帥　丹　藍(lán)章禮　李益才

(重慶交通大學(xué)信息科學(xué)與工程學(xué)院　重慶 400074)

?

基于k-mediods及其改進(jìn)算法的非法營運(yùn)車輛識別

帥丹藍(lán)章禮李益才

(重慶交通大學(xué)信息科學(xué)與工程學(xué)院重慶 400074)

摘要為從大量社會車輛中識別出疑似非法營運(yùn)的車輛，提高交通管理部門行政執(zhí)法的目的性和針對性，維護(hù)道路運(yùn)輸市場秩序，消除交通安全隱患。結(jié)合RFID車輛信息數(shù)據(jù)提出了基于k-mediods的非法營運(yùn)車輛識別算法，并針對k-mediods算法缺點(diǎn)進(jìn)行了基于距離貢獻(xiàn)率和算法偶然性的2種改進(jìn)。非法營運(yùn)車輛識別的實(shí)現(xiàn)，首先需要提取出車輛RFID數(shù)據(jù)，并對其進(jìn)行預(yù)處理，進(jìn)而得到車輛運(yùn)行行為數(shù)據(jù)，再利用PCA處理得到車輛運(yùn)行特征數(shù)據(jù)，最后通過k-mediods算法聚類分析識別出非法營運(yùn)車輛。實(shí)驗結(jié)果表明，算法流程清晰，能夠有效地識別出非法營運(yùn)車輛。同時通過對算法進(jìn)行改進(jìn)，提高了算法穩(wěn)定性和對非法營運(yùn)車輛的正確識別數(shù)量，降低了錯誤識別數(shù)量。

關(guān)鍵詞k-mediods距離貢獻(xiàn)率偶然性RFID

0引言

相對滯后的公共交通滿足不了群眾日益增長的出行需求，這就為實(shí)載率高、方便靈活、具有成本優(yōu)勢的非法營運(yùn)車輛的存在提供了肥沃的土壤，但由于非法營運(yùn)車輛的巨大危害性，打擊和規(guī)范非法營運(yùn)車輛是交通行政執(zhí)法的重中之重[1,2]。因此如何有效地從大量的社會車輛中識別出疑似非法營運(yùn)車輛，對提高交通管理部門行政執(zhí)法的目的性和針對性，維護(hù)道路運(yùn)輸市場秩序，消除交通安全隱患具有重要意義。

RFID(無線射頻識別)技術(shù)作為一種新興的車輛監(jiān)控技術(shù)，因其識別速度高，精確性能好，成本低廉，正在被廣泛地應(yīng)用于物流、交通、醫(yī)療、商品防偽等諸多領(lǐng)域[3-6]。RFID裝置能夠采集到的數(shù)據(jù)包括時間、地點(diǎn)以及RFID卡中所含信息如車輛牌照號、車輛類型等，能夠很好地滿足對各類車輛的監(jiān)控和數(shù)據(jù)采集功能。

數(shù)據(jù)挖掘中聚類分析在城市交通、道路安全、事故分析、交通違規(guī)違法行為分析等方面得到較為深入的研究和廣泛的應(yīng)用[7-10]。文獻(xiàn)[11]提出了一種混合蛙跳算法與模糊C均值相結(jié)合的聚類算法，用于城市交通流數(shù)據(jù)的聚類分析；文獻(xiàn)[12]提出灰色定權(quán)聚類對區(qū)域內(nèi)高等級公路進(jìn)行聚類；文獻(xiàn)[13] 采用快速DBSCAN算法對鐵路異物侵限檢測；文獻(xiàn)[14]采用主成分分析方法實(shí)現(xiàn)了疲勞駕駛行為特征提取，對疲勞駕駛進(jìn)行了分析；文獻(xiàn)[15]針對車輛行駛過程中的GPS設(shè)備采集提供的車輛行駛位置和速度等數(shù)據(jù)，根據(jù)超速情況劃分和確定重點(diǎn)監(jiān)控車輛和實(shí)現(xiàn)對該車技術(shù)狀況和駕駛?cè)饲闆r信息的查詢。但是利用聚類分析算法分析RFID數(shù)據(jù)，識別車輛運(yùn)行規(guī)律和識別非法營運(yùn)車輛的研究還比較少見。

