment[J]. Azadeh Emami,Majid Sarvi,Saeed Asadi Bagloee. Journal of Modern Transportation. 2019(03)
[6]高速公路收费站车辆逃费方式及对策[J]. 董茜. 现代经济信息. 2019(17)
[7]基于混合Logit模型的高速公路交通事故严重程度分析[J]. 陈昭明,徐文远,曲悠扬,陈伟. 交通信息与安全. 2019(03)
[8]自适应确定DBSCAN算法参数的算法研究[J]. 李文杰,闫世强,蒋莹,张松芝,王成良. 计算机工程与应用. 2019(05)
[9]高速公路收费数据的货运车辆绕行行为分析[J]. 陈旻瑞,黎川,吴烈阳,张丽,陈星. 公路交通科技(应用技术版). 2019(01)
[10]旅游高峰期交通流量的多时间尺度预测方法及应用[J]. 李凌雁,赵欣,翁钢民. 计算机应用研究. 2020(03)
硕士论文
[1]基于高速公路大数据的流量预测问题研究[D]. 王雪菲.北方工业大学 2019
[2]基于高速公路大数据的偷逃费车辆发现方法研究[D]. 马千惠.北方工业大学 2019
[3]山区高速公路交通事故的贝叶斯网络模型诊断及推理研究[D]. 卢瑶.华中科技大学 2019
[4]基于图像识别的绿通车管理关键技术研究[D]. 申通.长安大学 2019
[5]面向多时段控制的长时交通流预测及分割点优化方法[D]. 李文婧.浙江大学 2019
[6]高速公路异常数据检测方法研究[D]. 周舟.长春理工大学 2018
[7]基于关联规则的交通事故风险因素挖掘及预测模型构建[D]. 叶颖婕.北京工业大学 2018
[8]基于BP神经网络Bagging集成的高速公路绿通车稽查模型研究[D]. 申长春.长安大学 2018
[9]基于Anytime密度聚类的实时电力远动传输异常检测[D]. 薛振坤.上海交通大学 2017
[10]基于Logistic回归的高速公路绿通车稽查研究[D]. 陈浩泰.长安大学 2017
本文编号：2988007
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/2988007.html
