[发明专利]一种基于中小客车通行行为的非法营运车辆识别方法

权利要求书

1.一种基于中小客车通行行为的非法营运车辆识别方法，其特征在于，包括以下步骤：

S1：获取某区域某时间段内的中小客车出行的OD数据，对OD数据进行清洗与预处理；

S2：基于S1处理后的中小客车出行OD数据，设置可反映中小客车通行行为特征的指标，包括出行强度、时间维度、空间维度，获取每辆车的相应指标；

S3：对S2获取的每辆车的相应指标进行最大最小归一化处理，通过对原始车辆指标数据进行变换把数据映射到[0，1]之间；

S4：利用K-means++聚类算法对S3处理后的中小客车通行行为特征指标数据进行聚类，获取每辆车的通行行为特征标签；

S5：分析S4获取的中小客车通行行为特征标签类别的指标分布情况，定义各类出行车辆群体；

S6：利用S4获取的标签样本数据，结合S5定义的各类通行特征的中小客车群体，构建树模型，分析中小客车通行行为特征的指标重要性，提取各类出行车辆的群体的识别规则；

S7：利用S6获取的营运车辆群体的识别规则与通行行为特征重要性，并基于营运形态出行车辆群体特征分布对非法营运车辆识别规则的阈值进行修正，对道路出行非法营运的中小客车进行识别；

具体如下：

S71：将中小客车通行行为特征按照重要性值从大到小排序，筛选排名较高的前3-5个通行行为指标；

S72：分析营运形态出行车辆群体特征分布，计算出各通行行为特征的四分位数；

S73：对营运车辆识别规则中重要性排名较高的3-5个通行行为指标阈值基于四分位数修正；

S74：基于修正后的营运车辆识别规则识别非法营运的车辆：

S741：先在识别出的营运车辆群体中，按照周末出行天数、工作日出行天数从大到小排序，再按照每天首次起始点的最大概率从小到大排序，选取Top N中没有注册营运资格证的车辆，判断为疑似非法营运车辆；

S742：在识别出的营运车辆群体中，按照每天首次起始点的最大概率从小到大排序，取Top N’数据中以同一共同点存在的关联车辆，调取最常出行OD占比均符合营运车辆群体通行特征的关联车辆；

分别对同一车主的关联车辆的周末出行天数求和、同一共同点关联车辆的工作日出行天数求和，同一车主的关联车辆的周末出行天数之和、工作日出行天数之和均符合营运车辆群体通行特征的，且同一车主的所有关联车辆中均无注册营运资格证，则Top N’数据中该同一车主的关联车辆全部判断为疑似非法营运车辆；

对同一停靠位置的关联车辆，调取车辆归属人员的信息，比对社会关系，车主为共同生活的家庭成员关系的，分别对同一停靠位置的关联车辆的周末出行天数求和、同一停靠位置的关联车辆的工作日出行天数求和，同一停靠位置的关联车辆的周末出行天数之和、工作日出行天数之和均符合营运车辆群体通行特征的，且同一停靠位置的所有关联车辆中均无注册营运资格证，则Top N’数据中该同一停靠位置的关联车辆全部判断为疑似非法营运车辆。

2.如权利要求1所述的一种基于中小客车通行行为的非法营运车辆识别方法，其特征在于：所述S1中还需要获取某区域某时间段内车辆的车主登记信息、长时间停靠位置，并建立关联车辆表；

车主登记信息：车辆归属人员的信息，对于同一车主的多辆车进行标识，以同一车主为共同点，建立关联；

停靠位置：一天中超过6小时的停靠位置信息，对于同一停靠位置信息的多辆车进行标识，并以同一停靠位置为共同点，建立关联。

3.如权利要求2所述的一种基于中小客车通行行为的非法营运车辆识别方法，其特征在于：所述停靠位置的同一停靠位置信息包括住宅停车场、住宅周边停车场所，停靠频率是以月为单位，每月超过n次，n为停靠次数≥1。

4.如权利要求1所述的一种基于中小客车通行行为的非法营运车辆识别方法，其特征在于：所述S1中对OD数据进行清洗与预处理包括以下步骤：

S11：过滤车牌识别错误的中小客车出行OD数据；

S12：过滤出行天数低于2天的车辆，定义为零星出行；

S13：过滤出行天数大于1天，且工作日出行天数低于2天的车辆，定义为休闲游玩。