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(jī)會。目前,非法客運現(xiàn)象未得到有效控制,嚴(yán)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(quán)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(nèi),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(xué)方法是一個急需解決的問題。而大數(shù)據(jù)理論、智能交通的形成,為解決此類問題帶來了很大的機(jī)遇。查處非法客運車輛可分為發(fā)現(xiàn)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(qiáng)、分布的范圍廣,所以在大范圍內(nèi)快速發(fā)現(xiàn)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(diào)查分析,研究了非法客運現(xiàn)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(qiáng)度”、“特定線路出行占比”、“特定線路出行強(qiáng)度”、“周末出行強(qiáng)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(biāo);基于高速公路收費數(shù)據(jù)建立了相應(yīng)的辨識疑似非法客運車輛的五個特征值集合;在此基礎(chǔ)上,結(jié)合聚類算法理論... 

【文章來源】：重慶交通大學(xué)重慶市

【文章頁數(shù)】：94 頁

【學(xué)位級別】：碩士

【部分圖文】：

非法客運車輛主城—區(qū)縣往來關(guān)系圖

22圖3-1車牌號錯誤數(shù)據(jù)處理流程3.3出行空間特征3.3.1出行強(qiáng)度以車輛個體為研究對象，分析其在一段時間內(nèi)的出行特征中，車輛在全路網(wǎng)中的出行總次數(shù)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(qiáng)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(qiáng)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(wǎng)的出行總次數(shù)與自然天數(shù)的比值，如公式（3.2），能反映某車輛在全路網(wǎng)的出行需求�！�,（3.2）式中，0，表示第輛車的出行強(qiáng)度,,表示第輛車在第天的開始讀取第一條數(shù)據(jù)記錄獲取車牌號字符串S字符串S的長度：LL=6或7標(biāo)記為1獲取S的第一個字符hh是否滿足標(biāo)準(zhǔn)標(biāo)記為2最后一條記錄統(tǒng)計標(biāo)記的總條數(shù)計算數(shù)據(jù)錯誤率刪除標(biāo)記的記錄結(jié)束下一條記錄否否是是是否

31出了基于網(wǎng)格的聚類算法，首先要將數(shù)據(jù)所在的空間進(jìn)行劃分，使其變成多個均勻的小的矩形，從而形成網(wǎng)格狀態(tài)，每個網(wǎng)格都包括一系列的數(shù)據(jù)信息，過程就轉(zhuǎn)變?yōu)楸闅v每個網(wǎng)格，處理速度比較快但是會掩蓋每個數(shù)據(jù)點的完整信息。AnkerstM[50]等人為了解決DBSCAN算法嚴(yán)重依賴于參數(shù)的問題，提出了OPTICS算法，該算法能有效避免初始參數(shù)的選取，且聚類效果更好。DBSCAN聚類算法是根據(jù)周圍的密度值來決定聚類簇數(shù)的，可以不斷的增長從而發(fā)現(xiàn)最大密度相連的點集，在一次聚類中，所有的數(shù)據(jù)都將被標(biāo)記為不同性質(zhì)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(qiáng)，同時對各個簇的形狀沒有特殊的要求。有關(guān)其參數(shù)的定義比如領(lǐng)域、核心對象、直接密度可達(dá)、密度可達(dá)、密度相連描述如下。（1）領(lǐng)域：數(shù)據(jù)對象在給定半徑內(nèi)的區(qū)域。（2）核心對象：數(shù)據(jù)樣本中某一個樣本的領(lǐng)域內(nèi)至少包含MinPts個樣本，則該樣本為核心對象。（3）直接密度可達(dá)：在數(shù)據(jù)樣本集合D中，如果存在p是q的領(lǐng)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(dá)的，反之不成立。（4）密度可達(dá)：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(guān)于和MinPts密度直達(dá)的，則樣本p是從樣本q關(guān)于和MinPts密度可達(dá)的。（5）密度相連：有樣本∈，使樣本a和b都是從o關(guān)于和MinPts密度可達(dá)的，那么樣本a到b是關(guān)于和MinPts密度相連的。圖4-1有關(guān)DBSCAN參數(shù)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(xiàn)】：
期刊論文
[1]數(shù)據(jù)挖掘在高速公路逃費分析中的應(yīng)用[J]. 黎川,吳烈陽.  中國交通信息化. 2017(S1)
[2]高速公路收費數(shù)據(jù)中環(huán)境-運營特征關(guān)聯(lián)規(guī)則挖掘[J]. 杜瑾,郝珺,樊海瑋.  長安大學(xué)學(xué)報(自然科學(xué)版). 2015(05)
[3]基于高速公路收費數(shù)據(jù)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(shù)據(jù)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(jī)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(xué)報. 2012(02)
[6]智慧軌道交通——實現(xiàn)更深入的智能化[J]. 楊燕,朱焱,戴齊,李天瑞.  計算機(jī)應(yīng)用. 2012(05)
[7]城市交通“黑車”治理探討[J]. 張煜.  安慶師范學(xué)院學(xué)報(社會科學(xué)版). 2012(02)
[8]基于虛擬化與分布式技術(shù)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(wǎng)技術(shù). 2012(02)
[9]蘇州市人民政府辦公室轉(zhuǎn)發(fā)市城管委關(guān)于建立市區(qū)打擊黑車經(jīng)營長效管理機(jī)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(xué)院學(xué)報. 2009(05)

碩士論文
[1]面向大數(shù)據(jù)應(yīng)用的情境感知異常檢測算法研究[D]. 王玉杰.蘭州大學(xué) 2018
[2]基于多維數(shù)據(jù)的行程時間預(yù)測與可靠性研究[D]. 郭宇潔.北京交通大學(xué) 2017
[3]基于數(shù)據(jù)挖掘的高速公路聯(lián)網(wǎng)收費系統(tǒng)防逃費研究[D]. 吳淑玲.華南理工大學(xué) 2016
[4]菏澤市非法營運車輛治理研究[D]. 王婕.山東師范大學(xué) 2015
[5]基于公交數(shù)據(jù)的乘客出行特征分析[D]. 咼娟.華南理工大學(xué) 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(xué) 2014
[7]基于高速公路收費站數(shù)據(jù)的交通流量多維分析技術(shù)研究[D]. 萬金朋.重慶大學(xué) 2012



本文編號：3126300