一种疫情期间高速公路车辆违法运输行为的研判方法与流程

1.本发明涉及车辆违法运输研判技术领域，特别涉及一种疫情期间高速公路车辆违法运输行为的研判方法。


背景技术：

2.疫情期间部分高速公路实行交通管制，但为了保障基本物资供应以及日常防控，需允许部分车辆通行，违法运输行为不利于疫情的防控，特殊时期对高速公路车辆违法运输行为的稽查与研判对于疫情的防控尤为重要。
3.现有关于疫情交通防控的技术方案有以下几种：
4.中国专利公开文献cn112309584a、cn1105405291a、cn108922194a均涉及到基于交通流量预测的防控技术方案，通过对交通运输的动态分析进行交通流量监控，构建迁徙模型，以辅助交管部门交通管制措施的制定和施行。这两种交通防控技术方案都是通过数据挖掘和数据建模，对交通流量进行动态统计和预测。但只能从宏观上对车辆运输规模进行调控，需要结合相关部门进一步的参与和决策，还是避免不了大量人力物力的投入。
5.另有基于车辆行驶轨迹的防控技术方案，如中国专利公开文献cn211719020u提出了一种采集车辆运输信息并调取全国交通指挥系统和通信运营商的基站定位，获取该车的行车轨迹、乘车人行踪轨迹的方法，用于追踪该车车上人员的发热是否与疫区疫情有关，解决人工排查出入车辆效率过低的问题；中国专利公开文献cn111523529 a提出了一种基于乘客出行轨迹的轨道交通疫情防控系统及方法，该方法通过系统的数据采集、数据分析和数据存储方法，获取疫情期间乘客在轨道交通中的行动轨迹，和时间、车厢等关键信息，方便查询同乘信息，为后续防控部署提供线索。但仅提供了轨道交通乘客出行信息的采集、处理和存储方法，且依赖于多个外部系统，信息同步和数据处理过程很容易产生较大的时延，无法对异常信息进行实时研判和预警，不利于及时进行防疫防控。
6.当前，疫情形势下的交通防控中存在以下几个问题：
7.1.人工防控效率低下问题。路面巡逻、视频巡检及群众报警等交通防控方式，均需要耗费巨大的人力物力，且很容易存在由于信息差导致的效率低下问题。
8.2.实时研判和预警的问题。对于存在违法运输行为的车辆需要进行实时预警推送位置等信息，以便于人工稽查；研判分析越置后，则需要根据车辆历史行驶轨迹进行位置推测，容易使问题复杂化。
9.3.系统抗干扰能力弱的问题。车辆运输行为特征错综复杂，特征属性的缺失很容易影响系统研判的准确度。


