我國公共交通運輸體系、模式以及客運管理還不完善,不能滿足居民出行的多樣性需求,給非法客運車輛創(chuàng)造了市場機會。目前,非法客運現象未得到有效控制,嚴重影響了客運市場的管理,擾亂了社會治安秩序,危及乘客的安全,也使公眾權益受損。究其原因,主要是傳統(tǒng)的辨識非法客運車輛的方法需要大量的人力、物力和時間,且效率低下,所以研究一種可以在很大的區(qū)域范圍內,快速有效的辨識出非法客運車輛,從而提高執(zhí)法效率,有效抑制或消除非法客運的科學方法是一個急需解決的問題。而大數據理論、智能交通的形成,為解決此類問題帶來了很大的機遇。查處非法客運車輛可分為發(fā)現疑似非法客運車輛和取證處罰兩個方面。由于非法客運車輛隱蔽性強、分布的范圍廣,所以在大范圍內快速發(fā)現疑似非法客運車輛是重點和難點。本文通過理論以及深入調查分析,研究了非法客運現狀,揭示了非法客運車輛在出行空間與時間方面的特征,包括“出行強度”、“特定線路出行占比”、“特定線路出行強度”、“周末出行強度”、“早晚高峰出行占比”五個特征,將此作為辨識疑似非法客運車輛的指標;基于高速公路收費數據建立了相應的辨識疑似非法客運車輛的五個特征值集合;在此基礎上,結合聚類算法理論... 

【文章來源】：重慶交通大學重慶市

【文章頁數】：94 頁

【學位級別】：碩士

【部分圖文】：

非法客運車輛主城—區(qū)縣往來關系圖

22圖3-1車牌號錯誤數據處理流程3.3出行空間特征3.3.1出行強度以車輛個體為研究對象，分析其在一段時間內的出行特征中，車輛在全路網中的出行總次數是其出行特征重要的方面，有利于分析車輛的通勤需求、出行強度等基本信息[41]。而非法客運組織存在的根本原因是有利可圖，為了取得更好的收益，非法客運車輛的出行需求會比較大。因此本文將出行強度作為非法客運車輛的第一個出行特征，定義為每輛車在全路網的出行總次數與自然天數的比值，如公式（3.2），能反映某車輛在全路網的出行需求�！�,（3.2）式中，0，表示第輛車的出行強度,,表示第輛車在第天的開始讀取第一條數據記錄獲取車牌號字符串S字符串S的長度：LL=6或7標記為1獲取S的第一個字符hh是否滿足標準標記為2最后一條記錄統(tǒng)計標記的總條數計算數據錯誤率刪除標記的記錄結束下一條記錄否否是是是否

31出了基于網格的聚類算法，首先要將數據所在的空間進行劃分，使其變成多個均勻的小的矩形，從而形成網格狀態(tài)，每個網格都包括一系列的數據信息，過程就轉變?yōu)楸闅v每個網格，處理速度比較快但是會掩蓋每個數據點的完整信息。AnkerstM[50]等人為了解決DBSCAN算法嚴重依賴于參數的問題，提出了OPTICS算法，該算法能有效避免初始參數的選取，且聚類效果更好。DBSCAN聚類算法是根據周圍的密度值來決定聚類簇數的，可以不斷的增長從而發(fā)現最大密度相連的點集，在一次聚類中，所有的數據都將被標記為不同性質的點，包括核心點、邊界點以及噪音點，所以其對噪音的抗干擾性比較強，同時對各個簇的形狀沒有特殊的要求。有關其參數的定義比如領域、核心對象、直接密度可達、密度可達、密度相連描述如下。（1）領域：數據對象在給定半徑內的區(qū)域。（2）核心對象：數據樣本中某一個樣本的領域內至少包含MinPts個樣本，則該樣本為核心對象。（3）直接密度可達：在數據樣本集合D中，如果存在p是q的領域，而且q是一個核心對象，則樣本p從樣本q出發(fā)是密度直達的，反之不成立。（4）密度可達：對于一組樣本序列p1，p2，…，pi，...，pn，滿足p1=p和pn=q，pi是從pi+1關于和MinPts密度直達的，則樣本p是從樣本q關于和MinPts密度可達的。（5）密度相連：有樣本∈，使樣本a和b都是從o關于和MinPts密度可達的，那么樣本a到b是關于和MinPts密度相連的。圖4-1有關DBSCAN參數定義示例圖定義2，MinPts=5，如圖4-1所示，核心對象為紅色的小圓點，而黑色的點都不是核心對象。圖中定義了三個點q、p1、p，其中p1是從q的直接密度

【參考文獻】：
期刊論文
[1]數據挖掘在高速公路逃費分析中的應用[J]. 黎川,吳烈陽.  中國交通信息化. 2017(S1)
[2]高速公路收費數據中環(huán)境-運營特征關聯(lián)規(guī)則挖掘[J]. 杜瑾,郝珺,樊�，|.  長安大學學報(自然科學版). 2015(05)
[3]基于高速公路收費數據的行程時間可靠性模型研究[J]. 李長城,文濤,劉小明,榮建.  公路交通科技. 2014(12)
[4]基于收費數據的高速公路事故影響區(qū)域判定[J]. 閆晟煜,肖潤謀.  公路交通科技. 2013(08)
[5]交通運輸非法營運形成機理及整治路徑研究——以深圳為例[J]. 馬洪生.  交通運輸工程與信息學報. 2012(02)
[6]智慧軌道交通——實現更深入的智能化[J]. 楊燕,朱焱,戴齊,李天瑞.  計算機應用. 2012(05)
[7]城市交通“黑車”治理探討[J]. 張煜.  安慶師范學院學報(社會科學版). 2012(02)
[8]基于虛擬化與分布式技術的存儲系統(tǒng)[J]. 魏以鵬,于翔,孫躍然,王玉璐,鄭大慶.  物聯(lián)網技術. 2012(02)
[9]蘇州市人民政府辦公室轉發(fā)市城管委關于建立市區(qū)打擊黑車經營長效管理機制的工作意見的通知[J].   蘇州市人民政府公報. 2011(03)
[10]從市場角度看對“黑車”的治理[J]. 于帥.  江蘇警官學院學報. 2009(05)

碩士論文
[1]面向大數據應用的情境感知異常檢測算法研究[D]. 王玉杰.蘭州大學 2018
[2]基于多維數據的行程時間預測與可靠性研究[D]. 郭宇潔.北京交通大學 2017
[3]基于數據挖掘的高速公路聯(lián)網收費系統(tǒng)防逃費研究[D]. 吳淑玲.華南理工大學 2016
[4]菏澤市非法營運車輛治理研究[D]. 王婕.山東師范大學 2015
[5]基于公交數據的乘客出行特征分析[D]. 咼娟.華南理工大學 2016
[6]基于時空分析的高速公路基本路段交通狀態(tài)估計研究[D]. 徐靜.重慶大學 2014
[7]基于高速公路收費站數據的交通流量多維分析技術研究[D]. 萬金朋.重慶大學 2012



本文編號：3126300