本文結(jié)合車輛RFID數(shù)據(jù)，運(yùn)用數(shù)據(jù)挖掘中的經(jīng)典聚類分析算法k-mediods對非法營運(yùn)車輛進(jìn)行識別，首先將從RFID獲取的車輛運(yùn)行信息存入數(shù)據(jù)庫，并通過提取特征數(shù)據(jù)等對數(shù)據(jù)進(jìn)行預(yù)處理得到車輛運(yùn)行的行為數(shù)據(jù)，再利用PCA(主成分分析)處理得到車輛運(yùn)行特征數(shù)據(jù)，最后通過k-mediods聚類分析算法對特征數(shù)據(jù)進(jìn)行分析識別非法營運(yùn)車輛。同時，針對k-mediods的各成分對相似性貢獻(xiàn)率相同和偶然性比較大的問題，結(jié)合RFID車輛數(shù)據(jù)特點(diǎn)，對算法缺點(diǎn)分別做了改進(jìn)，提高了非法營運(yùn)車輛的正確識別數(shù)量、降低了錯誤識別數(shù)量。

1基于k-mediods算法的非法營運(yùn)車輛識別

1.1非法營運(yùn)車輛識別系統(tǒng)流程

非法營運(yùn)車輛識別系統(tǒng)流程如圖1所示。

圖1　非法營運(yùn)車輛識別系統(tǒng)流程

先將車輛運(yùn)行信息存儲于車輛信息數(shù)據(jù)庫；再對存放車輛信息的數(shù)據(jù)庫進(jìn)行預(yù)處理，包括：分析并提取車輛運(yùn)行的行為數(shù)據(jù)，建立數(shù)據(jù)倉庫并定時更新；然后對數(shù)據(jù)倉庫中的車輛運(yùn)行行為數(shù)據(jù)進(jìn)行PCA處理；接著利用k-mediods算法進(jìn)行聚類分析，最后得到車輛分類識別結(jié)果中非法營運(yùn)車輛信息并將其存入數(shù)據(jù)庫。若運(yùn)行的車輛信息在非法營運(yùn)車輛信息數(shù)據(jù)庫中，則此車被判定為非法營運(yùn)車輛；反之被判定為合法車輛。

其中，分析的車輛信息為RFID采集的數(shù)據(jù)，包括車牌號碼、車輛通過地點(diǎn)、車輛通過時間；提取的行為特征數(shù)據(jù)包括車牌號碼、通過時間間隔、平均通過時長、時間間隔方差、通過頻次、高峰時期通過占比等相關(guān)信息；PCA處理之后得到6維車輛運(yùn)行特征數(shù)據(jù)和每一維數(shù)據(jù)貢獻(xiàn)率；k-mediods聚類算法分析輸出基于RFID的車輛數(shù)據(jù)分類結(jié)果；數(shù)據(jù)倉庫更新比較耗時，因此頻率可設(shè)定為一周一次，時間定為凌晨車少的時間點(diǎn)。

1.2算法流程

RFID數(shù)據(jù)的k-mediods算法流程如圖2所示。

圖2　RFID數(shù)據(jù)的k-mediods算法流程圖

算法輸入：包含n個對象的車輛運(yùn)行信息，結(jié)果簇的個數(shù)k。

算法輸出：k個簇的集合，使得所有對象與其最近中心點(diǎn)的相異度總和最小方法。

其步驟描述為：

1) 從數(shù)據(jù)庫中獲取聚類分析車輛的數(shù)據(jù)信息O(n)，需要聚類的個數(shù)k；

2) 隨機(jī)選擇k個對象作為初始中心點(diǎn)；

3) 將剩余對象分配到臨近中心的簇，并計算此時的目標(biāo)函數(shù)oldE；

4) 隨機(jī)產(chǎn)生一個代替原中心的對象Orand；

5) 依次利用Orand代替原始的k個對象；

5.1) 初始化即將替代的簇中心下標(biāo)i=0；

5.2) 判斷是否遍歷完所有簇中心，若遍歷完則轉(zhuǎn)向步驟6),否則轉(zhuǎn)向下一步5.3)；

5.3) 將剩余對象分配到臨近中心的簇，計算目標(biāo)函數(shù)newE；

5.4) 計算此時代價函數(shù)S=newE-oldE；

5.5) 判斷S是否小于0，若小于0則轉(zhuǎn)向步驟5.7)，否則轉(zhuǎn)向下一步5.6)；

5.6) 下標(biāo)i=i+1，轉(zhuǎn)向5.2);

5.7) 記錄此時下標(biāo)j=i，并用Orand代替Oj，轉(zhuǎn)向步驟5.3);

