CN109493608A - 非法营运车辆的识别方法及***和计算机可读的存储介质 - Google Patents

Abstract

本发明公开了一种非法营运车辆的识别方法，其包括以下步骤：S1：采集车辆数据以建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库；S2：对采集的车辆数据进行清洗；S3：基于清洗后的车辆数据进行深度学习并建立智能识别模型；及S4：利用智能识别模型对所有车辆进行识别。本发明的非法营运车辆的识别方法及***和计算机可读的存储介质，可以实现高效、精准地识别非法营运车辆。

Description

非法营运车辆的识别方法及***和计算机可读的存储介质

技术领域

本发明涉及智能交通技术领域，特别地，涉及一种非法营运车辆的识别方法及***和计算机可读的存储介质。

背景技术

非法营运车辆，俗称黑车，是指没有在交通运输管理部门办理任何相关手续、没有领取营运牌证而以***实施非法运营的车辆。近年来，随着经济的发展，非法营运车辆呈逐年上升趋势，非法营运车辆无统一管理，随意加价，严重扰乱了正常的运输市场秩序，损害旅客的合法权益。多数的非法营运车辆缺乏日常保养维护，容易发生机械事故，强制报废限制宽松，安全系数极低，交通安全不能得到保障；另外，很多非法营运车辆的司机也不具备营运客车驾驶员的基本要求，安全意识相对淡薄，容易发生人为肇事事故，且未经客运服务培训，无法提供优质服务；甚至有些驾驶员素质低下，时常发生强揽旅客、敲诈勒索、谋财害命的行为，严重影响了旅客的出行安全，给社会带来了不稳定的因素；尤其是由于互联网的不断发展，产生了各种打车app，更是给非法营运提供了可乘之机，非法营运更加隐蔽。

因非法营运车辆数量庞大、隐蔽性强、调查取证困难等特点，且目前尚无一种有效的方法或***实现对其的自动识别，故如何准确识别非法营运车辆已成为运管主管部门急需解决的问题，成为管控非法营运车辆的重中之重。

发明内容

本发明提供了一种非法营运车辆的识别方法及***和计算机可读的存储介质，以解决现有的无法对非法营运车辆进行准确识别的技术问题。

根据本发明的一个方面，提供一种非法营运车辆的识别方法，其包括以下步骤：

S1：采集车辆数据以建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库；

S2：对采集的车辆数据进行清洗；

S3：基于清洗后的车辆数据进行深度学习并建立智能识别模型；及

S4：利用智能识别模型对所有车辆进行识别。

进一步地，步骤S2进一步包括以下步骤：

S21：对车辆运行轨迹数据库中时间错乱和重复的数据进行清洗；

S22：选择需要进行识别的非法运营车辆类型，根据被识别非法运营车辆类型提取相应类型车辆的车辆运行轨迹数据，并根据车辆营运类别获取合法营运车辆号牌集合和非营运车辆号牌集合；及

S23：对提取的车辆运行轨迹数据进行分类探索性分析以清除掉严重失真数据。

进一步地，步骤S3中进行深度学习的方式为一维时间轨迹深度学习、二维时间轨迹深度学习、二维时空轨迹深度学习、二维热力图深度学习、三维时空轨迹曲线图深度学习和三维热力图深度学习中的一种或多种。

进一步地，步骤S3中进行深度学习的方式为一维时间轨迹深度学习，步骤S3具体包括以下步骤：

S31a：选择样本，包括正样本和负样本；

S32a：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下：

车牌号码

卡口对k<sub>i</sub>k<sub>i+1</sub>

通行时间△t<sub>i+1</sub>

；

S33a：设定卡口对通行时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，求△t 落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，λ∈t；

S34a：进行一维时间运行轨迹矩阵建模；

S35a：归一化处理；及

S36a：利用卷积神经网络进行深度学习以建立智能识别模型。

进一步地，步骤S34a具体为：

将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的一维矩阵Rm，取一维时间运行轨迹的长度length＝T*24*60/λ，T表示选择的样本的日期范围天数，λ表示卡口对通行时间颗粒度， j*λ表示j个时间片段的总时间，若第j个片段内某车辆出现在某个卡口，则：

Rm[j]＝1，否则，Rm[j]＝0，

首先，对Rm进行初始化，Rm[j]＝0，j∈(0，length)

然后，根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t0到第f个卡口所用时间△tft0＝tf-t0，那么：

Rm[△tft0/λ]＝1

依此，获得每个号牌的时间运行轨迹矩阵Rm；同时也获得了正样本矩阵Pm和负样本矩阵 Nm。

进一步地，步骤S3中进行深度学习的方式为二维时间轨迹深度学习，步骤S3具体包括以下步骤：

S31b：选择样本，包括正样本和负样本；

S32b：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下：

车牌号码

卡口对k<sub>i</sub>k<sub>i+1</sub>

通行时间△t<sub>i+1</sub>

；

S33b：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在 u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34b：进行二维时间运行轨迹矩阵建模；

S35b：归一化处理；及

S36b：利用卷积神经网络进行深度学习以建立智能识别模型。

进一步地，步骤S34b具体为

将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的二维矩阵R_m，其列表示天数，列宽Column_width＝T，T为日期范围，行表示通行时间，row_height＝24*60/λ，λ表示卡口对通行时间颗粒度，则对R_m进行初始化：

R_m[m][n-1]＝0，m∈(0，24*60/λ)，n∈(1，T)，max(m)*λ＝24*60

根据每个号牌车辆通过第f个卡口的日期，计算其排在(1，T)中的第n天，从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则m＝△t_ft₀/λ-(n-1)*24*60/λ，那么：

Rm[△t_ft₀/λ-(n-1)*24*60/λ][n-1]＝1

依此，获得每个号牌的时间运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m。

进一步地，步骤S3中进行深度学习的方式为二维时空轨迹深度学习，步骤S3具体包括以下步骤：

S31c：选择样本，包括正样本和负样本；

S32c：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下：

车牌号码

卡口对k<sub>i</sub>k<sub>i+1</sub>

通行时间△t<sub>i+1</sub>

；

S33c：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在 u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34c：进行二维卡口空间矩阵建模；

S35c：进行二维时空运行轨迹矩阵建模；

S36c：归一化处理；及

S37c：利用卷积神经网络进行深度学习以建立智能识别模型。

进一步地，步骤S34c具体为

根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，SPACE_m[u][v]＝格子编号，卡口所属格子即为卡口所代表的空间位置。

进一步地，步骤S35c具体为

将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的二维矩阵R_m，其列表示天数，列宽Column_width＝T，T为日期范围，行表示通行时间，row_height＝24*60/λ，λ表示卡口对通行时间颗粒度，则对R_m进行初始化：

