CN110516932A - 交通行为信息处理方法、装置、计算机设备和存储介质 - Google Patents
交通行为信息处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110516932A CN110516932A CN201910741217.0A CN201910741217A CN110516932A CN 110516932 A CN110516932 A CN 110516932A CN 201910741217 A CN201910741217 A CN 201910741217A CN 110516932 A CN110516932 A CN 110516932A
- Authority
- CN
- China
- Prior art keywords
- index
- probability
- traffic
- information
- target object
- 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.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 49
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 99
- 238000011156 evaluation Methods 0.000 claims abstract description 59
- 230000003542 behavioural effect Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 162
- 230000008901 benefit Effects 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 27
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 241000406668 Loxodonta cyclotis Species 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种交通行为信息处理方法、装置、计算机设备和存储介质,该方法包括步骤:通过获取目标车辆的车辆信息确定目标对象的基础交通行为信息,以及根据目标对象的用户交通信息获取所述目标对象的交通行为指标并对所述交通行为指标进行无量纲化处理和模糊综合评价处理,得到目标对象的额外交通行为信息,再通过目标对象的额外交通行为信息对基础交通行为信息进行调整,从而实现了对交通行为信息的处理,能够有效地对基础交通行为信息进行准确调整修正,得到更准确的交通行为信息,解决了传统技术尚未建立以数据算法模型分析为基础的用户交通信息处理方法用以建立交通行为信息处理模型的技术问题。
Description
技术领域
本发明涉及交通信息处理技术领域,特别是涉及一种交通行为信息处理方法、交通行为信息处理装置、计算机设备和计算机可读存储介质。
背景技术
高速公路收取车辆通行费用是保障高速公路运营养护,近年来,很多车辆在高速公路通行过程中,采取各种违法措施进行逃费。逃费行为不仅影响了高速公路的日常运营管理,而且还会影响其他车辆的驾驶环境。但是,一方面由于稽查力度有限,无法进行全面检查;另一方面对于逃费车辆的处罚目前仍是简单的单次罚款形式,而且只要逃费车主对已明确的逃费行为进行补缴即可移除车辆黑名单,从而无法对恶意、团伙性、有组织性逃费的车辆打击起到长效作用。同时,目前惩罚的对象为车辆,而对车辆逃费行为的主体(司机、车主、营运单位)并未有任何影响。因此,有必要对车辆用户的用户交通信息进行处理,建立围绕人、车、路的综合用户交通信息档案,以实现具有共享性的用户基础数据查询、用户交通信息指标分析,形成有效的高速公路通行管理。
然而,交通行业尚未建立以数据算法模型分析为基础的用户交通信息处理方法用以建立交通行为信息处理模型。而且基于用户行为的信息处理体系的研究目前大多是基于金融业务领域,但是其他业务领域的用户信息处理模型并不能直接适用于交通领域。
发明内容
基于此,有必要针对传统技术尚未建立以数据算法模型分析为基础的用户交通信息处理方法用以建立交通行为信息处理模型的技术问题,提供一种交通行为信息处理方法、交通行为信息处理装置、计算机设备和计算机可读存储介质。
一种交通行为信息处理方法,包括步骤:
根据目标车辆的车辆信息确定目标对象的基础交通行为信息;所述目标对象为所述目标车辆的车主;
获取所述目标对象的用户交通信息;
