【技术实现步骤摘要】
本申请涉及计算机，特别涉及一种非法运营车辆识别方法、装置、存储介质及电子设备。
技术介绍
1、在现代城市交通管理中，准确识别和监管网约车辆是维护交通秩序和城市安全的关键。一个典型的应用场景是，城市交通管理部门需要识别在城市内频繁出入预设场地等热点区域的网约车，以便进行合规性检查和执法。
2、相关技术中，通过追踪乘用车的轨迹，利用手机信令数据与高速卡口信息的碰撞来识别疑似网约车。这种方法依赖于手机信号的覆盖范围和强度，手机信令数据与卡口信息的碰撞往往因为信号干扰、覆盖范围限制等因素导致数据准确度不够，无法精确识别非法运营车辆。
技术实现思路
1、本申请实施例提供了一种非法运营车辆识别方法、装置、存储介质及电子设备。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
2、第一方面，本申请实施例提供了一种非法运营车辆识别方法，方法包括：
3、获取出入高速公路的待识别车辆在预设时间段内的多条历史通行数据，每条历史通行数据包括高速卡口数据以及高速卡口数据所属卡口位置对应的gis数据；
4、根据待识别车辆的多条历史通行数据，构建待识别车辆的运行特征，运行特征包括出入预设场地的频度、车辆运营强度特征、运营离散度特征、卡口覆盖度以及车辆所属地域标签；
5、将待识别车辆的运行
6、在概率大于预设阈值的情况下，将待识别车辆的车辆信息推送至监管平台，以对待识别车辆的合法性进行核查。
7、可选的，按照以下步骤生成预先训练的非法运营车辆识别模型，包括：
8、收集预设周期内车辆集合中每个目标车辆的多条历史通行数据，车辆集合包括多个网约车和多个私家车；
9、根据每个目标车辆的多条历史通行数据，构建每个目标车辆的运行特征，每个目标车辆的运行特征为网约车的运行特征或私家车的运行特征；
10、将所有网约车的运行特征标注为正样本，将所有私家车的运行特征标注为负样本，得到模型训练样本；
11、采用随机森林网络，创建非法运营车辆识别模型；
12、根据模型训练样本，对非法运营车辆识别模型进行机器学习，得到预先训练的非法运营车辆识别模型。
13、可选的，根据待识别车辆或每个目标车辆的多条历史通行数据，构建待识别车辆或每个目标车辆的运行特征，包括：
14、根据第一车辆的每条历史通行数据包括的gis数据，统计车辆出入预设场地的频度，第一车辆为待识别车辆或每个目标车辆；
15、从第一车辆的每条历史通行数据包括的高速卡口数据中，提取存在的距离当前时刻最远的第一出入高速时间以及最近的第二出入高速时间；
16、根据第一出入高速时间与第二出入高速时间，确定时间周期；
17、根据每条历史通行数据包括的高速卡口数据、时间周期，构建运营强度特征；
18、根据每条历史通行数据包括的高速卡口数据，构建运营离散度特征；
19、根据每条历史通行数据包括的高速卡口数据，分别统计卡口覆盖度和车辆所属地域标签；
20、将车辆出入预设场地的频度、运营强度特征、运营离散度特征、卡口覆盖度和车辆所属地域标签，作为第一车辆的运行特征。
21、可选的，根据每条历史通行数据包括的高速卡口数据、时间周期，构建运营强度特征，包括：
22、根据每条历史通行数据包括的高速卡口数据，统计时间周期内所有高速记录总数，得到总运营次数；
23、根据每条历史通行数据包括的高速卡口数据，统计时间周期内所有高速记录的收费里程之和，得到高速总里程；
24、根据每条历史通行数据包括的高速卡口数据，统计时间周期内所有高速记录的时长之和，得到高速总时长；
25、根据每条历史通行数据包括的高速卡口数据，统计时间周期内所有有高速记录的天数之和，得到总运营天数；
26、根据每条历史通行数据包括的高速卡口数据，统计时间周期内起终点相同的高速记录数之和，以确定出常跑路线行驶次数；
27、根据确定出的常跑路线次数，确定运营高频路线行驶次数；
28、根据总运营次数、高速总里程、高速总时长、总运营天数、常跑路线行驶次数以及运营高频路线行驶次数，计算运营强度特征。
29、可选的，根据总运营次数、高速总里程、高速总时长、总运营天数、常跑路线行驶次数以及运营高频路线行驶次数，计算运营强度特征，包括：
30、计算总运营天数与时间周期的比值，得到高速运营率；
31、计算高速总里程与高速总时长的比值，得到平均车速；
32、根据每条历史通行数据包括的高速卡口数据，统计工作日高速记录中的收费里程之和；计算工作日高速记录中的收费里程之和与高速总里程的比值，得到工作日里程占比；