6) 結(jié)束。

算法其他說明：

a) 輸入的n個對象的車輛信息，包含車牌號、已知的車輛類型以及經(jīng)過PCA處理之后的車輛運(yùn)行特征數(shù)據(jù)，同時對這些特征數(shù)據(jù)進(jìn)行了歸一化處理，歸一化處理公式如下：

(1)

其中，norci(p)表示第i個對象在第p維特征數(shù)據(jù)經(jīng)過歸一化處理的結(jié)果；c表示車輛信息的對象；ci(p)表示第i個對象在第p維特征數(shù)據(jù)值；min(c(p))表示所有車輛信息中的第p維特征數(shù)據(jù)值的最小值；max(c(p))表示所有車輛信息中的第p維特征數(shù)據(jù)值的最大值。

b) 輸入的結(jié)果簇k為經(jīng)驗值，其確定方法在本文不做討論。

c) 目標(biāo)函數(shù)E的公式如下：

(2)

其中j表示聚類分析后簇的序號，范圍為：1到k；i為對象序號，范圍為：1到n；cj表示第j個簇的中心；xi表示第i個對象；dist表示求cj與xi歐式距離。其中dist(cj,xi)的公式如下：

(3)

其中cj(p)表示cj的第p個運(yùn)行特征數(shù)據(jù)，m表示對象共有多少特征數(shù)據(jù)。

式(1)的意義為：分別將屬于第j個簇中心的對象xi與所在簇中心cj之間的距離的平方依次相加，表示聚類分析后簇內(nèi)部數(shù)據(jù)的差異性，在一定范圍內(nèi)，目標(biāo)函數(shù)E越小，聚類分析效果越好。

d) 代價函數(shù)公式如下：

S=newE-oldE

(4)

其中newE表示利用隨機(jī)對象替換原簇中心之后的目標(biāo)函數(shù)值，oldE表示原對象的目標(biāo)函數(shù)值。若S<0，則可以替換原簇中心；反之，則不能替換原簇中心。

2k-mediods算法在車輛RFID數(shù)據(jù)應(yīng)用的改進(jìn)

k-mediods算法是一種使目標(biāo)函數(shù)下降最快的方法，屬于啟發(fā)式搜索算法，能從n個對象中找出以k個中心點(diǎn)為代表的一個局部優(yōu)化劃分聚類。與k-means算法比較，k-mediods算法解決了k-means算法本身的缺陷：對初始值依賴過大的問題和對噪聲點(diǎn)、離群點(diǎn)敏感型問題[16,17]。但是仍存在以下缺點(diǎn)：

a) k-mediods算法利用歐式距離表征其相似性，數(shù)據(jù)的每個屬性對距離的貢獻(xiàn)都一樣，這樣不能體現(xiàn)出屬性的重要程度，因此無法達(dá)到良好的聚類效果。

b) 在算法中僅僅是隨機(jī)指定一個非代表對象Orandom來依次替換代表對象Oj，雖然在時間復(fù)雜度比較小，運(yùn)行時間也比較小，但是偶然性太大，不能達(dá)到良好的聚類效果。

因此針對以上2個缺點(diǎn)，結(jié)合車輛RFID數(shù)據(jù)特點(diǎn)對算法進(jìn)行了2種改進(jìn)。

2.1改進(jìn)一：基于距離貢獻(xiàn)率的改進(jìn)

由k-mediods算法的缺點(diǎn)a)，其使用歐式距離度量相似性的過程中，每個屬性對距離貢獻(xiàn)率一樣。因此提出以下改進(jìn)，在非法營運(yùn)車輛識別系統(tǒng)中經(jīng)過PCA分析和處理之后，由于對象每一維對數(shù)據(jù)的影響不同，故根據(jù)其重要程度為每一維乘以其權(quán)值wp，其中：

(5)

RFID數(shù)據(jù)經(jīng)過PCA處理之后，每一維特征數(shù)據(jù)的重要程度不一樣，第一維的數(shù)據(jù)占了很大的比重，其對數(shù)據(jù)分析而言是最重要的，第二維次之，剩余維依次減小。這樣改進(jìn)可以增加最主要的成分對計算相似度的貢獻(xiàn)率，適合處理基于車輛RFID數(shù)據(jù)。因此，將式(3)中的歐式距離改進(jìn)為式(6)：

(6)