R_m[m][n-1]＝0，m∈(0，24*60/λ)，n∈(1，T)，max(m)*λ＝24*60

根据每个号牌车辆通过第f个卡口的日期，计算其排在(1，T)中的第n天，从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则m＝△t_ft₀/λ-(n-1)*24*60/λ，通过第f个卡口的编号查找卡口空间矩阵SPACE_m，获得对应的空间编号SPACE_m[u][v]，那么：

R_m[△t_ft₀/λ-(n-1)*24*60/λ][n-1]＝SPACE_m[u][v]

依此，获得每个号牌的时空运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m。

进一步地，步骤S3中进行深度学习的方式为二维热力图深度学习，步骤S3具体包括以下步骤：

S31d：选择样本，包括正样本和负样本；

S32d：基于车辆运行轨迹数据形成前景热力图，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，将车辆通过卡口的次数以热力图的形式标注在地图上，直到最后一个卡口，然后出掉背景底图，形成前景热力图；

S33d：进行二维卡口空间矩阵建模；

S34d：归一化处理；及

S35d：利用卷积神经网络进行深度学习以建立智能识别模型。

进一步地，步骤S33d具体为

根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，卡口所属格子即为卡口所代表的空间位置，最后，将热力图中相应方块的热力值填入获得卡口空间矩阵SPACE_m[u][v]，依此，获得每个号牌的热力图运行轨迹矩阵R-SPACE_m；同时也获得了正样本矩阵P-SPACE_m和负样本矩阵N-SPACE_m。

进一步地，步骤S3中进行深度学习的方式为三维时空轨迹曲线图深度学习，步骤S3具体包括以下步骤：

S31e：选择样本，包括正样本和负样本；

S32e：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下：

车牌号码

卡口对k<sub>i</sub>k<sub>i+1</sub>

通行时间△t<sub>i+1</sub>

；

S33e：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在 u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34e：进行三维时间运行轨迹矩阵建模；

S35e：归一化处理；及

S36e：利用卷积神经网络进行深度学习以建立智能识别模型。

进一步地，步骤S34e具体为

根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，SPACE_m[u][v]＝格子编号，卡口所属格子即为卡口所代表的空间位置，通道数为一维时间运行轨迹序列最大值，channel＝ T*24*60/λ，λ表示卡口对通行时间颗粒度，T表示选择的样本的天数；对三维矩阵进行初始化：

Channel-SPACEm[u][v][c]＝0，c∈(0，channel)

根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则c＝△t_ft₀/λ，根据***编号直接确定SPACE_m[u][v]，则有：

Channel-SPACE_m[u][v][△t_ft₀/λ]＝SPACE_m[u][v]

若将经过相邻卡口用直接连接，形成一个螺旋上升的三维时空轨迹曲线；

依此，获得每个号牌的三维时空轨迹曲线图R_m；同时也获得了正样本P_m和负样本N_m。

进一步地，步骤S3中进行深度学习的方式为三维热力图深度学习，步骤S3具体包括以下步骤：

S31f：选择样本，包括正样本和负样本；

S32f：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下：

车牌号码

卡口对k<sub>i</sub>k<sub>i+1</sub>

通行时间△t<sub>i+1</sub>

；

S33f：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在 u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34f：进行三维热力图建模；

S35f：归一化处理；及

S36f：利用卷积神经网络进行深度学习以建立智能识别模型。

进一步地，步骤S34f具体为

根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACEm，卡口所属格子即为卡口所代表的空间位置，通道数为一维时间运行轨迹序列最大值，channel＝T*24*60/λ，λ表示卡口对通行时间颗粒度，T表示选择的样本的天数；对三维矩阵进行初始化：

Channel-SPACEm[u][v][c]＝0，c∈(0，channel)

将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，将车辆通过卡口的次数以热力图的形式以λ为单位分层绘制或分层累加绘制，这样将获得一个立体分层渐变的热力图，或以λ为单位分层变化的热力图，直到最后一个卡口，然后出掉底图，形成前景热力图；

根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t₀到第_f个卡口所用时间△t_ft₀＝t_f-t₀，则有c＝△t_ft₀/λ；

将分层热力图中相应方块的热力值填入三维热力图矩阵Channel-SPACEm[u][v][c]；

依此，获得每个号牌的三维热力图R-SPACE_m；同时也获得了正样本P-SPACE_m和负样本 N-SPACE_m。

进一步地，步骤S22中可抽取特定时段的车辆运行轨迹数据，以针对性识别择时段非法营运的车辆。

进一步地，步骤S1中还包括获取执法点的视频摄像数据以建立执法视频数据库；

非法营运车辆的识别方法还包括以下步骤：

S5：基于识别结果获得非法营运车辆号牌，并从执法视频数据库中对应调取违法运营的视频证据或图片证据。

本发明还提供一种非法营运车辆的识别***，该识别***包括

数据采集模块，用于采集车辆数据以建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库；

数据清洗模块，用于对采集的车辆数据进行清洗；

深度学习模块，用于基于清洗后的车辆运行轨迹数据库进行深度学习以建立智能识别模型并利用该智能识别模型对所有车辆进行识别。

本发明还提供一种计算机可读的存储介质，其用于存储进行非法营运车辆识别的计算机程序，该计算机程序在计算机上运行时执行以下步骤：

S1：采集车辆数据以建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库；

S2：对采集的车辆数据进行清洗；

S3：基于清洗后的车辆数据进行深度学习并建立智能识别模型；及

S4：利用智能识别模型对所有车辆进行识别。

本发明具有以下有益效果：

本发明的非法营运车辆的识别方法，其通过采集车辆数据来建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库。并对采集到的车辆数据进行清洗，清洗过程中可以根据通过选择非法营运车辆类型来提取对应车辆类型的车辆运行轨迹数据，从而实现高效、精确地对不同车辆类型的非法营运车辆进行快速识别；还可以根据非法营运车辆营运时段周期性强的特点，相应地在抽取车辆运行轨迹数据时仅抽取特定时段，以识别择时段非法营运的车辆。并且采用深度学习卷积神经网络进行分类训练，从而实现高效、精准的非法营运车辆识别。

另外，根据输入数据的维数不同，有一维时间轨迹深度学习、二维时间轨迹深度学习、二维时空轨迹深度学习、二维热力图深度学习、三维时空轨迹曲线图深度学习、三维热力图深度学习多种深度学习方式，可以从不同维度同时启用，各识别结果相互补充，相互佐证，识别精度高。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例的非法营运车辆的识别方法的流程示意图。

