非法营运车辆检测方法和系统技术方案

本发明专利技术提供一种非法营运车辆检测方法和系统，基于卡口检测系统采集的车辆通行信息，通过聚类统计方法，对路网中的车辆活跃度进行分析，并对合法营运的出租车运行模式进行挖掘，从活跃度最高的组别中检测出非法营运车辆；该方法和系统，能够实现非法营运车辆的自动识别、黑名单管理、非法营运车辆查处等功能。能够实现对路网中的车辆的自动检测，通过对非法营运车辆识别，为非现场执法系统提供可靠依据，利于城市道路交通的管理。

【技术实现步骤摘要】

本专利技术涉及一种非法营运车辆检测方法和系统。
技术介绍
车辆营运市场不断的开放带来了大量非法营运车辆的滋生。非法营运车辆指未取得行业主管部门运营许可的出租车、小客车、微型面包车等机动运输车辆，通常在车站、医院、学校等人流集中区域聚集并随意拉客、载客，严重扰乱了正常的道路交通运输市场以及城市的交通运行秩序，同时侵害了乘客的合法权益。当前，非现场执法系统在城市道路交通管理中发挥着重要的作用，卡口等智能化交通管理系统能够对过车进行记录，实现全路网的车辆监测。海量的车辆监测数据为非法营运车辆的识别提供了可能，如何利用交通监测数据实现非法营运车辆的检测具有实际应用价值。
技术实现思路
本专利技术的目的是提供一种非法营运车辆检测方法和系统解决如何利用交通监测数据实现非法营运车辆的检测等问题。本专利技术的技术解决方案是：一种非法营运车辆检测方法，基于卡口检测系统采集的车辆通行信息，通过聚类统计方法，对路网中的车辆活跃度进行分析，并对合法营运的出租车运行模式进行挖掘，从活跃度最高的组别中检测出非法营运车辆；具体为：S1、数据采集，由城市道路的卡口检测系统获得车辆检测数据，对原始检测数据进行过滤筛选，获取有效的过车数据，包括车牌号、卡口编号、检测时间；S2、、基于过车检测数据对路网车辆的使用度进行统计，构建K-means聚类模型，对城市道路行驶车辆活跃度进行分析，进而将路网内存在检测记录的车辆分为三类，分别为活跃度较低车辆、活跃度较高车辆、活跃度极高车辆；S3、获取本地营运车辆许可信息，生成合法营运车辆集合A；步骤S2中由 聚类分类获得的活跃度极高组内的车辆构成集合B；将活跃度极高组内的合法营运车辆剔除，生成非法营运可疑车辆集合S，即S＝B-(A∩B)；S4、选取采样卡口，对合法营运车辆在采样点的行驶轨迹模式进行分析，对非法营运可疑车辆的轨迹模式与合法营运车辆的轨迹模式进行相似性评估，将高度相似的可疑车辆判别为非法营运车辆，进而实现非法营运车辆的自动识别。进一步地，步骤S2中，具体为：S21、车辆使用状态判别：首先确定统计的时间轴长度及日期，通常长度取为一个月；根据每日卡口检测系统的车辆检测记录确定每辆车在统计时段内的每日的车辆使用状态，若卡口检测系统在当日存在该车辆的过车检测记录，则该日的车辆使用状态表征量k记为1，否则，记为0；S22、车辆使用度统计：对统计时段内车辆在工作日、非工作日的使用状态n1、n2以及工作日、非工作日的车辆检测次数n3、n4进行统计；S23、车辆活跃度确定：由工作日、非工作日的使用状态以及工作日、非工作日的日均车辆检测次数四个参数组成活跃度向量，即车辆i在统计时段内的活跃度为S24、根据活跃度进行车辆分类：采用K-means聚类方法将车辆分为三类，分别为活跃度较低车辆、活跃度较高车辆、活跃度极高车辆。进一步地，步骤S22中，工作日车辆使用度非工作日车辆使用度 工作日日均车辆检测次数非工作日日均车辆检测次数 式中a、b分别为统计时段内的工作日和非工作日天数，ki、kj分别为工作日、非工作日的车辆使用状态表征量，li、lj分别为工作日、非工作日的车辆日卡口检测次数。