與式(3)相比，考慮了每一維車輛運(yùn)行特征數(shù)據(jù)的重要程度對距離的影響，將權(quán)值wp乘上相應(yīng)運(yùn)行特征數(shù)據(jù)值與簇中心的歐式距離。

2.2改進(jìn)二：基于偶然性的改進(jìn)

由于k-mediods算法的缺點(diǎn)b)，其算法偶然性太大，因此提出以下改進(jìn)，在算法中僅僅是隨機(jī)指定一個非代表性對象Orandom來依次替換代表對象Oj，修改為依次用所有的非代表性對象Oi(i=1,2,…,n)來替代Oj，再依次計算代價函數(shù)。

這樣改進(jìn)可以排除隨機(jī)指定非代表性對象的偶然性，得到在每一輪換的過程中使得目標(biāo)函數(shù)值最小的替換對象，即最優(yōu)替換對象。在非法營運(yùn)車輛識別系統(tǒng)中后臺處理使得系統(tǒng)對時間的敏感度不高，因此，此改進(jìn)適合處理基于車輛RFID數(shù)據(jù)。

3結(jié)果分析

在Win7環(huán)境下，使用VC++平臺實(shí)現(xiàn)本文提出的基于k-mediods算法及其改進(jìn)的非法營運(yùn)車輛識別系統(tǒng)。通過車輛RFID的數(shù)據(jù)實(shí)驗數(shù)據(jù)中排除了出租車的干擾后共1762輛車，包含：公交車57輛、長途車40輛、社會車1635輛、非法營運(yùn)車30輛。在對基于車輛RFID數(shù)據(jù)進(jìn)行分類和處理時，關(guān)心的結(jié)果是非法營運(yùn)車輛正確識別數(shù)量、誤識別數(shù)量，因此實(shí)驗結(jié)果重點(diǎn)分析和對比非法營運(yùn)車輛正確識別數(shù)量和誤識別數(shù)量。實(shí)驗結(jié)果曲線均是經(jīng)過15次車輛運(yùn)行數(shù)據(jù)得出的平均值，簇數(shù)目k取值從1到30。

3.1k-mediods算法結(jié)果分析

主要分析用最原始的k-mediods來分析經(jīng)過標(biāo)準(zhǔn)化，但沒有經(jīng)過處理的車輛RFID數(shù)據(jù)運(yùn)行特征數(shù)據(jù)，實(shí)驗結(jié)果如圖3所示。

圖3　非法營運(yùn)車輛識別、誤識別數(shù)量曲線圖

根據(jù)非法車輛識別數(shù)量、非法車輛曲線圖可以分析得出最佳k值為14，此時的正確識別數(shù)量平均值為29.93輛，錯誤識別數(shù)量為2.13輛。再進(jìn)一步分析效果相對較好的一段曲線k從10到18之間所有實(shí)驗結(jié)果。如表1所示。

表1　提取監(jiān)控視頻關(guān)鍵幀實(shí)驗結(jié)果表

表1中i為實(shí)驗次數(shù)，k為相應(yīng)的簇個數(shù)，N為正確識別數(shù)目。從15次實(shí)驗的非法車輛正確識別數(shù)量來看，其偶然性太大，比如在k=11的時候，有2次識別的非法營運(yùn)車數(shù)量為0輛，1次識別的非法營運(yùn)車數(shù)量為26輛，12次識別的非法營運(yùn)車數(shù)量為30輛。因此需要對算法進(jìn)行改進(jìn)以更好地適應(yīng)本系統(tǒng)中車輛RFID數(shù)據(jù)。

3.2基于距離貢獻(xiàn)率改進(jìn)前后結(jié)果對比與分析

主要分析借助于改進(jìn)一算法對標(biāo)準(zhǔn)化的數(shù)據(jù)乘以相應(yīng)權(quán)值之后的改進(jìn)k-mediods改進(jìn)算法時間復(fù)雜度雖然比原來算法有所提高，但本算法在分析非法營運(yùn)車輛的應(yīng)用中是后臺運(yùn)行，不需要考慮算法的運(yùn)行時間，其識別率的實(shí)驗結(jié)果如圖4所示。