图2是本发明优选实施例的图1中的步骤S2的子流程示意图。

图3是本发明优选实施例的图1中的步骤S3的子流程示意图。

图4是本发明优选实施例的图1中的步骤S3的另一子流程示意图。

图5是本发明优选实施例的图1中的步骤S3的另一子流程示意图。

图6是本发明优选实施例的图1中的步骤S3的另一子流程示意图。

图7是本发明优选实施例的图1中的步骤S3的另一子流程示意图。

图8是本发明优选实施例的图1中的步骤S3的另一子流程示意图。

图9是本发明另一实施例的非法营运车辆的识别***的模块结构示意图。

图10是本发明另一实施例的图9中的数据采集模块的子模块结构示意图。

图11是本发明另一实施例的图9中的数据清洗模块的子模块结构示意图。

图12是本发明另一实施例的图9中的深度学习模块的子模块结构示意图。

图例说明：

11、卡口采集器；12、数据采集模块；13、数据清洗模块；14、控制器；15、深度学习模块； 16、证据采集模块；17、视频采集装置；121、号牌采集单元；122、卡口数据采集单元；123、卡口经纬度采集单元；124、视频数据采集单元；125、非开口数据采集单元；131、数据清洗单元； 132、数据选择单元；133、数据截断单元；151、样本选择单元；152、数据建模单元；153、深度学习单元；154、识别单元。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。

如图1所示，本发明的优选实施例提供一种非法营运车辆的识别方法，其可以实现对非法营运车辆进行高效、精准的识别，所述非法营运车辆的识别方法包括以下步骤：

步骤S1：采集车辆数据以建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库；

步骤S2：对采集的车辆数据进行清洗；

步骤S3：基于清洗后的车辆数据进行深度学习并建立智能识别模型；

步骤S4：利用智能识别模型对所有车辆进行识别；及

步骤S5：基于识别结果获得非法营运车辆号牌，并从执法视频数据库中对应调取违法运营的视频证据或图片证据。

可以理解，所述步骤S5可以省略。

可以理解，在所述步骤S1中，可以从交通车管数据***中获取车辆号牌数据，所述车辆号牌数据至少包括车辆号牌、车辆类型、营运类型等，并以获得的车辆号牌数据为基础建立车辆号牌数据库；从交通卡口数据***中，获取车辆卡口数据，所述车辆卡口数据至少包括车辆号牌、卡口编号、经过时间和卡口照片等，并以获得的车辆卡口数据为基础建立车辆运行轨迹数据库；从交通卡口数据***中，获取卡口的地理位置数据，所述卡口地理位置数据至少包括卡口编号、卡口所属位置区域、和卡口经纬度等，并以获得的卡口数据为基础建立卡口经纬度数据库。作为优选的，所述步骤S1中还可通过执法点的摄像机来采集执法点的视频摄像数据以建立执法视频数据库。作为优选的，所述步骤S1中还可通过对非卡口数据进行采集以对车辆运行轨迹数据库中的数据量进行补充。

可以理解，如图2所示，所述步骤S2具体包括以下步骤：

S21：对车辆运行轨迹数据库中时间错乱、重复的数据进行清洗；

S22：选择需要进行识别的非法运营车辆类型，根据被识别非法运营车辆类型提取相应类型车辆的车辆运行轨迹数据，并根据车辆营运类别获取合法营运车辆号牌集合和非营运车辆号牌集合；及

S23：对提取的车辆运行轨迹数据进行分类探索性分析以清除掉严重失真数据。

所述步骤S21中可以对时间错乱、重复的数据进行清洗，确保采集到的车辆卡口数据的准确性。

在所述步骤S22中，非法运营车辆类型包括轿车、面包车、商务车或者客车等，可以通过选择需要进行识别的非法运营车辆类型，例如仅选择轿车，从而可以提取出所有轿车的车辆运行轨迹数据，而将面包车、商务车和客车等其它类型车辆的运行轨迹数据隐藏起来，并根据车辆营运类别获取合法营运车辆号牌集合A和非营运车辆号牌集合B。可以理解，车辆营运类别包括非营运车辆和营运车辆。本发明可以通过选择非法营运车辆类型来提取对应车辆类型的车辆运行轨迹数据，可以实现高效、精确地对不同车辆类型的非法营运车辆进行快速识别。还可以理解，作为进一步优选的，根据非法营运车辆营运时段周期性强的特点，有的在节假日，有的在早高峰、晚高峰、夜间，相应地在抽取车辆运行轨迹数据时仅抽取特定时段，以识别择时段非法营运的车辆。

在所述步骤S23中，对步骤S22中提取的车辆运行轨迹数据进行分类探索性分析，进行分类探索性分析所需要的卡口数据至少包括：统计日均过卡口数、时均过卡口数、平均过卡口数、工作日与周末平均过卡口数，并应用正态分布模型，截取u±3σ内数据，以清洗掉严重失真数据，也可根据统计特征值，直接选择一定百分比范围内的车辆运行轨迹数据，以清洗掉严重失真数据。本发明通过对提取的车辆运行轨迹数据进行分类探索性分析，可以清洗掉严重失真的数据，进一步确保了识别的准确性。

可以理解，在所述步骤S3中，进行深度学习的方式有一维时间轨迹深度学习、二维时间轨迹深度学习、二维时空轨迹深度学习、二维热力图深度学习、三维时空轨迹曲线图深度学习和三维热力图深度学习。本发明可以基于多维运行轨迹进行深度学习，对车辆运行轨迹数据进行多维建模，采用深度学习卷积神经网络进行分类训练，从而实现高效、精准地识别非法营运车辆。

如图3所示，当步骤S3中采用一维时间轨迹深度学习时，所述步骤S3包括以下步骤：

S31a：选择样本，包括正样本和负样本；

S32a：构建卡口对；

S33a：设定卡口对通行时间颗粒度；

S34a：进行一维时间运行轨迹矩阵建模；

S35a：归一化处理；及

S36a：利用卷积神经网络进行深度学习以建立智能识别模型。

可以理解，在所述步骤S31a中，从经过步骤S2清洗后的车辆运行轨迹数据库中选择一定日期范围T天内的车辆运行轨迹数据R，在R中选择同等号牌数量x的正样本P和负样本N，即合法营运车辆运行轨迹数据和非营运车辆运行轨迹数据，同时获取正样本号牌集合P_x和负样本号牌集合N_x。

可以理解，在所述步骤S32a中，将车辆运行轨迹数据R按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将卡口轨迹序列从i＝1开始编号，有相邻通过的卡口组成卡口对： k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下：

车牌号码

卡口对k<sub>i</sub>k<sub>i+1</sub>

通行时间△t<sub>i+1</sub>

可以理解，在所述步骤S33a中，剔除夜间休息、歇业的超长△t，△t≥4小时，应用正态分布，求△t落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t。

可以理解，在所述步骤S34a中，对选择的样本进行一维时间运行轨迹矩阵建模，将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的一维矩阵R_m，取一维时间运行轨迹的长度length＝ T*24*60/λ，j*λ表示j个时间片段的总时间，若第j个片段内某车辆出现在某个卡口，则：

