CN115481812B - 一种基于隐马尔科夫模型的绿通车混装预测方法 - Google Patents
一种基于隐马尔科夫模型的绿通车混装预测方法 Download PDFInfo
- Publication number
- CN115481812B CN115481812B CN202211216039.8A CN202211216039A CN115481812B CN 115481812 B CN115481812 B CN 115481812B CN 202211216039 A CN202211216039 A CN 202211216039A CN 115481812 B CN115481812 B CN 115481812B
- Authority
- CN
- China
- Prior art keywords
- hidden markov
- markov model
- state
- hidden
- observation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 230000007704 transition Effects 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims 1
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明涉及高速公路电子收费技术领域，更具体地涉及一种基于隐马尔科夫模型的绿通车混装预测方法，包括步骤S1，提取绿通车所有历史通行记录；步骤S2，根据通行记录时间顺序、出入口收费站、是否缴费、是否为绿通车的信息合并构建隐马尔科夫链；步骤S3，通过历史通行记录计算各出入口收费站的进出概率；步骤S4，结合通行记录中逃费历史对隐马尔科夫链进行观测标记；步骤S5，计算出入口的状态转移概率与观测概率矩阵；步骤S6，根据各出入口收费站的进出概率、出入口的状态转移概率与观测概率矩阵生成马尔科夫模型，利用马尔科夫模型对车辆当次行程是否逃费进行预测，本发明公开的基于隐马尔科夫模型的绿通车混装方法能预测该车为混装绿通车的概率。
Description
技术领域
本发明涉及高速公路电子收费技术领域，更具体地，涉及一种基于隐马尔科夫模型的绿通车混装预测方法。
背景技术
由于国家政策原因对绿通车实施政策性高速公路通行费的减免，有不少绿通车通过混装非绿通名单农产品实现牟利和逃费，部分收费站查验人员可能因工作量过大、业务熟悉程度不足等原因，存在未检出混装农产品假冒绿通车的情况。
隐马尔科夫模型是关于时序的概率模型，描述由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测从而产生观测随机序列的过程，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。
隐藏的马尔可夫链随机生成的状态的序列，称为状态序列；每个状态生成一个观测，而由此产生的观测的随机序列，称为观测序列；序列的每一个位置又可以看作是一个时刻。
因此，提出一种解决上述问题的基于隐马尔科夫模型的绿通车混装预测方法实为必要。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种基于隐马尔科夫模型的绿通车混装预测方法。
为解决上述技术问题，本发明的技术方案如下：一种基于隐马尔科夫模型的绿通车混装预测方法包括以下步骤：
步骤S1，提取绿通车所有历史通行记录；
步骤S2，根据通行记录时间顺序、出入口收费站、是否缴费、是否为绿通车的信息合并构建隐马尔科夫链；
步骤S3，通过历史通行记录计算各出入口收费站的进出概率；
步骤S4，结合通行记录中逃费历史对隐马尔科夫链进行观测标记；
步骤S5，计算出入口的状态转移概率与观测概率矩阵；
步骤S6，根据各出入口收费站的进出概率、出入口的状态转移概率与观测概率矩阵生成马尔科夫模型，利用马尔科夫模型对车辆当次行程是否逃费进行预测。
进一步的，所述步骤S1中，绿通车所有历史通行记录为车辆与入口收费站交互记录以及车辆出口绿通核查记录的数据。
更进一步的，所述步骤S2中，使用绿通车通行记录、缴费记录、核查记录作为基础构建马尔科夫链，其中，
隐马尔科夫链中所有的隐含状态构成状态集合为Q＝(q1,q2,q3,...,qn)，状态个数为N，所有可能的观测构成的集合为V＝(v1,v2,v3,...,vn)，观测个数为M，经过一段时间T之后，生成长度为T的状态序列I＝(i1,i2,i3,...,iT)，以及对应的观测序列O＝(o1,o2,o3,...oT)。
进一步的，所述步骤S2中，推动隐马尔科夫模型λ随着时间不断运行的是状态转移矩阵A、观测概率矩阵B和初始隐含状态概率向量π，λ＝(A,B,π)；
其中，初始概率向量π＝(π1,π2,π3,...,πN)，其中πi表示的就是隐含状态序列中第i个状态为qi的概率，即πi＝P(ii＝qi)，状态转移概率矩阵A本质上就是一个马尔科夫链的转移概率矩阵，所有的可能的隐含状态个数为N，因此矩阵A为一个N×N的矩阵：
并且按照马尔科夫状态转移概率的定义：aij表示从隐含状态i转移到隐含状态j的概率，即aij＝P(it+1＝qj|it＝qi)，其中，i＝1,2,...,N，j＝1，2，...,M；
