[发明专利]一种基于车辆轨迹时空特征分析的黑车智能发现方法

摘要

本发明提供一种基于车辆轨迹时空特征分析的黑车智能发现方法。本发明首先提取城市小型车车辆列表，并剔除合法运营出租车，其次对于特定排查期，提取车辆列表中所有车辆在排查期的卡口过车记录数据，进而从过车记录数据中初步筛选得出嫌疑黑车列表；然后选择数据挖掘分析样本，提取车辆时空特征数据，接着采用支持向量机算法训练黑车分类器模型，最后将嫌疑黑车列表中的所有嫌疑黑车特征数据作为测试集输入训练的分类器模型进行分类判定。本发明改变了传统黑车人工排查方法，分析更加智能高效，对车辆行为特征进行多维度提取，通过对训练样本数据进行样本交叉训练消除过拟合问题。

主权项

一种基于车辆轨迹时空特征分析的黑车智能发现方法，其特征在于实现步骤如下：步骤1、提取城市小型车车辆列表，并剔除合法运营出租车；步骤2、对于特定排查期，提取步骤1车辆列表中所有车辆在排查期的卡口过车记录数据；步骤3、从步骤2的过车记录数据中初步筛选得出嫌疑黑车列表，所述的嫌疑黑车的判断条件为：在该排查期内，超过R天的行为数据满足以下条件：(1)当日产生的卡口过车记录数大于设定第一阈值m；(2)当日经过的卡口个数大于设定第二阈值n；如果某辆车辆，有超过R天满足以上条件，则将其作为嫌疑黑车供后续模型进一步判断，依此筛选出所有嫌疑黑车列表，作为步骤4中黑车判断模型输入；步骤4、数据挖掘分析样本选择；所述的数据挖掘分析样本包括正向样本和负向样本：正向样本为所有在册合法运营出租车行为数据，负向样本为典型私家车、警用车行为数据；因为黑车与合法运营出租车有相似的轨迹行为特征，而典型私家车和警用车与黑车在行为轨迹上特征相差较大，因此将合法运营出租车的行为数据作为正向样本、典型私家车和警用车的行为数据作为负向样本训练分类器模型；步骤5、提取步骤4中选择的样本车辆的时空特征数据，该时空特征数据包括车辆分别在工作日和节假日在一天当中不同时间段平均过车记录数，在各级卡口一天当中不同时间段的平均过车记录数，经过的各级卡口数等数据；步骤6、利用步骤5得到的样本车辆时空特征数据，采用分类算法训练黑车分类器模型，利用该分类器模型能够对所需判断车辆进行判别并返回车辆是否属于黑车；步骤7、将步骤3中产生的嫌疑黑车列表中的所有嫌疑黑车特征数据作为测试集输入步骤六中训练的分类器模型进行分类判定，获取最终模型得到的黑车列表；所述步骤5中提取车辆时空特征数据的具体步骤如下：步骤5.1、提取车辆初始的时空特征数据，将该时空特征数据形式化描述为F＝{f1,f2,...,fs}，其中s表示特征个数；步骤5.2、特征细化，对所述步骤5.1中的s个特征F＝{f1,f2,...,fs}，根据特征取值的分布情况，按照特征值相近的聚类原则；所述根据特征取值的分布情况是指特征取值大小的分布，进行聚类，将相近的值归为相同类，进一步离散化，转化为特征相似性越容易判断的更细粒度的特征集合FN＝{f1,f2,...,fq}。