R_m[j]＝1，否则，R_m[j]＝0，

首先，对R_m进行初始化，R_m[j]＝0，j∈(0，length)

然后，根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t0到第f个卡口所用时间△t_ft₀＝t_f-t₀，那么：

R_m[△t_ft₀/λ]＝1

依此，获得每个号牌的时间运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m。

可以理解，在所述步骤S35a中对每个号牌的时间运行轨迹矩阵R_m、正样本矩阵P_m和负样本矩阵N_m进行归一化处理，以简化数据处理量，以确保高效识别。

可以理解，在所述步骤S36a中，将正样本P和负责样本N对应的一维时间运行轨迹矩阵的正样本矩阵P_m和负样本矩阵N_m输入卷积神经网络，进行特征学习，并利用softmax分类器对卷积网络学习到的特征进行分类，得到基于一维深度学习的车辆智能识别模型PN_AI，然后，使用验证数据，不断调整T、x、λ、卷积神经网络参数，进行训练，获得最佳智能识别模型PN_AI。所述卷积神经网络的结构为4个Conv2d卷积层、4个max-pooling池化层、2个Dense全连接层和输出层。

例如，从清洗后的车辆运行轨迹数据库中选择T＝30天内车辆运行轨迹数据R，在R中选择同等号牌数量x＝20000台的正样本P和负样本N，即出租车运行轨迹数据和家用轿车运行轨迹数据，同时获取正样本号牌集合P_x和负样本号牌集合N_x。

再将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：k_ik_i+1，经过相邻卡口的时间△t_i+1＝t_i+1-t_i，构建车辆卡口对通行时间数据，格式如下：

车牌号码

卡口对k<sub>i</sub>k<sub>i+1</sub>

通行时间△t<sub>i+1</sub>

再剔除夜间休息、歇业的超长△t≧4小时，应用正态分布，求△t落在u±3σ内的区间t(3,71)，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，则λ∈t，初始取λ＝5分钟。

然后进行一维时间运行轨迹矩阵建模，将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的一维矩阵R_m，取一维时间运行轨迹的长度length＝30*24*60/5＝8640，(i-1)*λ表示车辆通过第i个卡口所用的时间，对R_m进行初始化：

R_m[i]＝0，i∈(1，8640)

根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t₀到第f个卡口所用时间t_ft₀＝t_f-t₀，那么：

R_m[t_ft₀/5+1]＝1

依此，获得每个号牌的时间运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m；

再对R_m、P_m、N_m归一化处理；

然后将正样本P和负责样本N对应的一维时间运行轨迹矩阵的正样本矩阵P_m和负样本矩阵 N_m输入卷积神经网络，进行特征学习，并利用softmax分类器对卷积网络学习到的特征进行分类，得到基于一维深度学习的车辆智能识别模型PN_AI，然后，使用验证数据，不断调整T、x、λ、卷积神经网络参数，进行训练，获得最佳智能识别模型PN_AI。

可以理解，如图4所示，当步骤S3中采用二维时间轨迹深度学习时，所述步骤S3包括以下步骤：

S31b：选择样本，包括正样本和负样本；

S32b：构建卡口对；

S33b：设定卡口对时间颗粒度；

S34b：进行二维时间运行轨迹矩阵建模；

S35b：归一化处理；及

S36b：利用卷积神经网络进行深度学习以建立智能识别模型。

可以理解，所述步骤S31b与S31a相同，S32b与S32a相同，S33b与S33a相同，步骤S36b 与步骤S36a相同。

可以理解，在所述步骤S34b中，对选择的样本进行二维时间运行轨迹矩阵建模，将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的二维矩阵R_m，其列表示天数，列宽 Column_width＝T，行表示通行时间，row_height＝24*60/λ，则对R_m进行初始化：

R_m[m][n-1]＝0，m∈(0，24*60/λ)，n∈(1，T)，max(m)*λ＝24*60；

根据每个号牌车辆通过第f个卡口的日期，计算其排在(1，T)中的第n天，从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则m＝△t_ft₀/λ-(n-1)*24*60/λ，那么：

R_m[△t_ft₀/λ-(n-1)*24*60/λ][n-1]＝1；

依此，获得每个号牌的时间运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m。

可以理解，在所述步骤S35b中对每个号牌的时间运行轨迹矩阵R_m、正样本矩阵P_m和负样本矩阵N_m进行归一化处理，以简化数据处理量，以确保高效识别。

可以理解，如图5所示，当步骤S3中采用二维时空轨迹深度学习时，所述步骤S3包括以下步骤：

S31c：选择样本，包括正样本和负样本；

S32c：构建卡口对；

S33c：设定卡口对时间颗粒度；

S34c：继续二维卡口空间矩阵建模；

S35c：进行二维时空运行轨迹矩阵建模；

S36c：归一化处理；及

S37c：利用卷积神经网络进行深度学习以建立智能识别模型。

可以理解，所述步骤S31c与S31a相同，S32c与S32a相同，S33c与S33a相同，S36c与S35a 相同，S37c与S36a相同。

还可以理解，在所述步骤S34c中，根据卡口经纬度数据，将营运区域划分成L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m， SPACE_m[u][v]＝格子编号，卡口所属格子即为卡口所代表的空间位置。

在所述步骤S35c中，对选择的样本进行二维时空运行轨迹矩阵建模，将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的二维矩阵R_m，其列表示天数，列宽Column_width＝T，行表示通行时间，row_height＝24*60/λ，则对R_m进行初始化：

R_m[m][n-1]＝0，m∈(0，24*60/λ)，n∈(1，T)，max(m)*λ＝24*60

根据每个号牌车辆通过第f个卡口的日期，计算其排在(1，T)中的第n天，从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则m＝△t_ft₀/λ-(n-1)*24*60/λ，通过第f个卡口的编号查找卡口空间矩阵SPACE_m，获得对应的空间编号SPACE_m[u][v]，那么：

R_m[△t_ft₀/λ-(n-1)*24*60/λ][n-1]＝SPACE_m[u][v]

依此，获得每个号牌的时空运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m。

可以理解，如图6所示，当步骤S3中采用二维热力图深度学习时，所述步骤S3包括以下步骤：

S31d：选择样本，包括正样本和负样本；

S32d：基于车辆运行轨迹数据形成前景热力图；

S33d：进行二维卡口空间矩阵建模；

S34d：归一化处理；及

S35d：利用卷积神经网络进行深度学习以建立智能识别模型。

可以理解，所述步骤S31d与S31a相同，S34d与S35a相同，S35d与S36a相同。

在所述步骤S32d中，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，将车辆通过卡口的次数以热力图的形式标注在地图上，直到最后一个卡口，然后出掉背景底图，形成前景热力图。