而观测概率矩阵B是一个N×M的矩阵：
其中bij指的是在某时刻t，隐含状态为qi的情况下，对应生成观测vj的概率，即：bij＝P(ot＝vj|it＝qi)，其中，i＝1,2,...,N，j＝1，2，...,M。
更进一步的，步骤S4中，对隐马尔科夫链进行观测标记，标记出已知的不合规绿通车行程。
进一步的，所述步骤S5中计算马尔科夫链的状态转移概率以及观测概率矩阵。
更进一步的，所述步骤S6中，在t时刻隐状态若只与前一时刻隐状态相关，利用马尔科夫模型对车辆当次行程是否逃费进行预测，P(it|it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ii|ii-1)，其中，t＝1,2,...,T。
进一步的，所述步骤S6中，t时刻的观测若只与该时刻的隐状态相关，利用马尔科夫模型对车辆当次行程是否逃费进行预测，所述P(ot|it,it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ot|it)，其中，t＝1,2,...,T。
与现有技术相比，本发明技术方案的有益效果是：
本发明公开的基于隐马尔科夫模型的绿通车混装预测方法，由于是基于绿通车连续行驶的出入口特征与历史混装非绿通标记，建立隐马尔科夫模型，预测该车为混装绿通车的概率，并且充分考虑了各出入口收费站的进出概率的隐状态，结合通行记录中逃费历史，数据全面，相较通过单一样本特征构建的模型，本发明创建的隐马尔科夫模型预测结果更为精准。
具体实施方式
示例仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，示例某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，示例中某些公知结构及其说明可能省略是可以理解的。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接连接，可以说两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明的具体含义。下面结合示和实施例对本发明的技术方案做进一步的说明。
在本发明中，公开了一种基于隐马尔科夫模型的绿通车混装预测方法，具体包括以下步骤：
步骤S1，提取绿通车所有历史通行记录；
步骤S2，根据通行记录时间顺序、出入口收费站、是否缴费、是否为绿通车的信息合并构建隐马尔科夫链；
步骤S3，通过历史通行记录计算各出入口收费站的进出概率；
步骤S4，结合通行记录中逃费历史对隐马尔科夫链进行观测标记；
步骤S5，计算出入口的状态转移概率与观测概率矩阵；
步骤S6，根据各出入口收费站的进出概率、出入口的状态转移概率与观测概率矩阵生成马尔科夫模型，利用马尔科夫模型对车辆当次行程是否逃费进行预测。
进一步的，所述步骤S1中，绿通车所有历史通行记录为车辆与入口收费站交互记录以及车辆出口绿通核查记录的数据。
更进一步的，所述步骤S2中，使用绿通车通行记录、缴费记录、核查记录作为基础构建马尔科夫链，其中，
隐马尔科夫链中所有的隐含状态构成状态集合为Q＝(q1,q2,q3,...,qn)，状态个数为N，所有可能的观测构成的集合为V＝(v1,v2,v3,...,vn)，观测个数为M，经过一段时间T之后，生成长度为T的状态序列I＝(i1,i2,i3,...,iT)，以及对应的观测序列O＝(o1,o2,o3,...oT)。
进一步的，所述步骤S2中，推动隐马尔科夫模型λ随着时间不断运行的是状态转移矩阵A、观测概率矩阵B和初始隐含状态概率向量π，λ＝(A,B,π)；
其中，初始概率向量π＝(π1,π2,π3,...,πN)，其中πi表示的就是隐含状态序列中第i个状态为qi的概率，即πi＝P(ii＝qi)，状态转移概率矩阵A本质上就是一个马尔科夫链的转移概率矩阵，所有的可能的隐含状态个数为N，因此矩阵A为一个N×N的矩阵：
并且按照马尔科夫状态转移概率的定义：aij表示从隐含状态i转移到隐含状态j的概率，即aij＝P(it+1＝qj|it＝qi)，其中，i＝1,2,...,N，j＝1，2，...,M；
而观测概率矩阵B是一个N×M的矩阵：
其中bij指的是在某时刻t，隐含状态为qi的情况下，对应生成观测vj的概率，即：bij＝P(ot＝vj|it＝qi)，其中，i＝1,2,...,N，j＝1，2，...,M。
更进一步的，步骤S4中，对隐马尔科夫链进行观测标记，标记出已知的不合规绿通车行程。
进一步的，所述步骤S5中计算马尔科夫链的状态转移概率以及观测概率矩阵。
更进一步的，所述步骤S6中，在t时刻隐状态若只与前一时刻隐状态相关，利用马尔科夫模型对车辆当次行程是否逃费进行预测，P(it|it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ii|ii-1)，其中，t＝1,2,...,T。
进一步的，所述步骤S6中，t时刻的观测若只与该时刻的隐状态相关，利用马尔科夫模型对车辆当次行程是否逃费进行预测，所述P(ot|it,it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ot|it)，其中，t＝1,2,...,T。
