[发明专利]非法营运车辆的识别方法及系统和计算机可读的存储介质

权利要求书

1.一种非法营运车辆的识别方法，其特征在于：

其包括以下步骤：

S1：采集车辆数据以建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库；

S2：对采集的车辆数据进行清洗；

S3：基于清洗后的车辆数据进行深度学习并建立智能识别模型；及

S4：利用智能识别模型对所有车辆进行识别，获得营运车辆集合A′和非营运车辆集合B′，由于营运车辆中存在非法营运车辆，则营运车辆集合A′＞合法营运车辆号牌集合A，非营运车辆集合B′＜非营运车辆号牌集合B，那么A′-A即为非法营运车辆号牌集合；

所述步骤S3中进行深度学习的方式为一维时间轨迹深度学习、二维时间轨迹深度学习、二维时空轨迹深度学习、二维热力图深度学习、三维时空轨迹曲线图深度学习和三维热力图深度学习；

当所述步骤S3中采用一维时间轨迹深度学习时，所述步骤S3包括以下步骤：

S31a：选择样本，包括正样本和负样本；

S32a：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下：

车牌号码	iki+1]]>	i+1]]>

；

S33a：设定卡口对通行时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，求△t落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，λ∈t；

S34a：进行一维时间运行轨迹矩阵建模；

S35a：归一化处理；及

S36a：利用卷积神经网络进行深度学习以建立智能识别模型；

其中，步骤S34a具体为：

将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的一维矩阵R_m，取一维时间运行轨迹的长度length＝T*24*60/λ，T表示选择的样本的日期范围天数，λ表示卡口对通行时间颗粒度，j*λ表示j个时间片段的总时间，若第j个片段内某车辆出现在某个卡口，则：

R_m[j]＝1，否则，R_m[j]＝0，

首先，对R_m进行初始化，R_m[j]＝0，j∈(0，length)

然后，根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，那么：

R_m[△t_ft₀/λ]＝1

依此，获得每个号牌的时间运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m；

当步骤S3中采用二维时间轨迹深度学习时，所述步骤S3包括以下步骤：

S31b：选择样本，包括正样本和负样本；

S32b：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下：

车牌号码	iki+1]]>	i+1]]>

；

S33b：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34b：进行二维时间运行轨迹矩阵建模；

S35b：归一化处理；及

S36b：利用卷积神经网络进行深度学习以建立智能识别模型；

其中，步骤S34b具体为

将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的二维矩阵R_m，其列表示天数，列宽Column_width＝T，T为日期范围，行表示通行时间，row_height＝24*60/λ，λ表示卡口对通行时间颗粒度，则对R_m进行初始化：

R_m[m][n-1]＝0，m∈(0，24*60/λ)，n∈(1，T)，max(m)*λ＝24*60

根据每个号牌车辆通过第f个卡口的日期，计算其排在(1，T)中的第n天，从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则m＝△t_ft₀/λ-(n-1)*24*60/λ，那么：

R_m[△t_ft₀/λ-(n-1)*24*60/λ][n-1]＝1

依此，获得每个号牌的时间运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m；

当所述步骤S3中采用二维时空轨迹深度学习时，所述步骤S3包括以下步骤：

S31c：选择样本，包括正样本和负样本；

S32c：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下

车牌号码	iki+1]]>	i+1]]>

；

S33c：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34c：进行二维卡口空间矩阵建模；

S35c：进行二维时空运行轨迹矩阵建模；

S36c：归一化处理；及

S37c：利用卷积神经网络进行深度学习以建立智能识别模型；

其中，所述步骤S34c具体为

根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，SPACE_m[u][v]＝格子编号，卡口所属格子即为卡口所代表的空间位置；

所述步骤S35c具体为：

将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的二维矩阵R_m，其列表示天数，列宽Column_width＝T，T为日期范围，行表示通行时间，row_height＝24*60/λ，λ表示卡口对通行时间颗粒度，则对R_m进行初始化：