根据所述用户交通信息获取所述目标对象的交通行为指标,对所述交通行为指标进行无量纲化处理,对无量纲化处理后的交通行为指标进行模糊综合评价处理,得到所述目标对象的额外交通行为信息;
利用所述额外交通行为信息对所述基础交通行为信息进行调整。
一种交通行为信息处理装置,包括:
信息确定模块,用于根据目标车辆的车辆信息确定目标对象的基础交通行为信息;所述目标对象为所述目标车辆的车主;
信息获取模块,用于获取所述目标对象的用户交通信息;
指标处理模块,用于根据所述用户交通信息获取所述目标对象的交通行为指标,对所述交通行为指标进行无量纲化处理,对无量纲化处理后的交通行为指标进行模糊综合评价处理,得到所述目标对象的额外交通行为信息;
信息调整模块,用于利用所述额外交通行为信息对所述基础交通行为信息进行调整。
一种计算机设备,包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
根据目标车辆的车辆信息确定目标对象的基础交通行为信息;所述目标对象为所述目标车辆的车主;获取所述目标对象的用户交通信息;根据所述用户交通信息获取所述目标对象的交通行为指标,对所述交通行为指标进行无量纲化处理,对无量纲化处理后的交通行为指标进行模糊综合评价处理,得到所述目标对象的额外交通行为信息;利用所述额外交通行为信息对所述基础交通行为信息进行调整。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
根据目标车辆的车辆信息确定目标对象的基础交通行为信息;所述目标对象为所述目标车辆的车主;获取所述目标对象的用户交通信息;根据所述用户交通信息获取所述目标对象的交通行为指标,对所述交通行为指标进行无量纲化处理,对无量纲化处理后的交通行为指标进行模糊综合评价处理,得到所述目标对象的额外交通行为信息;利用所述额外交通行为信息对所述基础交通行为信息进行调整。
上述交通行为信息处理方法、装置、计算机设备和存储介质,通过获取目标车辆的车辆信息确定目标对象的基础交通行为信息,以及根据目标对象的用户交通信息获取所述目标对象的交通行为指标并对所述交通行为指标进行无量纲化处理和模糊综合评价处理,得到目标对象的额外交通行为信息,再通过目标对象的额外交通行为信息对基础交通行为信息进行调整,从而实现了对交通行为信息的处理,能够有效地对基础交通行为信息进行准确调整修正,得到更准确的交通行为信息,解决了传统技术尚未建立以数据算法模型分析为基础的用户交通信息处理方法用以建立交通行为信息处理模型的技术问题。
附图说明
图1为一个实施例中交通行为信息处理方法的流程示意图;
图2为一个实施例中获取额外交通行为信息步骤的流程示意图;
图3为一个实施例中综合指标评价权重获取步骤的流程示意图;
图4为一个实施例中一种指数函数图形;
图5为一个应用示例中基于用户行为数据的交通行为信息处理方法的流程示意图;
图6为一个应用示例中基于用户行为数据的交通行为信息处理方法的算法技术流程图;
图7为一个实施例中交通行为信息处理装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在一个实施例中,提供了一种交通行为信息处理方法,参考图1,图1为一个实施例中交通行为信息处理方法的流程示意图,该交通行为信息处理方法可以包括以下步骤:
步骤S101,根据目标车辆的车辆信息确定目标对象的基础交通行为信息;目标对象为目标车辆的车主。
其中,目标对象的基础交通行为信息指的是由车辆信息决定的用户交通行为信息,与车主个人的行为信息无关,是一种固定的信息,反映了这类目标车辆的总体交通行为,可以通过直接获取车辆信息得到。例如:可以根据不同车辆类型,得到对应的基础交通行为信息。
步骤S102,获取目标对象的用户交通信息。
其中,目标对象的用户交通信息指的是车主个人的交通行为信息,由车主本人的历史交通行为决定,具体地,可以通过互联网等方式查询车主的历史交通行为,获取目标对象的用户交通信息。
步骤S103,根据用户交通信息获取目标对象的交通行为指标,对交通行为指标进行无量纲化处理,对无量纲化处理后的交通行为指标进行模糊综合评价处理,得到目标对象的额外交通行为信息。
其中,目标对象的额外交通行为信息指的是由车辆用户本身决定的交通行为信息,可以通过目标对象交通行为指标进行无量纲化处理以及模糊综合评价处理得到,而目标对象的交通行为指标是通过目标对象的用户交通信息得到,因此目标对象的额外交通行为信息与车辆用户的历史行为密切相关。