实施例
在本实施例中，若该绿通车实际目的地为C点，从A点收费站进入高速，由于C点收费站对绿通车的核查严格，该车在过去历史通行记录中存在被核查为不合格绿通车(混装、货物为非绿通货品、没有达到容积标准等)。导致该车于离C点收费站较近的B点(该点对绿通车核查较为宽松)以绿通车的形式驶出收费站，随后在短时间内再以普通货车形式从B点收费站(或B点附近入口)进入高速，到达C点再以普通货车正常缴费离开高速。这种情况的实际逃费路程为从A点至B点的路程。
该逃费模式中，目标车辆在数据上表现层面为多次驶入驶出收费站，其中在短时间内以绿通车、非绿通车的形式进出收费站，在数据层面上表现为：(1)多次驶入驶出高速；(2)进出点收费站离最终目的地较近。对此，该逃费模式的逃费状态依赖于上一躺车次的缴费状态，满足马尔科夫性，可以使用马尔科夫链进行建模描述。
下面对本实施例使用马尔科夫模型进行绿通车混装预测进一步说明：
(1)t时刻隐状态只与前一时刻隐状态相关
在建立隐马尔科夫模型的三要素中，状态转移概率矩阵A和初始状态概率向量π就完全确定了隐藏的马尔科夫链，并且这个隐含状态的马尔科夫链是满足马尔可夫性的，隐藏状态的马尔科夫链在任意t时刻的隐含状态仅仅只依赖于前一时刻的隐含状态，而与更早的隐含状态无关，当然更与观测无关。在本实施例中所针对的逃费模式表现为，从B点以绿通车的形式驶出高速后再次以普通货车的形式再次进入高速并在C点正常缴费驶出高速。
用条件概率的表达式表述如下：
P(it|it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ii|ii-1)，其中，t＝1,2,...,T。
(2)t时刻的观测只与该时刻的隐状态相关
隐马尔科夫模型在确定了隐藏的状态序列之后，隐藏状态序列将和观测概率矩阵B一起共同确定观测序列的生成。任意时刻的观测只依赖于该时刻隐马尔科夫链的隐藏状态，与其他时刻的隐藏状态和观测无关。在本实施例所针对的逃费模式表现为，在B点以绿通车驶出时无需缴费(假冒绿通车逃费状态)，在C点以普通货车缴费驶出(正常无逃费状态)。
用条件概率的表达式表述如下：
P(ot|it,it-1,ot-1,it-2,ot-2,...,i1,o1)＝P(ot|it)，其中，t＝1,2,...,T。
在本发明中，描述位置关系仅用于示例性说明，不能理解为对本专利的限制；显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：包括以下步骤：
步骤S1，提取绿通车所有历史通行记录；
步骤S2，根据历史通行记录时间顺序、出入口收费站、是否缴费、是否为绿通车的信息合并构建隐马尔科夫链；
步骤S3，通过历史通行记录计算各出入口收费站的进出概率；
步骤S4，结合历史通行记录中逃费历史对隐马尔科夫链进行观测标记；
步骤S5，计算出入口的状态转移概率矩阵A与观测概率矩阵B；
步骤S6，根据各出入口收费站的进出概率、出入口的状态转移概率矩阵A与观测概率矩阵B生成隐马尔科夫模型，利用隐马尔科夫模型对车辆当次行程是否逃费进行预测；
所述步骤S2中，使用绿通车历史通行记录、缴费记录、核查记录作为基础构建隐马尔科夫链，其中，
隐马尔科夫链中所有的隐含状态构成状态集合为，状态个数为，所有的观测构成的集合为/>，观测个数为/>，经过一段时间/>之后，生成长度为/>的隐含状态序列/>，以及对应的观测序列；
所述步骤S2中，推动隐马尔科夫模型随着时间不断运行的是状态转移概率矩阵/>、观测概率矩阵/>和初始隐含状态概率向量/>，/>；其中，初始隐含状态概率向量/>，其中/>表示的就是隐含状态序列中第/>个状态为/>的概率，即/>，状态转移概率矩阵/>本质上就是一个隐马尔科夫链的转移概率矩阵，所有的隐含状态个数为/>，因此状态转移概率矩阵/>为一个/>的矩阵：并且按照隐马尔科夫状态转移概率的定义：/>表示从隐含状态/>转移到隐含状态/>的概率，即/>，其中，/>，；而观测概率矩阵/>是一个/>的矩阵：/>其中/>指的是在某时刻/>，隐含状态为/>的情况下，对应生成观测/>的概率，即：，其中，/>。
2.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：所述步骤S1中，绿通车所有历史通行记录为车辆与入口收费站交互记录以及车辆出口绿通核查记录的数据。
3.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：所述步骤S4中，对隐马尔科夫链进行观测标记，标记出已知的不合规绿通车行程。
4.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：所述步骤S6中，在时刻隐状态若只与前一时刻隐状态相关，则利用隐马尔科夫模型对车辆当次行程是否逃费进行预测，/>，其中，。