进一步地，步骤S4中，具体为：S41、卡口采样点确定：采样点为日常营运车辆较为活跃的路段检测点；S42、合法营运车辆轨迹模式分析：根据合法营运出租车在各采样点的过车 记录对营运车辆的日常轨迹的时空特性进行分析；S43、非法营运车辆判别：对非法营运可疑车辆的轨迹模式与合法营运车辆的轨迹模式进行相似性评估，将高度相似的可疑车辆判别为非法营运车辆。进一步地，步骤S42中，具体为：S421、行驶特性指标统计分析，包括车辆在各采样点的每时段的平均被检次数x1、平均被检频率x2；平均被检次数计算公式为式中表示出租车在j时段内的于检测点i的平均被检次数，为车辆p在第q日的j时段在检测点i的被检次数，m为在检测点i存在检测记录的车辆数、n为统计天数；日均被检频率计算公式为式中表示出租车在j时段内的于检测点i的平均被检频率，为车辆p在第q日的j时段在检测点i的相邻两次被检记录的时间间隔，s为在时段j内的车辆p于检测点i的检测记录数，m为在检测点i存在检测记录的车辆数、n为统计天数。S422、生成合法营运车辆标准轨迹模式序列X1、X2： 其中，表示出租车在j时段内于检测点i的平均被检次数，表示出租车在j时段内于检测点i的平均被检频率，u为在检测点数、v为时段数；进一步地，步骤S43具体为：S431、可疑车辆轨迹模式序列分析：计算非法营运可疑车辆集合内各车辆元素在采样卡口检测点的每时段的平均被检次数平均被检频率为可疑车辆k在时段j内于检测点i的平均被检次数，n为统计天数，为车辆k在第q日的j时段在检测点i的被检次数；为可疑车辆k在时段j内于检测点i的平均被检频率，为车辆k在第q日的j时段在检测点i的相邻两次被检记录的时间间隔，s为在时段j内的车辆p于检 测点i的检测记录数，n为统计天数；生成对应车辆的轨迹模式序列为车辆k的轨迹模式序列，u为在检测点数、v为时段数；S432、相似度分析：采用欧氏距离衡量可疑车辆轨迹模式序列与合法营运车辆标准轨迹模式序列的相似性，车辆k轨迹模式序列与标准轨迹模式序列X1、X2似度低于阈的相似度的计算方法为为可疑车辆k在j时段内于检测点i的行驶特性指标值，为合法运营出租车在j时段内于检测点i的的行驶特性指标，u为在检测点数、v为时段数。S433、相似性评估：采用阈值法对可疑车辆轨迹模式相似性进行评估，将相值的轨迹序列判断为相似序列，对应车辆判断为非法营运车辆。其中，阈值的确定方法通过合法营运车辆轨迹模式序列与标准序列的相似度的统计分析确定，一般选取85％位的相似度值作为检测阈值。一种实现上述方法的非法营运车辆检测系统，包括数据采集模块、配置模块、车辆识别模块；数据采集模块：接收城市道路安装的卡口检测系统的过车检测数据；配置模块：接收用户通过系统交互界面上设置的基础参数，包括进行非法营运车辆识别所需的数据样本设置、卡口采样点设置、标准运营出租车设置；车辆识别模块：根据配置模块的基础参数，从数据采集模块获取全路网卡口过车检测数据，基于上述非法营运车辆检测方法对分析时段内存在卡口检测记录的车辆进行非法营运行为的检测，对非法营运车辆进行标记。进一步地，还包括黑名单管理模块和重点监管模块，黑名单管理模块：接收车辆识别模块的非法营运标记车辆数据以及用户通过交互界面输入的人工查处的黑车信息；重点监管模块：实现对黑名单内车辆的重点监管，自动对黑名单车辆在检查时段内是否存在非法营运行为进行判别，若存在，则系统生成警报以及检查报告；实现用户查看黑名单车辆的卡口通行记录，实现黑名单车辆通行状况的人工监管。进一步地，车辆查处模块：对非法营运车辆的查处记录进行管理，实现用户查看车辆的历史查处记录。本专利技术的有益效果是：该种非法营运车辆检测方法和系统，能够实现非法营运车辆的自动识别、黑名单管理、非法营运车辆查处等功能。该方法和系统，基于城市道路网布设的卡口系统获取海量车辆监控信息，通过数据挖掘方法实现对非法营运车辆的识别与检测。通过聚类对路网车辆活跃度进行分析，进而缩小车辆检测范围。分析合法营运车辆的行驶轨迹模式，评估可疑车辆轨迹模式与标准营运车辆轨迹模式本文档来自技高网...