在所述步骤S33d中，对选择的样本进行二维卡口空间矩阵建模，根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，卡口所属格子即为卡口所代表的空间位置，最后，将热力图中相应方块的热力值填入获得卡口空间矩阵SPACE_m[u][v]。依此，获得每个号牌的热力图运行轨迹矩阵R-SPACE_m；同时也获得了正样本矩阵P-SPACE_m和负样本矩阵N-SPACE_m。

如图7所示，当步骤S3中进行深度学习的方式为三维时空轨迹曲线图深度学习，所述步骤S3 具体包括以下步骤：

S31e：选择样本，包括正样本和负样本；

S32e：构建卡口对；

S33e：设定卡口对时间颗粒度；

S34e：三维时间运行轨迹矩阵建模；

S35e：归一化处理；及

S36e：利用卷积神经网络进行深度学习以建立智能识别模型。

可以理解，所述步骤S31e与S31a相同，S32e与S32a相同，S33e与S33a相同，S35e与S35a 相同，S36e与S36a相同。

可以理解，在所述步骤S34e中，对选择的样本进行三维时空轨迹曲线图建模，根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，SPACE_m[u][v]＝格子编号，卡口所属格子即为卡口所代表的空间位置。通道数为一维时间运行轨迹序列最大值，channel＝T*24*60/λ；对三维矩阵进行初始化：

Channel-SPACE_m[u][v][c]＝0，c∈(0，channel)

根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则c＝△t_ft₀/λ，根据***编号直接确定SPACE_m[u][v]，则有：

Channel-SPACE_m[u][v][△t_ft₀/λ]＝SPACE_m[u][v]

若将经过相邻卡口用直接连接，形成一个螺旋上升的三维时空轨迹曲线；

依此，获得每个号牌的三维时空轨迹曲线图R_m；同时也获得了正样本P_m和负样本N_m。

如图8所示，当所述步骤S3中进行深度学习的方式为三维热力图深度学习时，所述步骤S3 具体包括以下步骤：

S31f：选择样本，包括正样本和负样本；

S32f：构建卡口对；

S33f：设定卡口对时间颗粒度；

S34f：进行三维热力图建模；

S35f：归一化处理；及

S36f：利用卷积神经网络进行深度学习以建立智能识别模型。

可以理解，所述步骤S31f与S31a相同，S32f与S32a相同，S33f与S33a相同，S35f与S35a 相同，S36f与S36a相同。

可以理解，在所述步骤S34f中，对选择的样本进行三维热力图建模，根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，卡口所属格子即为卡口所代表的空间位置。通道数为一维时间运行轨迹序列最大值，channel＝T*24*60/λ；对三维矩阵进行初始化：

Channel-SPACE_m[u][v][c]＝0，c∈(0，channel)

将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，将车辆通过卡口的次数以热力图的形式以λ为单位分层绘制或分层累加绘制，这样将获得一个立体分层渐变的热力图，或以λ为单位分层变化的热力图，直到最后一个卡口，然后出掉底图，形成前景热力图。

根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则有c＝△t_ft₀/λ；

将分层热力图中相应方块的热力值填入三维热力图矩阵Channel-SPACE_m[u][v][c]。

依此，获得每个号牌的三维热力图R-SPACE_m；同时也获得了正样本P-SPACE_m和负样本 N-SPACE_m。

可以理解，在所述步骤S3中，依据卷积神经网络的特点，由于获取样本的信息详细程度不同，因此，三维时空轨迹曲线图深度学习、三维热力图深度学习的识别准确率要高于二维时间轨迹深度学习、二维时空轨迹深度学习和二维热力图深度学习的识别准确率，二维时间轨迹深度学习、二维时空轨迹深度学习、二维热力图深度学习的识别准确率要高于一维时间轨迹深度学习的识别准确率。在进行识别时，可以从不同维度同时启用，各种识别结果相互补充，相互佐证，层层排查，从而确保了识别的准确率。

可以理解，在所述步骤S4中，应用智能识别模型对所有样本数据进行识别，获得营运车辆集合A′，非营运车辆集合B′，由于营运车辆中存在非法营运车辆，即非营运车辆参与运营，则： A′>A，B′<B，那么A′-A则为非法营运车辆号牌集合。A∪B≈A′∪B′，当识别率为100％时，有A+B＝A′+B′。A′∩(A′∪B′-A∪B)，此为异地车辆本地非法运行的车辆号牌。本发明可以通过智能识别模型对非法营运车辆进行智能识别，快速、准确地排查出非法营运车辆。

可以理解，在所述步骤S5中，基于步骤S4中的识别结果来获得非法营运车辆的车辆号牌，并从执法视频数据库中对应调取违法运营的视频证据或图片证据，或者直接通过执法点现场的摄像机获取违法运营的视频证据或图片证据。

本发明的非法营运车辆的识别方法，通过对车辆运行轨迹数据进行多维度分别建模，利用卷积神经网络进行学习和训练，获得各维度模型下的智能识别模型，获取相应模型下的非法营运车辆集合，相互补充，相互佐证，确保识别的精度，尤其是结合视频数据采集，有力提高查扣非法营运车辆的合法性和效率，美化车辆营运环境，保障人民生命和财产安全。同时，采用卷积神经网络，避免了显式的特征抽取和阈值设置中引入的误差，而隐式地从训练数据中进行学习；卷积神经网络在图像处理方面有着独特的优越性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

如图9所示，本发明的另一实施例还提供一种非法营运车辆的识别***，可以实现对非法营运车辆进行高效、精准的识别，其优选适用于如上所述的非法营运车辆的识别方法。所述非法营运车辆的识别***包括用于采集车辆数据以建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库的数据采集模块12、用于对采集的车辆数据进行清洗的数据清洗模块13、控制器14 和用于基于清洗后的车辆运行轨迹数据库进行深度学习以建立智能识别模型并利用该智能识别模型对所有车辆进行识别的深度学习模块15，数据采集模块12、数据清洗模块13、深度学习模块 15均与控制器14连接，数据清洗模块13还与数据采集模块12连接。

可以理解，作为优选的，所述非法营运车辆的识别***还包括卡口采集器11，所述卡口采集器11与数据采集模块12连接，所述数据采集模块12通过卡口采集器11来获取车辆卡口数据以建立车辆运行轨迹数据库。

作为优选的，所述非法营运车辆的识别***还包括用于采集执法点的视频摄像数据的视频采集装置17，视频采集装置17与数据采集模块12连接，所述数据采集模块12通过视频采集装置 17来获取执法点的视频摄像数据以建立执法视频数据库。可以理解，所述视频采集装置17为摄像机。