5.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法，其特征在于：所述步骤S6中，时刻的观测若只与该时刻的隐状态相关，则利用隐马尔科夫模型对车辆当次行程是否逃费进行预测，/>，其中，。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211216039.8A CN115481812B (zh) | 2022-09-30 | 2022-09-30 | 一种基于隐马尔科夫模型的绿通车混装预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211216039.8A CN115481812B (zh) | 2022-09-30 | 2022-09-30 | 一种基于隐马尔科夫模型的绿通车混装预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115481812A CN115481812A (zh) | 2022-12-16 |
| CN115481812B true CN115481812B (zh) | 2023-09-08 |
Family
ID=84394602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211216039.8A Active CN115481812B (zh) | 2022-09-30 | 2022-09-30 | 一种基于隐马尔科夫模型的绿通车混装预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115481812B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116129541B (zh) * | 2022-12-28 | 2024-03-01 | 广州天长信息技术有限公司 | 一种基于广义加性模型的逃费稽查方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563801A (zh) * | 2017-08-23 | 2018-01-09 | 浙江大学城市学院 | 一种基于隐马尔可夫模型的消费者线下消费行为预测方法 |
| CN108346284A (zh) * | 2018-01-29 | 2018-07-31 | 河海大学 | 一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法 |
| CN108806003A (zh) * | 2018-05-25 | 2018-11-13 | 西南交通大学 | 一种基于机器学习的收费公路绿通车检测方法 |
| CN114841843A (zh) * | 2022-04-15 | 2022-08-02 | 广州天长信息技术有限公司 | 一种分析可疑绿通车的方法和*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9110817B2 (en) * | 2011-03-24 | 2015-08-18 | Sony Corporation | Method for creating a markov process that generates sequences |
| CN111126611B (zh) * | 2019-12-09 | 2023-04-18 | 南京师范大学 | 一种顾及目的地选择的高速通行流量分布模拟量子计算方法 |
-
2022
- 2022-09-30 CN CN202211216039.8A patent/CN115481812B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563801A (zh) * | 2017-08-23 | 2018-01-09 | 浙江大学城市学院 | 一种基于隐马尔可夫模型的消费者线下消费行为预测方法 |
| CN108346284A (zh) * | 2018-01-29 | 2018-07-31 | 河海大学 | 一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法 |
| CN108806003A (zh) * | 2018-05-25 | 2018-11-13 | 西南交通大学 | 一种基于机器学习的收费公路绿通车检测方法 |
| CN114841843A (zh) * | 2022-04-15 | 2022-08-02 | 广州天长信息技术有限公司 | 一种分析可疑绿通车的方法和*** |
Non-Patent Citations (1)
| Title |
|---|
| 行娟娟.基于Markov逻辑网的虚假评论识别方法.《中文信息学报》.2016,第30卷(第5期),94-100. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115481812A (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115481812B (zh) | 一种基于隐马尔科夫模型的绿通车混装预测方法 | |
| Aiura et al. | Planning on-street loading-unloading spaces considering the behaviour of pickup-delivery vehicles | |
