【技术实现步骤摘要】
高速公路收费异常处理方法
[0001]本专利技术属于智能交通领域，具体是指高速公路收费异常处理方法
。
技术介绍
[0002]随着我国高速公路的快速建设，越来越多的省市已经形成了网状的高速公路
。
依托于高速公路路网的收费数据信息能够从一个侧面反映出车辆行驶过的高速公路段的交通状态信息
。
以往的研究中，高速公路收费信息主要是为计算各收费站
OD
矩阵
。
目前国内外对联网收费数据的研究主要集中在信息服务系统的开发
、
行程时间预测及分析，以及限于封闭的高速路段的流量预测，关于路网中路段上的流量计算还很少有人涉及，并没有充分挖掘收费数据所能提供的信息
[0003]另一方面，为了识别高速路网路段内的交通状况，现有技术中多采用的方法是在高速公路路段上间隔一定的距离设置检测设备，测量通过该检测设备的交通流量或者车辆行驶的平均速度，来大致评估该路段的交通状况
。
但是，这样的方法需要另外安装检测设备，提高了高速公路建设及维护成本
。
[0004]本专利技术利用高速公路收费站的收费数据，对其进行匹配处理并通过数学模型对高速公路的交通运行状态进行识别，从而为开展高速公路信息服务提供可靠的数据基础，为高速公路管理部门提供直观的决策支持
。
技术实现思路
[0005]针对上述情况，为克服现有技术的缺陷，本专利技术提供高速公路收费异常处理方法，有效解决了目前市场上的技术问题问题>。
[0006]本专利技术采取的技术方案如下：本专利技术高速公路收费异常处理方法，包括如下步骤：
[0007]步骤一
、
采集高速公路原始多维收费数据，并对高速公路原始多维收费数据进行预处理以得到多维规范之后的原始数据；
[0008]步骤二
、
构建基于相似系数和的异常数据检测模型；
[0009]步骤三
、
将步骤一中得到的多维规范之后的原始数据输入基于相似系数和的异常数据检测模型，通过检测得到含有异常值的多维数据；
[0010]步骤四
、
构建基于极端梯度提升的异常数据修复模型；
[0011]步骤五
、
将步骤三中得到的含有异常值的多维数据输入基于极端梯度提升的异常数据修复模型，实现多维数据异常修复及效果评估
。
[0012]作为本专利技术进一步的方案：所述的步骤一，对高速公路原始多维收费数据进行预处理，包括从高速公路原始多维收费数据中选取
m
维特征因子并按照第一关系模型对其进行规范化，得到多维规范之后的原始数据，其中，
x
表示已处理值，
x
表示待处理值，
μ
为待处理值的均值，
σ
为待处理值的标准差
。
[0013]作为本专利技术再进一步的方案：所述步骤二，基于相似系数和的异常数据检测模型以多维规范之后的原始数据作为样本输入数据，按照第二关系模型计算数据间的相似程
度，得到相似系数矩阵并据此计算出每条数据的相似系数和，通过与给定的阈值的比较结果来判别数据是否为异常数据；其中，第二关系模型包括：其中，
rij
表示数据
xi
与
xj
间的相似程度，
Pi
表示数据
xi
的相似系数和，
x
′
ik
表示经过规范化之后的数据
xi
的第
k
个属性值
。
[0014]作为本专利技术再进一步的方案：所述的步骤四，所述基于极端梯度提升的异常数据修复模型通过优化梯度提升决策树的速度和效率以实现多维数据异常修复，具体包括：
[0015]将所述多维规范之后的原始数据按预设比例分为初始训练数据集和测试数据集作为样本输入数据，按照第三关系模型采用所述初始训练数据集和所述测试数据集不重叠变化更新的策略对异常数据修复模型进行训练，并采用测试数据集对应的所述多维规范之后的原始数据的属性值集作为输出数据集，重复训练，直至与上述属性值集对应的真实值满足预设训练结束条件，得到基于极端梯度提升的异常数据修复模型，其中，第三关系模型包括其中
K
代表树的总个数，
fk
代表第
k
棵树，代表样本
xi
的预测结果
。
[0016]作为本专利技术再进一步的方案：依次进行高速公路路段行程时间估计和高速公路交通态势识别，其中高速公路行程时间估计的步骤包括从高速公路联网收费系统中提取的车辆通过收费站的时间和车牌信息，剔除异常数据后估算车辆路段行程时间数据，并将数据存储至数据库中；高速公路交通状态识别的步骤包括将存储在数据库中的车辆路段行程时间数据进行标准化处理，按车辆外形分为大型车辆和小型车辆进行数据提取，构建高速公路交通运行态势判别模型，并使用该模型进行高速公路交通运行态势判别
。
[0017]作为本专利技术再进一步的方案：估算车辆路段行程时间采用如下步骤：
[0018]步骤
S101
：将两个收费站之间的高速公路路段定义为基本路段，在收费站
k
＝0和
k
＝1之间的基本路段为路段1，收费站
k
＝
z
与
k
＝
z+1
之间的基本路段为路段
z+1
；
[0019]步骤
S102
：将数据分为样本量充足
、
无车辆记录
、
有车辆记录但样本量较少三种情况；