技术实现要素：

10.本发明的目的在于提供一种疫情期间高速公路车辆违法运输行为的研判方法，用以至少解决上述现有技术出现的诸多问题之一。
11.鉴于此，本发明的方案如下：
12.一种疫情期间高速公路车辆违法运输行为的研判方法，包括以下步骤：基于历史数据设定车辆违法运输行为类型及其行车特征属性，构建违法运输行为车辆研判模型，采集实时卡口过车数据结合研判模型进行实时研判。
13.根据本发明的实施例，所述研判方法包括如下步骤：
14.s1.基于卡口过车历史数据进行特征属性提取和字段划分得到特征属性集x；结合特征属性设定车辆违法运输行为类型，得到车辆违法运输行为类型集c＝{y0，y1，y2，y3…
yn}，n为不同违法运输行为类型的个数；计算不同违法运输行为类型下特征属性划分的概率及不同违法运输行为类型发生的概率i为0～n的正整数；
15.s2.采集实时的卡口过车特征属性下的数据；分别计算实时特征属性下所有违法运输行为类型的概率p(yi|x)，取最大p(yi|x)时的yi以判定车辆的违法运输行为类型。
16.进一步地，所述特征属性集x＝{a1，a2，a3…am
}，m为特征属性的个数，
17.进一步地，所述步骤s1中特征属性包括省内卡口折返次数、省际卡口折返次数和折返时长；所述违法运输行为类型包括省内徘徊、入省折返和频繁跨境。
18.进一步地，所述步骤s1中特征属性提取过程为，计算设定的车辆违法运输行为类型与字段之间的相关系数，选择相关系数大的前m个字段。
19.进一步地，所述步骤s1中历史数据过滤掉持有通行证的特种车辆数据。
20.相对于现有技术，本发明的有益效果为：
21.1.本发明通过大数据分析和数据挖掘，建立车辆违法运输行为研判模型，将疫情期间的交通防控数字化、智能化，避免了耗费大量的人力物力。
22.2.本发明基于大数据流处理和实时计算技术，实现对车辆违法运输行为进行实时监控和预警。
23.3.本发明通过结合相关系数和朴素贝叶斯概率算法，对车辆运输行为特征属性进行细粒度划分，减少属性缺失对系统研判率的影响，提高系统抗干扰能力。
附图说明
24.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
25.图1为本发明所述车辆违法运输行为实时研判流程图。
26.图2为本发明数据采集和存储过程示意图。
27.图3为本发明车辆违法运输类型研判流程图。
28.图4为本发明车辆违法运输行为研判率分析结果示意图。
具体实施方式
29.为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。
30.该发明方法是基于疫情期间高速公路车辆违法运输研判模型的技术方案，相较于传统的技术方案，本方案基于大数据和数据挖掘技术，具有实时研判和预警，抗干扰能力强的特点。包括以下步骤：
31.1.实时数据的采集和存储，用于采集和存储实时的卡口过车等基础数据；
32.2.构建车辆违法运输行为特征分析模型，用于对数据集进行特征属性提取和划分，得到车辆违法运输行为特征集；
33.3.构建违法运输行为车辆研判模型，用于对车辆的违法运输行为进行实时研判和预警。所述实时研判流程图如图1所示。
34.具体地，所述方法步骤如下：
35.1.实时数据的采集和存储
36.将高速公路卡口设备采集到的实时过车数据，通过网络传输经由终端接入至kafka流处理平台，使用分布式存储系统hbase进行大数据存储，集成spark streaming提供实时计算服务。所述数据采集和存储过程如图2所示。
37.2.车辆违法运输行为特征分析模型的构建
38.将疫情期间重点关注车辆的运输行为特征划分为三类：入省折返，省内徘徊和频繁跨境。入省折返定义为车辆入省后，短时间内从同一高速通道折返离省；省内徘徊定义为车辆入省后，车辆多次出入某一大队的辖区，且滞留时间较长；频繁跨境定义为车辆在一段时间内存在多次入省折返离省的行为。
39.车辆违法运输行为特征分析模型的主要思路是根据历史车辆违法运输行为的人工稽查数据，确定特征属性及划分，以便于后续将特征属性及划分引入实时的车辆通行信息，预测车辆运输是否属于违法运输行为，属于哪一类违法运输行为。车辆违法运输行为特征分析模型的具体构建步骤如下：
40.2.1确定特征属性及划分
41.选取一段时间的历史人工稽查数据，主要字段如表1所示，分别计算“稽查结果”与其他字段之间的相关系数，相关系数的计算公式如下：
[0042][0043]
其中，s
xy
代表字段x与字段y的协方差，s
x
代表字段x的标准差，sy代表字段y的标准差。计算公式如下：
[0044][0045]
[0046][0047]
表1：
[0048][0049][0050]