如图10所示，所述数据采集模块12包括用于采集车辆号牌数据以建立车辆号牌数据库的号牌采集单元121、用于采集车辆卡口数据以建立车辆运行轨迹数据库的卡口数据采集单元122和用于采集卡口的地理位置数据以建立卡口经纬度数据库的卡口经纬度采集单元123；号牌采集单元 121、卡口数据采集单元122和卡口经纬度采集单元123均与控制器14连接。所述号牌采集单元 121可以从交通车管数据***中获取车辆号牌数据，所述车辆号牌数据至少包括车辆号牌、车辆类型、营运类型等，并以获得的车辆号牌数据为基础建立车辆号牌数据库。所述卡口数据采集单元 122可以从交通卡口数据***中获取车辆卡口数据，或者所述卡口数据采集单元122与卡口采集器 11连接，直接通过卡口采集器11获取车辆卡口数据，所述车辆卡口数据至少包括车辆号牌、卡口编号、经过时间和卡口照片等，并以获得的车辆卡口数据为基础建立车辆运行轨迹数据库。所述卡口经纬度采集单元123可以从交通卡口数据***中获取每个卡口的地理位置数据，所述卡口地理位置数据至少包括卡口编号、卡口所属位置区域、和卡口经纬度等，并以获得的车辆卡口数据为基础建立卡口经纬度数据库。作为优选的，所述数据采集模块12还包括用于采集执法点的视频摄像数据以建立执法视频数据库的视频数据采集单元124，视频数据采集单元124与控制器14和视频采集装置17连接。作为优选的，所述数据采集模块12还包括用于对非卡口数据进行采集以对车辆运行轨迹数据库中的数据量进行补充的非卡口数据采集单元125，非卡口数据采集单元125 与控制器14连接。

如图11所示，所述数据清洗模块13包括用于对车辆运行轨迹数据库中时间错乱、重复的数据进行清洗的数据清洗单元131、用于选择需要进行识别的非法车辆类型，根据被识别非法车辆类型提取相应类型车辆的车辆运行轨迹数据并根据车辆营运类别获取合法营运车辆号牌集合和非营运车辆号牌集合的数据选择单元132和用于对提取的车辆运行轨迹数据进行分类探索性分析以清除掉严重失真数据的数据截断单元133，数据清洗单元131、数据选择单元132和数据截断单元133 均与控制器14连接。可以理解，所述数据选择单元132还与数据清洗单元131和数据截断单元133 连接。

可以理解，所述数据清洗模块13对时间错乱、重复的数据进行清洗，确保采集到的车辆卡口数据的准确性。所述数据选择单元132选择需要进行识别的非法运营车辆类型，例如仅选择轿车，从而可以提取出所有轿车的车辆运行轨迹数据，而将面包车、商务车和客车等其它类型车辆的运行轨迹数据隐藏起来，并根据车辆营运类别获取合法营运车辆号牌集合A和非营运车辆号牌集合 B。作为优选的，为了对合法营运车辆自我克隆套牌来进行非法营运的行为，可以通过数据选择单元132将合法营运车辆轨迹数据库随机配对，同一号牌车辆轨迹数据翻倍，从而专门用于识别克隆性非法营运车辆。还可以理解，作为进一步优选的，根据非法营运车辆营运时段周期性强的特点，有的在节假日，有的在早高峰、晚高峰、夜间，通过数据选择单元132相应地在抽取车辆运行轨迹数据时仅抽取特定时段，以识别择时段非法营运的车辆。所述数据截断单元133可以对数据选择单元132提取的车辆运行轨迹数据进行分类探索性分析，进行分类探索性分析所需要的卡口数据至少包括：统计日均过卡口数、时均过卡口数、平均过卡口数、工作日与周末平均过卡口数，并应用正态分布模型，截取u±3σ内数据，以清洗掉严重失真数据，也可根据统计特征值，直接选择一定百分比范围内的车辆运行轨迹数据，以清洗掉严重失真数据。本发明通过对提取的车辆运行轨迹数据进行分类探索性分析，可以清楚掉严重失真的数据，进一步确保了识别的准确性。

如图12所示，所述深度学习模块15包括用于从清洗后的车辆运行轨迹数据库中选择样本的样本选择单元151、用于对样本进行建模处理的数据建模单元152、用于利用卷积神经网络对建模后的样本进行深度学习以建立智能识别模型的深度学习单元153和用于利用智能识别模型识别出非法营运车辆的识别单元154，样本选择单元151、数据建模单元152、深度学习单元153和识别单元154均与控制器14连接。可以理解，所述数据建模单元152分别与样本选择单元151和深度学习单元153连接，所述深度学习单元153和识别单元154连接。可以理解，所述深度学习单元 153中进行深度学习的方式有一维时间轨迹深度学习、二维时间轨迹深度学习、二维时空轨迹深度学习、二维热力图深度学习、三维时空轨迹曲线图深度学习和三维热力图深度学习。所述深度学习单元153中包含的卷积神经网络的结构为4个Conv2d卷积层、4个max-pooling池化层、2 个Dense全连接层和输出层。优选的，所述深度学习单元153采用softmax分类器对卷积神经网络学习到的特征进行分类以得到智能识别模型。

作为优选的，所述非法营运车辆的识别***还包括用于基于识别结果调取对应的违法运营视频证据或图片证据的证据采集模块16，证据采集模块16与控制器14和数据采集模块12连接。在深度学习模块15识别出非法营运车辆后反馈信息给控制器14，控制器14接收到该反馈信息后控制证据采集模块16执行证据收集指令，证据采集模块16从数据采集模块12的车辆号牌数据库中提取出非法营运车辆的号牌，并从执法视频数据库中对应地调取该非法营运车辆进行非法营运的视频证据和/或图片证据，在收集完证据之后再发送告警信息至控制器14。可以理解，作为一种变形，所述证据采集模块16也可以与视频采集装置17连接，直接通过视频采集装置17收集违法营运的视频证据和/或图片证据。

所述控制器14可以通过发送采集数据指令给数据采集模块12以控制数据采集模块12进行车辆数据采集，数据采集模块12采集完毕后发送完成信息反馈给控制器14，并等待控制器14下一次的数据采集指令。控制器14接收到数据采集模块12反馈的采集完成反馈信息后发送数据清洗指令给数据清洗模块13以控制数据清洗模块13对数据采集模块12采集到的车辆数据进行清洗。数据清洗模块13清洗完毕后发送完成信息反馈给控制器14并等待控制器14下一次的数据清洗指令，控制器14接收到该反馈信息发送深度学习指令给深度学习模块15，深度学习模块15执行深度学习指令以对非法营运车辆进行识别，识别完成之后发送完成信息反馈至控制器14并等待控制器14下一次的深度学习指令。控制器14接收到深度学习模块15反馈的信息后发送证据收集指令给证据收集模块16，证据收集模块16执行证据收集指令并从数据采集模块12的车辆号牌数据库中提取出非法营运车辆的号牌和从执法视频数据库中对应地调取该非法营运车辆进行非法营运的视频证据和/或图片证据，证据收集完成之后，证据收集模块16发送告警信息给控制器14。