圖4　算法改進(jìn)一之后的非法車輛識別、誤識別數(shù)量曲線

根據(jù)非法車輛識別數(shù)量和非法車輛曲線圖，經(jīng)分析可以得出最佳k值為10，此時的正確識別出來平均值為30輛，錯誤識別數(shù)量為0.4輛。雖然還是有誤識別的車輛，但是與對車輛RFID運(yùn)行特征數(shù)據(jù)利用k-mediods算法進(jìn)行改進(jìn)以前的識別結(jié)果相比：非法車輛正確識別數(shù)量明顯增加，此時可以完全識別，同時誤識別數(shù)量明顯減少，驗證了算法改進(jìn)一的合理性。

3.3基于偶然性改進(jìn)前后結(jié)果對比與分析

主要分析在算法改進(jìn)一的基礎(chǔ)上再對算法進(jìn)行改進(jìn)二，對標(biāo)準(zhǔn)化的數(shù)據(jù)乘以相應(yīng)權(quán)值之后，利用所有非對象點(diǎn)替換隨機(jī)點(diǎn)的k-mediods算法時間復(fù)雜度雖然比原來算法高，但本算法在分析非法營運(yùn)車輛的應(yīng)用中是后臺運(yùn)行，不需要考慮算法的運(yùn)行時間，其識別率的實(shí)驗結(jié)果如圖5所示。

圖5　算法改進(jìn)二之后的非法車輛識別、誤識別數(shù)量曲線

根據(jù)非法車輛識別數(shù)量和非法車輛曲線圖，經(jīng)分析可以得出最佳k值為18、19，此時的正確識別數(shù)量平均值均為30輛，錯誤識別數(shù)量均為0輛。與對車輛RFID運(yùn)行特征數(shù)據(jù)利用改進(jìn)一之后的k-mediods算法的識別結(jié)果相比：全部正確識別非法營運(yùn)車輛，并且誤識別數(shù)量有明顯減少。其中k從3到19的正確識別數(shù)量均為30輛，而最大的誤識別率也只有2輛，因此算法穩(wěn)定性明顯提高，降低了偶然性帶來的影響，驗證了算法改進(jìn)二的合理性。

3.4算法改進(jìn)實(shí)驗結(jié)果前后對比

算法經(jīng)過改進(jìn)前后，其在最佳k值的情況下，非法營運(yùn)車輛正確、錯誤識別平均數(shù)量對比如表2所示。

表2　算法改進(jìn)前后實(shí)驗結(jié)果對比表

由表2可得：原始k-mediods算法能夠識別出非法營運(yùn)車輛。經(jīng)過基于距離貢獻(xiàn)率的算法改進(jìn)之后，非法營運(yùn)車輛正確識別數(shù)量達(dá)到30，即可以完全識別出非法營運(yùn)車輛；錯誤識別數(shù)量也有明顯下降。再經(jīng)過基于偶然性的算法改進(jìn)之后，在最佳k值得情況下，也可以完全識別出非法營運(yùn)車輛，同時錯誤識別非法營運(yùn)車輛的數(shù)量降低為0。由此也可以得原始算法的合理性和算法改進(jìn)的合理性。

4結(jié)語

本文結(jié)合車輛RFID數(shù)據(jù)，利用k-mediods聚類分析算法對非法營運(yùn)車輛進(jìn)行識別，同時，針對k-mediods算法的缺點(diǎn)進(jìn)行了基于距離貢獻(xiàn)率和偶然性的改進(jìn)。實(shí)驗結(jié)果表明，能夠有效地識別出非法營運(yùn)車輛，經(jīng)過改進(jìn)之后，提高了算法穩(wěn)定性和非法營運(yùn)車輛的正確識別數(shù)量、降低了錯誤識別數(shù)量。但算法中的聚類數(shù)量k值憑經(jīng)驗得出，在以后研究中，將進(jìn)一步完善算法，使得算法能夠結(jié)合自動訓(xùn)練合適的k值范圍。

參考文獻(xiàn)

[1] 郭譞.涉非法營運(yùn)車輛案件的情況分析[J].法制與經(jīng)濟(jì),2014(3):100-102.

[2] 祁巍巍.非法營運(yùn)車輛的監(jiān)管及其對策研究[D].華東理工大學(xué),2012.

[3] 付華偉,何小敏,許亮,等.基于RFID和遺傳算法的實(shí)時炸藥倉儲優(yōu)化操作[J].計算機(jī)工程與科學(xué),2014,36(2):286-291.

[4] 鄭方偉,周明天,張宇威.RFID自助收銀研究和設(shè)計[J].微電子學(xué)與計算機(jī),2011,28(3):186-189.