通过计算和分析相关系数，选择与“稽查结果”相关性较强的字段：省内卡口折返次数(a1)、省际卡口折返次数(a2)和折返时长(a3)，将这三个字段作为判断车辆违法运输行为的特征属性。
[0051]
进一步地，根据人工稽查结果对特征属性字段进行划分：
[0052]
a1：{a1＜2，a1＞＝2}；
[0053]
a2：{a2＜1，1＜＝a2＜2，a2＞＝2}；
[0054]
a3：{a3＜8，8＜＝a3＜24，a3＞24}。
[0055]
2.2实时过车数据预处理
[0056]
实时过车的数据量较大，数据表之间关系比较复杂，数据字段较多。对于与该发明技术方案影响不大的冗余数据进行剔除，只对重要的数据表的目标字段进行预处理。实时过车数据的重点分析字段包括：车牌号、车牌类型、上/下通行时间、上/下行卡口名称及卡口类型等。
[0057]
(1)数据表关联：车牌类型、卡口类型等与其他字段不在同一张表，需要按照车牌号或者卡口编号进行表关联获取；
[0058]
(2)去重处理：按照通行时间、车牌号、通行卡口进行去重处理，避免重复数据影响车辆通行次数统计；
[0059]
(3)计算特征属性值：将计算得到的省内卡口折返次数、省际卡口折返次数和折返时长作为新的字段插入表中。预处理后得到的实时过车数据有效字段如表2所示。
[0060]
表2：
[0061]
字段名注释plateno车牌号码platetype车辆类型passtime通行时间(具体到时分秒)pointname卡口名称pointtype卡口类型：0：省内卡口；1：省际卡口
passdirection通行方向：0：上行；1：下行iptbno省内卡口折返次数cptbno省际卡口折返次数turnbacktime折返时长(小时)
[0062]
3.车辆违法运输行为研判模型的构建
[0063]
疫情期间，持有通行证的抗疫车辆、公务用车、公共交通、医护人员用车、运输生活必需品车辆和救护、消防、抢险、环卫、警车等特种车辆不受交通管制约束，首选通过关联车辆通行证数据，过滤掉持有通行证的特种车辆。
[0064]
根据车辆违法运输行为特征属性和划分，归纳车辆违法运输行为研判流程，如图3所示。其中，车辆违法运输类型研判标准为：
[0065]
a1≥2且a3≥24时，被判定为省内徘徊车辆；
[0066]
a2≥2时，被判定为频繁跨境车辆；
[0067]
a2≥1且a3≥8时，被判定为入省折返车辆；
[0068]
不符合以上条件，被判定为非违法运输车辆。
[0069]
进一步地，采用朴素贝叶斯概率算法对实时过车数据的车辆违法运输行为进行预测，选取一定时间的历史人工稽查数据作为训练集，实时过车数据中选取车牌号、省内卡口折返次数、省际卡口折返次数和折返时长作为预测集。
[0070]
(1)设预测集x＝{a1，a2，a3}是一个待分类项，其中a1，a2，a3是特征属性，分别代表省内卡口折返次数、省际卡口折返次数和折返时长，设类别集合c＝{y0，y1，y2，y3}，其中y0，y1，y2，y3是违法运输行为类型，分别代表非违法运输、省内徘徊、入省折返和频繁跨境4个类型。
[0071]
(2)计算p(y0|x)，p(y1|x)，p(y2|x)，p(y3|x)，如果p(yk|x)＝max{p(y1|x)，p(y2|x)，p(y3|x)}，则违法运输行为类型为yk。
[0072]
其中，其中，和是从据历史人工稽查样本中得到的概率。分母p(x)对于所有类别相当于常数，根据朴素贝叶斯原理，在样本特征属性独立的情况下，只需求解：
[0073][0074]
(3)取训练集数据，计算每一类人工稽查结果出现的概率以及每种稽查结果下各特征属性划分出现的频率，例如由此输出模型的分类器。
[0075]
(4)预测阶段，将上述的预测集输入训练得到的分类器，计算得到每个车牌号对应的车辆违法运输行为类型预测结果。
[0076]
(5)模型评估，选取了10万左右的样本数据，对研判预警结果和实际人工稽查结果进行对比分析，将更新的人工稽查结果引入模型训练集，不断进行参数迭代和修正，得出该发明方案模型的准确率，最高准确率达95％以上。具体如图4所示。
[0077]
将朴素贝叶斯概率算法应用于疫情期间车辆违法运输行为预测模型，在特征属性
及划分充分多时，即使预测阶段存在个别特征属性缺失，也可以实现较好的预测效果；另外，在条件独立的假设成立的情况下，朴素贝叶斯分类器要比逻辑回归等判别模型更快地收敛，相较而言，训练集的样本数量对朴素贝叶斯概率算法准确率的影响不大。因此该发明的技术方案具有较好的抗干扰性。
[0078]
本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。