本发明的非法营运车辆的识别***，通过对车辆运行轨迹数据进行多维度分别建模，利用卷积神经网络进行学习和训练，获得各维度模型下的智能识别模型，获取相应模型下的非法营运车辆集合，相互补充，相互佐证，确保识别的精度，尤其是结合视频数据采集，有力提高查扣非法营运车辆的合法性和效率，美化车辆营运环境，保障人民生命和财产安全。同时，采用卷积神经网络，避免了显式的特征抽取和阈值设置中引入的误差，而隐式地从训练数据中进行学习；卷积神经网络在图像处理方面有着独特的优越性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

本发明的另一实施例还提供一种计算机可读的存储介质，其用于存储进行非法营运车辆识别的计算机程序，该计算机程序在计算机上运行时执行以下步骤：

S1：采集车辆数据以建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库；

S2：对采集的车辆数据进行清洗；

S3：基于清洗后的车辆数据进行深度学习并建立智能识别模型；及

S4：利用智能识别模型对所有车辆进行识别。

一般计算机可读取介质的形式包括：软盘(floppy disk)、可挠性盘片(flexibledisk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punchcards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (20)

1.一种非法营运车辆的识别方法，其特征在于：

其包括以下步骤：

S1：采集车辆数据以建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库；

S2：对采集的车辆数据进行清洗；

S3：基于清洗后的车辆数据进行深度学习并建立智能识别模型；及

S4：利用智能识别模型对所有车辆进行识别。

2.如权利要求1所述的非法营运车辆的识别方法，其特征在于：

步骤S2进一步包括以下步骤：

S21：对车辆运行轨迹数据库中时间错乱和重复的数据进行清洗；

S22：选择需要进行识别的非法运营车辆类型，根据被识别非法运营车辆类型提取相应类型车辆的车辆运行轨迹数据，并根据车辆营运类别获取合法营运车辆号牌集合和非营运车辆号牌集合；及

S23：对提取的车辆运行轨迹数据进行分类探索性分析以清除掉严重失真数据。

3.如权利要求1所述的非法营运车辆的识别方法，其特征在于：

步骤S3中进行深度学习的方式为一维时间轨迹深度学习、二维时间轨迹深度学习、二维时空轨迹深度学习、二维热力图深度学习、三维时空轨迹曲线图深度学习和三维热力图深度学习中的一种或多种。

4.如权利要求3所述的非法营运车辆的识别方法，其特征在于：

步骤S3中进行深度学习的方式为一维时间轨迹深度学习，步骤S3具体包括以下步骤：

S31a：选择样本，包括正样本和负样本；

S32a：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：kiki+1，经过相邻卡口的时间△ti+1＝ti+1-ti，构建车辆卡口对通行时间数据，格式如下：

车牌号码 卡口对k_ik_i+1 通行时间△t_i+1

；

S33a：设定卡口对通行时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，求△t落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，λ∈t；

S34a：进行一维时间运行轨迹矩阵建模；

S35a：归一化处理；及

S36a：利用卷积神经网络进行深度学习以建立智能识别模型。

5.如权利要求4所述的非法营运车辆的识别方法，其特征在于：

步骤S34a具体为：

将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的一维矩阵R_m，取一维时间运行轨迹的长度length＝T*24*60/λ，T表示选择的样本的日期范围天数，λ表示卡口对通行时间颗粒度，j*λ表示j个时间片段的总时间，若第j个片段内某车辆出现在某个卡口，则：

R_m[j]＝1，否则，R_m[j]＝0，

首先，对R_m进行初始化，R_m[j]＝0，j∈(0，length)

然后，根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，那么：

R_m[△t_ft₀/λ]＝1

依此，获得每个号牌的时间运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m。

6.如权利要求3所述的非法营运车辆的识别方法，其特征在于：

步骤S3中进行深度学习的方式为二维时间轨迹深度学习，步骤S3具体包括以下步骤：

S31b：选择样本，包括正样本和负样本；

S32b：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：kiki+1，经过相邻卡口的时间△ti+1＝ti+1-ti，构建车辆卡口对通行时间数据，格式如下：

车牌号码 卡口对k_ik_i+1 通行时间△t_i+1

；

S33b：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34b：进行二维时间运行轨迹矩阵建模；

S35b：归一化处理；及

S36b：利用卷积神经网络进行深度学习以建立智能识别模型。

7.如权利要求6所述的非法营运车辆的识别方法，其特征在于：

步骤S34b具体为

将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的二维矩阵R_m，其列表示天数，列宽Column_width＝T，T为日期范围，行表示通行时间，row_height＝24*60/λ，λ表示卡口对通行时间颗粒度，则对R_m进行初始化：

R_m[m][n-1]＝0，m∈(0，24*60/λ)，n∈(1，T)，max(m)*λ＝24*60

根据每个号牌车辆通过第f个卡口的日期，计算其排在(1，T)中的第n天，从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则m＝△t_ft₀/λ-(n-1)*24*60/λ，那么：

R_m[△t_ft₀/λ-(n-1)*24*60/λ][n-1]＝1

依此，获得每个号牌的时间运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m。

8.如权利要求3所述的非法营运车辆的识别方法，其特征在于：

步骤S3中进行深度学习的方式为二维时空轨迹深度学习，步骤S3具体包括以下步骤：

S31c：选择样本，包括正样本和负样本；

S32c：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：kiki+1，经过相邻卡口的时间△ti+1＝ti+1-ti，构建车辆卡口对通行时间数据，格式如下

车牌号码 卡口对k_ik_i+1 通行时间△t_i+1

；

S33c：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34c：进行二维卡口空间矩阵建模；

S35c：进行二维时空运行轨迹矩阵建模；

S36c：归一化处理；及

S37c：利用卷积神经网络进行深度学习以建立智能识别模型。

9.如权利要求8所述的非法营运车辆的识别方法，其特征在于：

步骤S34c具体为

根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，SPACE_m[u][v]＝格子编号，卡口所属格子即为卡口所代表的空间位置。

10.如权利要求9所述的非法营运车辆的识别方法，其特征在于：

步骤S35c具体为

将每个号牌车辆的时间运行轨迹处理成卷积神经网络所需的二维矩阵R_m，其列表示天数，列宽Column_width＝T，T为日期范围，行表示通行时间，row_height＝24*60/λ，λ表示卡口对通行时间颗粒度，则对R_m进行初始化：

R_m[m][n-1]＝0，m∈(0，24*60/λ)，n∈(1，T)，max(m)*λ＝24*60；

根据每个号牌车辆通过第f个卡口的日期，计算其排在(1，T)中的第n天，从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则m＝△t_ft₀/λ-(n-1)*24*60/λ，通过第f个卡口的编号查找卡口空间矩阵SPACE_m，获得对应的空间编号SPACE_m[u][v]，那么：