R_m[m][n-1]＝0，m∈(0，24*60/λ)，n∈(1，T)，max(m)*λ＝24*60；

根据每个号牌车辆通过第f个卡口的日期，计算其排在(1，T)中的第n天，从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则m＝△t_ft₀/λ-(n-1)*24*60/λ，通过第f个卡口的编号查找卡口空间矩阵SPACE_m，获得对应的空间编号SPACE_m[u][v]，那么：

R_m[△t_ft₀/λ-(n-1)*24*60/λ][n-1]＝SPACE_m[u][v]；

依此，获得每个号牌的时空运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m；

当所述步骤S3中采用二维热力图深度学习时，步骤S3具体包括以下步骤：

S31d：选择样本，包括正样本和负样本；

S32d：基于车辆运行轨迹数据形成前景热力图，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，将车辆通过卡口的次数以热力图的形式标注在地图上，直到最后一个卡口，然后出掉背景底图，形成前景热力图；

S33d：进行二维卡口空间矩阵建模；

S34d：归一化处理；及

S35d：利用卷积神经网络进行深度学习以建立智能识别模型；

其中，步骤S33d具体为

根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，卡口所属格子即为卡口所代表的空间位置，最后，将热力图中相应方块的热力值填入获得卡口空间矩阵SPACE_m[u][v]，依此，获得每个号牌的热力图运行轨迹矩阵R-SPACE_m；同时也获得了正样本矩阵P-SPACE_m和负样本矩阵N-SPACE_m；

当所述步骤S3采用三维时空轨迹曲线图深度学习时，步骤S3具体包括以下步骤：

S31e：选择样本，包括正样本和负样本；

S32e：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下：

车牌号码	iki+1]]>	i+1]]>

；

S33e：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34e：进行三维时间运行轨迹矩阵建模；

S35e：归一化处理；及

S36e：利用卷积神经网络进行深度学习以建立智能识别模型；

其中，所述步骤S34e具体为

根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，SPACE_m[u][v]＝格子编号，卡口所属格子即为卡口所代表的空间位置，通道数为一维时间运行轨迹序列最大值，channel＝T*24*60/λ，λ表示卡口对通行时间颗粒度，T表示选择的样本的天数；对三维矩阵进行初始化：

Channel-SPACE_m[u][v][c]＝0，c∈(0，channel)；

根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则c＝△t_ft₀/λ，根据卡号编号直接确定SPACE_m[u][v]，则有：

Channel-SPACE_m[u][v][△t_ft₀/λ]＝SPACE_m[u][v]；

若将经过相邻卡口用直接连接，形成一个螺旋上升的三维时空轨迹曲线；

依此，获得每个号牌的三维时空轨迹曲线图R_m；同时也获得了正样本P_m和负样本N_m；

当所述步骤S3中采用三维热力图深度学习时，步骤S3具体包括以下步骤：

S31f：选择样本，包括正样本和负样本；

S32f：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下：

车牌号码	iki+1]]>	i+1]]>

；

S33f：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34f：进行三维热力图建模；

S35f：归一化处理；及

S36f：利用卷积神经网络进行深度学习以建立智能识别模型；

其中，步骤S34f具体为

根据卡口经纬度数据，将营运区域划分成L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，卡口所属格子即为卡口所代表的空间位置，通道数为一维时间运行轨迹序列最大值，channel＝T*24*60/λ，λ表示卡口对通行时间颗粒度，T表示选择的样本的天数；对三维矩阵进行初始化：

Channel-SPACE_m[u][v][c]＝0，c∈(0，channel)；

将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，将车辆通过卡口的次数以热力图的形式以λ为单位分层绘制或分层累加绘制，这样将获得一个立体分层渐变的热力图，或以λ为单位分层变化的热力图，直到最后一个卡口，然后出掉底图，形成前景热力图；

将分层热力图中相应方块的热力值填入三维热力图矩阵Channel-SPACE_m[u][v][c]；

根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则有c＝△t_ft₀/λ；

依此，获得每个号牌的三维热力图R-SPACE_m；同时也获得了正样本P-SPACE_m和负样本N-SPACE_m。