33、计算高速总里程与总运营天数的比值，得到日均高速行驶里程；
34、计算总运营次数与总运营天数的比值，得到日均高速次数；
35、计算常跑路线行驶次数与运营高频路线行驶次数的比值，得到运营高频路线行驶次数占比；
36、根据每条历史通行数据包括的高速卡口数据，统计出入高速的卡口不在同一个区县的次数之和；计算出入高速的卡口不在同一个区县的次数之和与总运营次数的比值，得到县际行驶次数占比；
37、根据每条历史通行数据包括的高速卡口数据，统计后半夜运营时长和白天运营时长；分别计算后半夜运营时长和白天运营时长与高速总时长的比值，得到后半夜时长占比和白天时长占比；
38、将高速运营率、平均车速、工作日里程占比、日均高速行驶里程、日均高速次数、运营高频路线行驶次数占比、县际行驶次数占比、后半夜时长占比和白天时长占比作为运营强度特征。
39、可选的，根据每条历史通行数据包括的高速卡口数据，构建运营离散度特征，包括：
40、根据每条历史通行数据包括的高速卡口数据，统计高速运营时段；
41、将高速运营时段划分为多个切片，统计每个切片上运营次数；
42、计算所述每个切片上的运营次数和总运营次数的比值，得到计算每个切片上的运营次数占比；
43、根据每个切片上的运营次数占比，计算高速运营时段的平均值和标准差；
44、计算标准差与平均值的比值，得到运营离散度特征。
45、可选的，根据模型训练样本，对非法运营车辆识别模型进行机器学习，得到预先训练的非法运营车辆识别模型，包括：
46、通过预设划分比例，将模型训练样本划分为训练集、测试集和验证集；
47、将训练集输入非法运营车辆识别模型中进行机器学习，生成训练的初始模型；
本文档来自技高网...
【技术保护点】
1.一种非法运营车辆识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，按照以下步骤生成预先训练的非法运营车辆识别模型，包括：
3.根据权利要求1或2所述的方法，其特征在于，根据所述待识别车辆或所述每个目标车辆的多条历史通行数据，构建所述待识别车辆或所述每个目标车辆的运行特征，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述每条历史通行数据包括的高速卡口数据、所述时间周期，构建运营强度特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述总运营次数、高速总里程、高速总时长、总运营天数、常跑路线行驶次数以及运营高频路线行驶次数，计算运营强度特征，包括：
6.根据权利要求3所述的方法，其特征在于，所述根据所述每条历史通行数据包括的高速卡口数据，构建运营离散度特征，包括：
7.根据权利要求2所述的方法，其特征在于，所述根据所述模型训练样本，对所述非法运营车辆识别模型进行机器学习，得到预先训练的非法运营车辆识别模型，包括：
8.一种非法运营车辆识别装
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项所述的方法。
10.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项所述的方法。
...【技术特征摘要】
1.一种非法运营车辆识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，按照以下步骤生成预先训练的非法运营车辆识别模型，包括：
3.根据权利要求1或2所述的方法，其特征在于，根据所述待识别车辆或所述每个目标车辆的多条历史通行数据，构建所述待识别车辆或所述每个目标车辆的运行特征，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述每条历史通行数据包括的高速卡口数据、所述时间周期，构建运营强度特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述总运营次数、高速总里程、高速总时长、总运营天数、常跑路线行驶次数以及运营高频路线行驶次数，计算运营强度特征，包括：
6...
【专利技术属性】
技术研发人员：王秀锦，郭蕊晶，杨俊京，江天，夏曙东，张志平，葛金玉，陈利玲，姬立冬，
申请(专利权)人：北京中交兴路信息科技股份有限公司，
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。