R_m[△t_ft₀/λ-(n-1)*24*60/λ][n-1]＝SPACE_m[u][v]；

依此，获得每个号牌的时空运行轨迹矩阵R_m；同时也获得了正样本矩阵P_m和负样本矩阵N_m。

11.如权利要求3所述的非法营运车辆的识别方法，其特征在于：

步骤S3中进行深度学习的方式为二维热力图深度学习，步骤S3具体包括以下步骤：

S31d：选择样本，包括正样本和负样本；

S32d：基于车辆运行轨迹数据形成前景热力图，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，将车辆通过卡口的次数以热力图的形式标注在地图上，直到最后一个卡口，然后出掉背景底图，形成前景热力图；

S33d：进行二维卡口空间矩阵建模；

S34d：归一化处理；及

S35d：利用卷积神经网络进行深度学习以建立智能识别模型。

12.如权利要求11所述的非法营运车辆的识别方法，其特征在于：

步骤S33d具体为

根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，卡口所属格子即为卡口所代表的空间位置，最后，将热力图中相应方块的热力值填入获得卡口空间矩阵SPACE_m[u][v]，依此，获得每个号牌的热力图运行轨迹矩阵R-SPACE_m；同时也获得了正样本矩阵P-SPACE_m和负样本矩阵N-SPACE_m。

13.如权利要求3所述的非法营运车辆的识别方法，其特征在于：

步骤S3中进行深度学习的方式为三维时空轨迹曲线图深度学习，步骤S3具体包括以下步骤：

S31e：选择样本，包括正样本和负样本；

S32e：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：kiki+1，经过相邻卡口的时间△ti+1＝ti+1-ti，构建车辆卡口对通行时间数据，格式如下：

车牌号码 卡口对k_ik_i+1 通行时间△t_i+1

；

S33e：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34e：进行三维时间运行轨迹矩阵建模；

S35e：归一化处理；及

S36e：利用卷积神经网络进行深度学习以建立智能识别模型。

14.如权利要求3所述的非法营运车辆的识别方法，其特征在于：

步骤S34e具体为

根据卡口经纬度数据，将营运区域划分成边长L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，SPACE_m[u][v]＝格子编号，卡口所属格子即为卡口所代表的空间位置，通道数为一维时间运行轨迹序列最大值，channel＝T*24*60/λ，λ表示卡口对通行时间颗粒度，T表示选择的样本的天数；对三维矩阵进行初始化：

Channel-SPACE_m[u][v][c]＝0，c∈(0，channel)；

根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则c＝△t_ft₀/λ，根据***编号直接确定SPACE_m[u][v]，则有：

Channel-SPACE_m[u][v][△t_ft₀/λ]＝SPACE_m[u][v]；

若将经过相邻卡口用直接连接，形成一个螺旋上升的三维时空轨迹曲线；

依此，获得每个号牌的三维时空轨迹曲线图R_m；同时也获得了正样本P_m和负样本N_m。

15.如权利要求3所述的非法营运车辆的识别方法，其特征在于：

步骤S3中进行深度学习的方式为三维热力图深度学习，步骤S3具体包括以下步骤：

S31f：选择样本，包括正样本和负样本；

S32f：构建卡口对，将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，获得每个号牌的卡口轨迹序列，将序列从i＝1开始编号，则有相邻通过的卡口组成卡口对：kiki+1，经过相邻卡口的时间△ti+1＝ti+1-ti，构建车辆卡口对通行时间数据，格式如下：

车牌号码 卡口对k_ik_i+1 通行时间△t_i+1

；

S33f：设定卡口对时间颗粒度，剔除夜间休息、歇业的超长△t，应用正态分布，获取△t落在u±3σ内的区间t，区间t也同为卡口对通行时间颗粒度的取值区间，设定卡口对通行时间颗粒度为λ，λ为一个时间片段，则λ∈t；

S34f：进行三维热力图建模；

S35f：归一化处理；及

S36f：利用卷积神经网络进行深度学习以建立智能识别模型。

16.如权利要求15所述的非法营运车辆的识别方法，其特征在于：

步骤S34f具体为

根据卡口经纬度数据，将营运区域划分成L尺寸大小的正方形格子，依据经纬度方向的方格数，卡口编号，对每个格子进行编号，获得卡口空间矩阵SPACE_m，卡口所属格子即为卡口所代表的空间位置，通道数为一维时间运行轨迹序列最大值，channel＝T*24*60/λ，λ表示卡口对通行时间颗粒度，T表示选择的样本的天数；对三维矩阵进行初始化：

Channel-SPACE_m[u][v][c]＝0，c∈(0，channel)；

将车辆运行轨迹数据按车辆号牌和时间先后顺序排序，将车辆通过卡口的次数以热力图的形式以λ为单位分层绘制或分层累加绘制，这样将获得一个立体分层渐变的热力图，或以λ为单位分层变化的热力图，直到最后一个卡口，然后出掉底图，形成前景热力图；

将分层热力图中相应方块的热力值填入三维热力图矩阵Channel-SPACE_m[u][v][c]；

根据每个号牌车辆通过第f个卡口的时间计算其从样本选择的开始时间t₀到第f个卡口所用时间△t_ft₀＝t_f-t₀，则有c＝△t_ft₀/λ；

依此，获得每个号牌的三维热力图R-SPACE_m；同时也获得了正样本P-SPACE_m和负样本N-SPACE_m。

17.如权利要求2所述的非法营运车辆的识别方法，其特征在于：

步骤S22中可抽取特定时段的车辆运行轨迹数据，以针对性识别择时段非法营运的车辆。

18.如权利要求1所述的非法营运车辆的识别方法，其特征在于：

步骤S1中还包括获取执法点的视频摄像数据以建立执法视频数据库；

非法营运车辆的识别方法还包括以下步骤：

S5：基于识别结果获得非法营运车辆号牌，并从执法视频数据库中对应调取违法运营的视频证据或图片证据。

19.一种非法营运车辆的识别***，其特征在于：

该识别***包括

数据采集模块(12)，用于采集车辆数据以建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库；

数据清洗模块(13)，用于对采集的车辆数据进行清洗；

深度学习模块(15)，用于基于清洗后的车辆运行轨迹数据库进行深度学习以建立智能识别模型并利用该智能识别模型对所有车辆进行识别。

20.一种计算机可读的存储介质，其用于存储进行非法营运车辆识别的计算机程序，其特征在于：该计算机程序在计算机上运行时执行以下步骤：

S1：采集车辆数据以建立车辆号牌数据库、车辆运行轨迹数据库和卡口经纬度数据库；

S2：对采集的车辆数据进行清洗；

S3：基于清洗后的车辆数据进行深度学习并建立智能识别模型；及

S4：利用智能识别模型对所有车辆进行识别。