[0001] 本发明涉及异常行为车辆检查技术领域，特别涉及行为异常车辆识别系统。

[0002] 现有异常行为检查方式，主要是监管人员在特定时间和路段，对过往的车辆司机逐个进行测验，具体路段的选择，主要是根据监管人员以往对异常行为检查经验，查处时间段也大多集中在周末、节假日等，能够监察的异常行为车辆数，具有不确定性比较大，无法做到提前重点监管，同时也导致监管人员资源分配不合理。

[0024] 以下结合附图1，进一步说明本发明行为异常车辆识别系统的具体实施方式。本发明行为异常车辆识别系统不限于以下实施例的描述。

[0025] 实施例1：

[0026] S1、采集驾驶人数据，筛选驾驶人性别为男性的驾驶人信息；

[0027] S2、采集车辆信息数据，筛选车辆核定载客数为七人及七人以下机动车；

[0028] S3、关联以上两张表筛选后的数据，得到七座及以下男性车主和对应车辆信息；

[0029] S4、提取过去一个月的过车数据，关联S3得到的结果表，采集车辆过车经过的卡口点位、过车时间；

[0030] S41、剔除过车天数少于10天的车辆过车记录，同时剔除每天过车经过点位数量少于两个的过车记录，然后根据每天最早过车经过点位的时间t1和最晚过车经过点位的时间t2，计算过车时间间隔t，t＝t2‑t1，若t小于8个小时，则剔除此车辆当天过车记录。

[0031] S5、对每辆车每天过车经过的卡口点位按照经过时间先后顺序做排序，使用频繁项集挖掘算法，得到每辆车经过卡口点位的频繁点位列表，list1＝[A,C,D,F,B]。根据道路卡口点位信息表，即按照道路卡口上下游关系，对频繁点位数据做排序,list1＝[A,B,C,D,F]

[0032] S6、结合历史过车数据，对每天过车时间做处理，按照车辆、经过点位编号分组，新增两列过车日期和经过时间列，按照经过时间先后顺序做排序；

[0033] S61、依次计算经过同一点位每天过车时间差td＝td2–td1(时间差结果精确到分钟)，若td不大于10分钟，将td1替换为td2；

[0034] S62、最后按照车辆、经过卡口点位分组，对过车时间对应的天数求和。

[0035] S63、以过车天数和最大的那个时间作为此点位的过车时间，由此可以得到频繁轨迹中每一个卡口点位的过车时间，频繁过车中的最早时间对应的点位编号即为O点卡口点位，最晚过车时间为D点卡口点位。

[0036] S7、手工整理城市商圈、酒店附近道路卡口点位信息，生成商圈、酒店卡口点位信息表；

[0037] S8、在设定时间点(每天19:00)，提取当天过车数据，关联车辆频繁轨迹结果数据，筛选当天过车点位和和车辆频繁轨迹重合度小于0.7，且重合的点位过车时间在频繁轨迹过车时间内的车辆；

[0038] 轨迹重合度s计算方式：s＝(dn/fn)/(d_sum/fn)

[0039] 其中dn是当天截至数据提取时间内，车辆经过点位和车辆频繁轨迹点位重合的数量，fn是车辆频繁轨迹点位数量，d_sum是当天截至数据提取时间内，车辆经过不重复点位总数量

[0040] S9、分析截至数据提取时间，车辆最后过车点位应该为频繁轨迹中的D点，但并未经过D点，且车辆经过商圈、酒店卡口点位，在商圈附近停留时长超过一个小时，输出车辆信息和商圈点位信息、D点信息、D点所在道路

[0059] 将以上信息保存至行为异常车辆结果表，并根据D点卡口经纬度信息，将数据在监管人员平台上以地图热点图方式展示，监管部门可根据需要，在异常行为嫌疑比较集中的D点道路进行提前布控。

[0060] 本发明中的频繁项集挖掘算法(FP‑Growth)，即基于每辆车每天过车经过的卡口点位，挖掘每辆车频繁经过的卡口点位，频繁项集挖掘简单来说就是一辆车在一个月(或者其他时间段内)上下班路上频繁经过某几个卡口点位，那这几个点位就是频繁项。频繁项集挖掘算法涉及两个重要参数：支持度和置信度，支持度是指一个项目在集合中出现的概率或者叫占比，

[0061] 支持度计算公式：support(A)＝count(A)/count(*)，其中，count(A)是点位A在车辆过车记录中出现的天数，count(*)是车辆过车总天数；

[0062] 置信度是指当一个条件A出现后，条件B出现的概率或者叫可信程度，[0063] 置信度计算公式：Confidence(A‑‑>B)＝P(A|B)＝support_count(A U B)/support_count(A)，其中,support_count(A U B)是车辆过车记录中同一天经过A、B卡口点位的总天数,support_count(A)是车辆过车记录中包含卡口点位A的总天数。

[0064] FP‑Growth算法一般包含三部分：

[0065] 第一部分是一个项头表。里面记录了所有的1项频繁集出现的次数，按照次数降序排列。

[0066] 第二部分是FP树，它将我们的原始数据集映射到了内存中的一颗FP树。

[0067] 第三部分是节点链表。所有项头表里的1项频繁集都是一个节点链表的头，它依次指向FP树中该1项频繁集出现的位置。这样做主要是方便项头表和FP Tree之间的联系查找和更新。

[0068] 例如一辆车在这个城市一个月内有25天过车记录，假设这些天内经过的点位去重后为A‑F，其中车辆经过A、B点位有18天过车记录，经过C、D点位有14天过车记录，经过E点位有10天过车记录，经过F点位有3天过车记录，若设置最小支持度为0.5，即车辆经过此点位天数至少为12.5天(25*0.5＝12.5)，则E、F两个点位都不满足支持度；置信度是指不同点位组合在一天中车辆都经过的可能性，假设置信度设置为0.7，若只有A、B、D三个点位在每天的过车记录中都出现，则最后的频繁点位为A、B、D，按照此算法方法对车辆过车经过的点位进行频繁路径挖掘。

[0069] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。