[5] 王德玉,張霖言,劉紫熠.RFID技術(shù)在電力企業(yè)中的應(yīng)用及前景[J].天津電力技術(shù),2014(2):78-80.

[6] Malakar B,Roy B K.Survey of RFID applications in railway industry[C]//Automation,Control,Energy and Systems (ACES),2014 First International Conference on.IEEE,2014:1-6.

[7] 張昀,周涑,任海軍,等.數(shù)據(jù)挖掘在電力負(fù)荷壞數(shù)據(jù)智能辨識與修正中的應(yīng)用[J].重慶大學(xué)學(xué)報ISTIC EI,2013,36(2):73-78.

[8] 張成叔.數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則挖掘方法的研究及應(yīng)用[J].軟件,2013,34(9):138.

[9] Fan X D.Clustering Analysis Based on Data Mining Applications[J].Applied Mechanics and Materials,2013:1026-1029.

[10] Stutz C,Runkler T A.Classification and prediction of road traffic using application-specific fuzzy clustering[J].Fuzzy Systems,IEEE Transactions on,2002,10(3):297-308.

[11] 楊祖元,徐姣,羅兵,等.基于SFLA-FCM聚類的城市交通狀態(tài)判別研究[J].計算機(jī)應(yīng)用研究,2010(5):1743-1745.

[12] 許洪國,劉兆惠,王超.道路安全等級定權(quán)聚類評價模型及因素辨析[J].交通運(yùn)輸工程學(xué)報,2007,7(2):94-98.

[13] 郭保青,朱力強(qiáng),史紅梅.基于快速DBSCAN聚類的鐵路異物侵限檢測算法[J].儀器儀表學(xué)報,2012,33(2):241-247.

[14] 毛吉吉,初秀民,嚴(yán)新平,等.汽車駕駛員駕駛疲勞監(jiān)測技術(shù)研究進(jìn)展[J].中國安全科學(xué)學(xué)報,2005,15(3):108-112.

[15] 丁博.基于數(shù)據(jù)挖掘的車輛運(yùn)行狀態(tài)監(jiān)控技術(shù)應(yīng)用研究[D].北京交通大學(xué),2011.

[16] 孫勝,王元珍.基于核的自適應(yīng)k-Medoid聚類[J].計算機(jī)工程與設(shè)計,2009(3):674-675.

[17] Park H S,Jun C H.A simple and fast algorithm for K-medoids clustering[J].Expert Systems with Applications,2009,36(2):3336-3341.

[18] 姚麗娟,羅可,孟穎.一種新的k-medoids聚類算法[J].計算機(jī)工程與應(yīng)用,2013,49(19):153-157.

RECOGNISING ILLEGAL OPERATION VEHICLES BASED ON K-MEDIODS AND ITS IMPROVED ALGORITHM

Shuai DanLan ZhangliLi Yicai

(SchoolofInformationScienceandEngineering,ChongqingJiaotongUniversity,Chongqing400074,China)

AbstractIn order to recognise the vehicles to be suspected operating illegally from a large number of social vehicles, improve the purposive intention and pertinence of the traffic administration in administrative enforcement, maintain the market order of road transportation and eliminate the hidden traffic safety hazard, we proposed the k-mediods-based illegal operation vehicles recognition algorithm in combination with RFID vehicle information data. In light of the shortcomings of k-mediods algorithm, we made two improvements on it, the distance contribution rate-based and the algorithm contingency-based respectively. To implement the illegal operation vehicles recognition, firstly it needs to extract vehicles’ RFID data, and carries out pretreatment on them, and then obtains the behaviour data of vehicles operation; secondly, it acquires the characteristics data of vehicles operation by means of PCA processing; finally, it recognises the illegal operation vehicles by k-mediods-based clustering analysis. Experimental results show that the algorithm has a clear flow, it can recognise the illegal operation vehicles effectively, meanwhile it can improve the stability of the algorithm by improving it, and in turn raises the numbers of correct recognition of the illegal operation vehicles, and decreases the numbers of wrong recognition as well.

Keywordsk-mediodsDistance contribution rateContingencyRFID

收稿日期：2014-12-11。重慶市教委科學(xué)技術(shù)研究項目(KJ1304 21)。帥丹，碩士生，主研領(lǐng)域：交通信息化。藍(lán)章禮，教授。李益才，副教授。

中圖分類號TP391

文獻(xiàn)標(biāo)識碼A

DOI:10.3969/j.issn.1000-386x.2016.05.038