[0020]情况一：当样本量充足时，采用临站行程时间估算车辆路段行程时间，计算公式为：其中表示在采样间隔
i
内车辆通过路段
k
的行程时间，
a
表示下游扩展路段数，
y
表示车辆大小，
y
＝
c
时为小型车，
y
＝
b
时为大型车；
[0021]情况二：无车辆记录时，采用跨站行程时间估算车辆路段行程时间，其中路段1的行程时间计算公式为：其中表示由下游行程时间数据推算得到的车辆行程时间，
d
表示下游路段，
s
为处于
[1,a]之间的整数，表示上游扩展路段数；
[0022]路程
z+1
的行程时间计算公式为：
[0023]其中表示由上下游联合推算得到的车辆行程时间，
u
表示上游路段，
ε
为处于
[1,s]之间的整数，
α
，
β
，为取值范围在0到1之间的模型权重参数；
[0024]情况三：有车辆记录但样本量较少时，采用跨站行程时间估算车辆路段行本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
高速公路收费异常处理方法，其特征在于，包括如下步骤：步骤一
、
采集高速公路原始多维收费数据，并对高速公路原始多维收费数据进行预处理以得到多维规范之后的原始数据；步骤二
、
构建基于相似系数和的异常数据检测模型；步骤三
、
将步骤一中得到的多维规范之后的原始数据输入基于相似系数和的异常数据检测模型，通过检测得到含有异常值的多维数据；步骤四
、
构建基于极端梯度提升的异常数据修复模型；步骤五
、
将步骤三中得到的含有异常值的多维数据输入基于极端梯度提升的异常数据修复模型，实现多维数据异常修复及效果评估
。2.
根据权利要求1所述的高速公路收费异常处理方法，其特征在于：所述的步骤一，对高速公路原始多维收费数据进行预处理，包括从高速公路原始多维收费数据中选取
m
维特征因子并按照第一关系模型对其进行规范化，得到多维规范之后的原始数据，其中，
x
表示已处理值，
x
表示待处理值，
μ
为待处理值的均值，
σ
为待处理值的标准差
。3.
根据权利要求2所述的高速公路收费异常处理方法，其特征在于：所述步骤二，基于相似系数和的异常数据检测模型以多维规范之后的原始数据作为样本输入数据，按照第二关系模型计算数据间的相似程度，得到相似系数矩阵并据此计算出每条数据的相似系数和，通过与给定的阈值的比较结果来判别数据是否为异常数据；其中，第二关系模型包括：其中，
rij
表示数据
xi
与
xj
间的相似程度，
Pi
表示数据
xi
的相似系数和，
x
′
ik
表示经过规范化之后的数据
xi
的第
k
个属性值
。4.
根据权利要求3所述的高速公路收费异常处理方法，其特征在于，所述的步骤四，所述基于极端梯度提升的异常数据修复模型通过优化梯度提升决策树的速度和效率以实现多维数据异常修复，具体包括：将所述多维规范之后的原始数据按预设比例分为初始训练数据集和测试数据集作为样本输入数据，按照第三关系模型采用所述初始训练数据集和所述测试数据集不重叠变化更新的策略对异常数据修复模型进行训练，并采用测试数据集对应的所述多维规范之后的原始数据的属性值集作为输出数据集，重复训练，直至与上述属性值集对应的真实值满足预设训练结束条件，得到基于极端梯度提升的异常数据修复模型，其中，第三关系模型包括其中
K
代表树的总个数，
fk
代表第
k
棵树，代表样本
xi
的预测结果
。5.
根据权利要求4所述的高速公路收费异常处理方法，其特征在于：依次进行高速公路路段行程时间估计和高速公路交通态势识别，其中高速公路行程时间估计的步骤包括从高速公路联网收费系统中提取的车辆通过收费站的时间和车牌信息，剔除异常数据后估算车辆路段行程时间数据，并将数据存储至数据库中；高速公路交通状态识别的步骤包括将存储在数据库中的车辆路段行程时间数据进行标准化处理，按车辆外形分为大型车辆和小型车辆进行数据提取，构建高速公路交通运行态势判别模型，并使用该模型进行高速公路交通运行态势判别
。6.
根据权利要求5所述的高速公路收费异常处理方法，其特征在于，估算车辆路段行程时间采用如下步骤：步骤
S101
：将两个收费站之间的高速公路路段定义为基本路段，在收费站
k
＝0和
k
＝1之间的基本路段为路段1，收费站
k
＝
z
与
k
＝
z+1
之间的基本路段为路段
z+1
；
步骤
S102
：将数据分为样本量充足
、
无车辆记录
、
有车辆记录但样本量较少三种情况；情况一：当样本量充足时，采用临站行程时间估算车辆路段行程时间，计算公式为：其中表示在采样间隔
i
内车辆通过路段
k
的行程时间，<...
【专利技术属性】
技术研发人员：冯炳辉，刁中原，陈伟明，许文光，
申请(专利权)人：广东联合电子服务股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。