近些年来,网约车成为越来越多人选择的交通工具,同时,存在部分网约车司机为收取更多车费而产生的违规行为。多数网约车的收费依据为订单路程及耗时,订单路程及耗时主要受到两种因素影响:1)网约车司机路径及驾驶方式选择偏好;2)订单所属时空的交通状况。依据网约车行驶路线是否偏离导航系统预定轨迹判定网约车司机是否存在违规行为的说服力不充分,因此本文提出一种考虑时空因素影响,并综合考虑网约车行驶轨迹被选择频率、网约车订单路程及耗时的网约车司机违规行为综合概率计算方法。首先,数据处理分组。论文以西安市二环局部区域滴滴网约车订单轨迹数据为数据源进行研究。发现,网约车在一天中的不同时间段平均速度走势存在较大差异;网约车在各工作日(周末)一天中不同时刻平均速度走势基本相同;但各工作日与周末之间网约车平均速度的走势尤其在“早高峰”时段存在明显不同。因此计算网约车司机违规综合概率时,按工作日与周末、并以一天中每小时为时间间隔划分时间段进行分组研究。其次,提取相近起止点订单数据。本文定义相近的出发(到达)点为任意一组订单数据的两两出发(到达)点的实际距离小于1公里,通过对按出发、到达点之间直线距离分组的订单轨迹数据利用均值漂移聚类(Mean-Shift Clustering)算法进行聚类,并通过计算转换GCJ-02坐标系(中国国家测绘局制订的坐标系统)下的实际距离和平面直角坐标系下的欧氏距离的方式进行参数调整,匹配得到任意一组相近起止点分组内订单数据的两两出发(到达)点的实际距离小于1公里的分组订单数据。最后,轨迹线段聚类。为满足解决实际问题需求,利用Quick-Bundles聚类算法对轨迹线段进行聚类,在不对轨迹线段进行切分的前提下得到基于相近起止点被选择频率较多的TOP-N轨迹以及被选择频率较少的稀疏轨迹,并比较聚类得到分组内订单轨迹的集中趋势确定异常轨迹。最终,结合轨迹线段聚类的结果、订单所属时间段的行驶路程与耗时确定D-S(Dempster-Shafer)证据理论需要的mass函数,利用D–S证据理论将通过轨迹聚类得到网约车司机存在违规行为的可能性与根据路程耗时得到网约车司机存在违规行为的可能性进行知识融合,得到网约车司机存在违规行为的综合概率。