【技术保护点】
一种非法营运车辆检测方法，其特征在于，基于卡口检测系统采集的车辆通行信息，通过聚类统计方法，对车辆活跃度、车辆轨迹特性进行分析，评估可疑车辆与典型运营车辆运行特性的相似性，据此从海量过车数据中检测出异常的非法营运车辆；具体为：S1、数据采集，由城市道路的卡口检测系统获得车辆检测数据，对原始检测数据进行过滤筛选，获取有效的过车数据，包括车牌号、卡口编号、检测时间；S2、基于过车检测数据对路网车辆的使用度进行统计，构建K‑means聚类模型，对城市道路行驶车辆活跃度进行分析，进而将路网内存在检测记录的车辆分为三类，分别为活跃度较低车辆、活跃度较高车辆、活跃度极高车辆；S3、获取本地营运车辆许可信息，生成合法营运车辆集合A；步骤S2中由聚类分类获得的活跃度极高组内的车辆构成集合B；将活跃度极高组内的合法营运车辆剔除，生成非法营运可疑车辆集合S，即S＝B‑(A∩B)；S4、选取采样卡口，对合法营运车辆在采样点的行驶轨迹模式进行分析，对非法营运可疑车辆的轨迹模式与合法营运车辆的轨迹模式进行相似性评估，将高度相似的可疑车辆判别为非法营运车辆，进而实现非法营运车辆的自动识别。

【技术特征摘要】
1.一种非法营运车辆检测方法，其特征在于，基于卡口检测系统采集的车辆通行信息，通过聚类统计方法，对车辆活跃度、车辆轨迹特性进行分析，评估可疑车辆与典型运营车辆运行特性的相似性，据此从海量过车数据中检测出异常的非法营运车辆；具体为：S1、数据采集，由城市道路的卡口检测系统获得车辆检测数据，对原始检测数据进行过滤筛选，获取有效的过车数据，包括车牌号、卡口编号、检测时间；S2、基于过车检测数据对路网车辆的使用度进行统计，构建K-means聚类模型，对城市道路行驶车辆活跃度进行分析，进而将路网内存在检测记录的车辆分为三类，分别为活跃度较低车辆、活跃度较高车辆、活跃度极高车辆；S3、获取本地营运车辆许可信息，生成合法营运车辆集合A；步骤S2中由聚类分类获得的活跃度极高组内的车辆构成集合B；将活跃度极高组内的合法营运车辆剔除，生成非法营运可疑车辆集合S，即S＝B-(A∩B)；S4、选取采样卡口，对合法营运车辆在采样点的行驶轨迹模式进行分析，对非法营运可疑车辆的轨迹模式与合法营运车辆的轨迹模式进行相似性评估，将高度相似的可疑车辆判别为非法营运车辆，进而实现非法营运车辆的自动识别。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：步骤S2中，具体为：S21、车辆使用状态判别：首先确定统计的时间轴长度及日期，通常长度取为一个月；根据每日卡口检测系统的车辆检测记录确定每辆车在统计时段内的每日的车辆使用状态，若卡口检测系统在当日存在该车辆的过车检测记录，则该日的车辆使用状态表征量k记为1，否则，记为0；S22、车辆使用度统计：对统计时段内车辆在工作日、非工作日的使用状态n1、n2以及工作日、非工作日的车辆检测次数n3、n4进行统计；S23、车辆活跃度确定：由工作日、非工作日的使用状态以及工作日、非工作日的日均车辆检测次数四个参数组成活跃度向量，即车辆i在统计时段内的活跃度为S24、根据活跃度进行车辆分类：采用K-means聚类方法将车辆分为三类，分别为活跃度较低车辆、活跃度较高车辆、活跃度极高车辆。3.如权利要求1所述的非法营运车辆检测方法，其特征在于：步骤S22中，工作日车辆使用度非工作日车辆使用度工作日日均车辆检测次数非工作日日均车辆检测次数式中a、b分别为统计时段内的工作日和非工作日天数，ki、kj分别为工作日、非工作日的车辆使用状态表征量，li、lj分别为工作日、非工作日的车辆日卡口检测次数。4.如权利要求1所述的非法营运车辆检测方法，其特征在于：步骤S4中，具体为：S41、卡口采样点确定：采样点为日常营运车辆较为活跃的路段检测点；S42、合法营运车辆轨迹模式分析：根据合法营运出租车在各采样点的过车记录对营运车辆的日常轨迹的时空特性进行分析；S43、非法营运车辆判别：对非法营运可疑车辆的轨迹模式与合法营运车辆的轨迹模式进行相似性评估，将高度相似的可疑车辆判别为非法营运车辆。5.如权利要求1所述的非法营运车辆检测方法，其特征在于：步骤S42中，具体为：S421、行驶特性指标统计分析，包括车辆在各采样点的每时段的平均被检次数x1、平均被检频率x2；平均被检次数计算公式为式中表示出租车在j时段...

【专利技术属性】
技术研发人员：李攀，王晓东，吕伟韬，张韦华，刘成军，陈华，盛旺，
申请(专利权)人：江苏智通交通科技有限公司，
类型：发明
国别省市：江苏;32