交通违法行为分析方法、系统、电子设备及存储介质

    公开(公告)号:CN112417084A

    公开(公告)日:2021-02-26

    申请号:CN202011307958.7

    申请日:2020-11-20

    Applicant: 厦门大学

    Abstract: 本发明提供一种基于个人行政处罚信息的交通违法行为分析方法、系统、电子设备及存储介质,其中方法包括:获取交通运输行业个人运营车辆的行政处罚信息,构建行政处罚信息数据库;构建上下两层LDA模型,分别对所述行政处罚信息数据库中数据进行违法行为分类;考评分析所述分类的合理性,获取违规行为分布特点。根据本发明的交通违法行为分析方法,解决了如何从大量的行政处罚文本数据中进行内容挖掘,发现并分析交通运输行业中存在的主要违规行为。本发明上层模型挖掘大量文本数据中主要违规的车辆类型,下层模型主要挖掘不同车辆的违规类别。可以通过双层主题模型发现违规车辆的类型占比,以及不同车辆中现存主要的违规行为。

    交通运输单位信用评级方法、系统、电子设备及存储介质

    公开(公告)号:CN112418987B

    公开(公告)日:2022-04-29

    申请号:CN202011307960.4

    申请日:2020-11-20

    Applicant: 厦门大学

    Abstract: 本发明提供一种交通运输单位信用评级方法、系统、电子设备及计算机可读存储介质,其中方法包括:提取交通运输单位的交通信用评级的特征数据集;对所述特征数据集进行聚类处理,选取最佳簇数,建立评级模型;将所述特征数据集输入所述评级模型,对交通运输单位进行无标签数据评级。根据本发明的方案,采用无监督学习模式(即采用无标签数据)为交通运输单位的信用进行评级,采用无标签数据评级的方法不需要大量的数据支撑,不需要参考历史经验数据,获取数据的成本小,而且不再需要考虑例如传统的有监督学习中的标签数据的准确性。且与同类传统聚类方案相比,精度更高、鲁棒性更强、收敛更快,能够为交通运输企业信用评级提供决策支持。

    道路旅游客运车辆配置方法、系统、电子设备及存储介质

    公开(公告)号:CN112418663A

    公开(公告)日:2021-02-26

    申请号:CN202011312780.5

    申请日:2020-11-20

    Applicant: 厦门大学

    Abstract: 本发明提供一种道路旅游客运车辆配置方法、系统、电子设备及计算机可读存储介质,其中方法包括:预测某地道路旅游情况,根据预测值计算得到该地道路旅游客运车辆的第一需求值;根据旅游客运总人次需求和客运单位的运输资源投入,计算得到该地道路旅游客运车辆的第二需求值;根据所述第一需求值、所述第二需求值和匹配的需求值浮动区间得到道路旅游客运车辆配置方案。本发明根据道路旅游客运量的变换情况,采用成本收益分析方式解决了传统方法参数无法验证和获取问题。以旅游团匹配法,解决传统方法无法匹配动态道路客运旅游需求量编号的缺陷。以综合调整法,引入人为经验+数值计算的方式,解决传统预测模型稳定性和可靠性的问题。

    道路旅游客运车辆配置方法、系统、电子设备及存储介质

    公开(公告)号:CN112418663B

    公开(公告)日:2022-09-13

    申请号:CN202011312780.5

    申请日:2020-11-20

    Applicant: 厦门大学

    Abstract: 本发明提供一种道路旅游客运车辆配置方法、系统、电子设备及计算机可读存储介质,其中方法包括:预测某地道路旅游情况,根据预测值计算得到该地道路旅游客运车辆的第一需求值;根据旅游客运总人次需求和客运单位的运输资源投入,计算得到该地道路旅游客运车辆的第二需求值;根据所述第一需求值、所述第二需求值和匹配的需求值浮动区间得到道路旅游客运车辆配置方案。本发明根据道路旅游客运量的变换情况,采用成本收益分析方式解决了传统方法参数无法验证和获取问题。以旅游团匹配法,解决传统方法无法匹配动态道路客运旅游需求量编号的缺陷。以综合调整法,引入人为经验+数值计算的方式,解决传统预测模型稳定性和可靠性的问题。

    交通运输单位信用评级方法、系统、电子设备及存储介质

    公开(公告)号:CN112418987A

    公开(公告)日:2021-02-26

    申请号:CN202011307960.4

    申请日:2020-11-20

    Applicant: 厦门大学

    Abstract: 本发明提供一种交通运输单位信用评级方法、系统、电子设备及计算机可读存储介质,其中方法包括:提取交通运输单位的交通信用评级的特征数据集;对所述特征数据集进行聚类处理,选取最佳簇数,建立评级模型;将所述特征数据集输入所述评级模型,对交通运输单位进行无标签数据评级。根据本发明的方案,采用无监督学习模式(即采用无标签数据)为交通运输单位的信用进行评级,采用无标签数据评级的方法不需要大量的数据支撑,不需要参考历史经验数据,获取数据的成本小,而且不再需要考虑例如传统的有监督学习中的标签数据的准确性。且与同类传统聚类方案相比,精度更高、鲁棒性更强、收敛更快,能够为交通运输企业信用评级提供决策支持。

Patent Agency Ranking