| Eliasson | Lessons from the Stockholm congestion charging trial | |
| Larsen et al. | Predicting tactical solutions to operational planning problems under imperfect information | |
| US20200160708A1 (en) | Method and apparatus for adaptively managing a vehicle | |
| CN110544100A (zh) | 基于机器学习的业务识别方法、装置及介质 | |
| Fallahtafti et al. | A multi-objective two-echelon location-routing problem for cash logistics: A metaheuristic approach | |
| CN111581538A (zh) | 一种基于高速公路收费数据的高速交通流状态推断方法 | |
| Jha et al. | Upping the game of taxi driving in the age of Uber | |
| Nguyen et al. | Pareto routing and scheduling of dynamic urban rail transit services with multi-objective cross entropy method | |
| Amiri et al. | A robust multi-objective routing problem for heavy-duty electric trucks with uncertain energy consumption | |
| Carboni et al. | Performance indicators and automatic identification systems in inland freight terminals for intermodal transport | |
| Musolino et al. | A modelling framework to simulate paths and routes choices of freight vehicles in sub-urban areas | |
| Yu et al. | Simulation‐Based Optimization for the Operation of Toll Plaza at Car Park Exit with Mixed Types of Tollbooths and Waiting‐Time‐Dependent Service | |
| CN114387816B (zh) | 基于消费者行为预测分析的商城车流引导***及方法 | |
| CN115619037A (zh) | 一种量化碳排放影响的多式联运多目标决策研究方法 | |
| Fernández et al. | Platform height, door width and fare collection on public transport dwell time: A laboratory study | |
| CN114266490A (zh) | 一种高效且精确的综合交通运输网络安全风险点辨识方法 | |
| Caicedo et al. | Access control systems and reductions of driver's wait time at the entrance of a car park | |
| Liu et al. | Multiperspective Bus Route Planning in a Stackelberg Game Framework | |
| CN117373259B (zh) | 高速公路车辆逃费行为识别方法、装置、设备和存储介质 | |
| JP2022169915A (ja) | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル | |
| JP7442310B2 (ja) | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル | |
| CN108182805A (zh) | 一种基于信疑双基建模的高速公路车辆监控管理方法 | |
| JHA et al. | Pradeep VARAKANTHAM; TRUONG TRONG, Nghia; and ABD RAHMAN, Firmansyah. Upping the game of taxi driving in the age of Uber.(2018) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |