[发明专利]用于实时套牌车分析的决策树模型建立方法和使用方法

权利要求书

1.一种用于实时套牌车分析的决策树模型建立方法，其特征在于，所述方法包括：

S11.训练数据集和验证数据集的准备步骤；

获取历史数据库中出现的套牌车数据，并根据套牌车的出现时间，获取与所述出现时间对应的时间范围内的非套牌车数据，基于所述套牌车数据和所述非套牌车数据获得套牌车与对应真车相关联的第一五维向量数据，其中，针对任意一个车牌号所对应的所述第一五维向量数据包括：车牌号、套牌车出现时间、套牌车出现地点、真车出现时间、真车出现地点；以及，获取历史数据库中出现的真车数据，并根据每一真车出现的时间、地点获取多个真车数据组成的第二五维向量数据，其中，所述第二五维向量数据包括：车牌号、真车出现的第一时间、真车出现的第一地点、真车出现的第二时间、真车出现的第二地点；

基于所述第一五维向量数据和所述第二五维向量数据，获得与每一车牌号对应的三维向量数据，其中，所述三维向量数据包括：车牌号、车辆出现的时间差、车辆出现的距离；

将所述三维向量数据作为训练数据集的样本和测试数据集的样本；

S12.决策树模型的构建；

根据训练数据集的三维数据中每一车牌号，将真车和套牌车出现的时间差、真车和套牌车出现的距离分别作为特征，计算其对应的信息增益；

根据每一车牌号所对应的信息增益，构建根节点和叶子节点，以构成初步决策树模型；

根据训练数据集对初步决策树模型进行验证和剪枝，获得决策树模型。

2.根据权利要求1所述的用于实时套牌车分析的决策树模型建立方法，其特征在于，所述基于所述第一五维向量数据和所述第二五维向量数据，获得与每一车牌号对应的三维向量数据的步骤，包括：

基于所述第一五维向量数据，获得针对该车牌号的第一三维数据，其中，所述第一三维数据包括：车牌号、真车和套牌车出现的时间差、真车和套牌车出现的距离；所述第二五维向量数据，获得针对该车牌号的第二三维数据，其中，所述第二三维数据包括：车牌号、真车出现的时间差、真车出现的距离；

将所述第一三维数据和所述第二三维数据组合成三维向量数据。

3.根据权利要求1或2所述的用于实时套牌车分析的决策树模型建立方法，其特征在于，计算信息增益g(X，A)所采用的公式表达为：

g(X，A)＝H(X)-H(X|A)

其中，

H(X)是随机变量的熵，H(X|A)是特征A的条件熵，n是特征A的取值个数，p_i是第i个样本在集合中的概率分布；其中，D表示相应特征X的样本集合，D_i表示特征X_i里面的K个划分中的一个子划分，也就是说D_i表示特征X_i的样本集，D_ik表示特征Xi中划分k的样本集。

4.根据权利要求3所述的用于实时套牌车分析的决策树模型建立方法，其特征在于，所述根据每一车牌号所对应的信息增益，构建根节点和叶子节点，以构成初步决策树模型的步骤，包括：

根据每一车牌号所对应的信息增益，选取信息增益最大的特征作为根节点，其余特征作为叶子节点；

获取每一个特征所对应的根节点和叶子节点；

基于所获取的根节点和叶子节点构成初步决策树模型。

5.根据权利要求1-2、4任一项所述的用于实时套牌车分析的决策树模型建立方法，其特征在于，所述根据训练数据集对初步决策树模型进行验证和剪枝，获得决策树模型的步骤，包括：

通过训练数据集对初步决策树模型进行验证；

根据验证结果和预设公式进行剪枝，获得决策树模型。

6.根据权利要求5所述的用于实时套牌车分析的决策树模型建立方法，其特征在于，所述预设公式的具体表达为：

其中，Ap、Aq分别表示特征A的p划分与q划分，S表示检验数据集，Model表示决策树模型，如果剪枝之后模型的精度Model(A_p，S)与剪枝之前模型的精度Model(A_q，S)的比值大于等于1，则表示剪枝后的划分有效。