具体地,目标对象的交通行为指标可以通过直接提取目标对象的用户交通信息的一部分得到,也可以通过计算机算法,对目标对象的用户交通信息的一部分进行处理得到。上述目标对象的交通行为指标包括但不限于目标对象的逃费概率倍数,超速概率倍数、超重概率倍数,历史使用频率以及补费情况。再对上述目标对象的交通行为指标进行无量纲化处理,无量纲化处理的过程具体指的是对目标对象的交通行为指标数学分析处理,可以对无法用数值表示的交通行为指标进行赋值处理,例如:根据补费情况的不同,分别赋值,用0表示目标对象有逃费情况且未补费,用1表示目标对象有逃费情况且部分补费,用2表示目标对象有逃费情况且全部补费,用3表示目标对象无逃费情况。最后对进行无量纲化处理后的目标对象的交通行为指标进行模糊综合评价处理,得到目标对象的额外交通行为信息,模糊综合评价的作用是确定上述无量纲化处理后的目标对象的交通行为指标对目标对象的额外交通行为信息的影响程度,可以通过对上述无量纲化处理后的目标对象的交通行为指标赋予不同的权重表征,权重越大,证明对应的目标对象的交通行为指标对目标对象的额外交通行为信息影响越大。
步骤S104,利用额外交通行为信息对基础交通行为信息进行调整。
根据步骤S103得出的目标对象的额外交通行为信息对目标对象的基础交通行为信息进行调整,从而实现对目标对象交通行为信息的处理。
上述交通行为信息处理方法,根据目标车辆的车辆信息确定目标对象的基础交通行为信息,根据目标对象的用户交通信息并对用户交通信息进行处理得到交通行为指标,并对交通行为指标进行无量纲化处理以及模糊综合评价处理,从而得到目标对象的额外交通行为信息,最后通过目标对象的额外交通行为信息对目标对象的基础交通行为信息进行调整,从而实现了对交通行为信息的处理,能够有效地对基础交通行为信息进行准确调整修正,得到更准确的交通行为信息,解决了传统技术尚未建立以数据算法模型分析为基础的用户交通信息处理方法用以建立交通行为信息处理模型的技术问题。
在一个实施例中,目标车辆的车辆信息可以包括但不限于目标车辆的车型以及客货标志。其中,车型可具体根据高速公路的汽车车型分类标准分为5类,客货标志可分为客车、货车以及不区分客货3种。
在一个实施例中,目标对象的用户交通信息可以包括:目标对象的交通行为偏好、历史使用频率和补费情况。在一些实施例当中,上述目标对象的用户交通信息可进一步包括:目标对象的信用历史、身份特质、人脉关系和外部诚信。
在一个实施例中,提供了一种获取目标对象的额外交通行为信息的方式,参考图2,图2为一个实施例中获取额外交通行为信息步骤的流程示意图,该目标对象的额外交通行为信息的获取可以包括以下步骤:
步骤S201,根据用户交通信息中目标对象的交通行为偏好,计算逃费概率倍数、超速概率倍数和超重概率倍数;
其中,目标对象的交通行为偏好包括但不限于目标对象的逃费情况、超速情况和超重情况,再根据上述逃费情况、超速情况和超重情况运用算法分析计算得出目标对象的逃费概率倍数、超速概率倍数和超重概率倍数。其中,逃费概率倍数用于表示目标对象逃费概率与总体逃费概率的比值,超速概率倍数用于表示目标对象超速概率与总体超速概率的比值,超重概率倍数用于表示目标对象超重概率与总体超重概率的比值。
步骤S202,对逃费概率倍数、超速概率倍数和超重概率倍数进行无量纲化处理和正向化处理,得到逃费概率指数、超速概率指数和超重概率指数;
其中,逃费、超速和超重概率倍数的无量纲化处理可以在步骤S201的算法完成,也可以在此步骤完成。然而,由下表1得知由于该指标的评价标准为“越小越好”,因此还需要对该指标进行正向化处理,使上述指标的评价标准变为“越大越好”。通过无量纲化处理和正向化处理,可以将逃费概率倍数、超速概率倍数和超重概率倍数转化为逃费概率指数、超速概率指数和超重概率指数,逃费概率指数、超速概率指数和超重概率指数分别表示目标对象逃费、超速和超重概率与总体概率的比值。
评价指标 | 评价标准 |
逃费概率倍数 | 越小越好 |
超速概率倍数 | 越小越好 |
超重概率倍数 | 越小越好 |
历史使用频率 | 越大越好 |
补费情况 | 越大越好 |
表1各评价指标评价导向
步骤S203,对用户交通信息中所述目标对象的历史使用频率和补费情况进行无量纲化处理,获取历史使用频率指数和补费指数;
其中,历史使用频率可表示一段时间内的通行的次数,上述时间由输入数据的时间窗长度决定,例如,若输入为3个月的历史流水,共三个月的历史记录数据,那么将历史使用频率分为多个区间,区间的划分依据是三个月的车辆行驶次数的数据量,因为数据量可以直观体现区间包含的信息量大小。又因为历史使用频率反映了目标对象的数据完整程度,即目标对象在一定时间内通行的次数越多,系统掌握的信息越完整,评价的可靠性越高,所以评价标准为“越大越好”,然而存在量纲,因此不需进行正向化处理,只需进行无量纲化处理即可获取历史使用频率指数。
补费指数则表示目标对象是否有逃费情况以及是否补费,是对被目标对象交通行为的一个补偿措施,当被评价者出现逃费情况,系统鼓励此人通过补费等措施来补救自己的交通行为,由于补费情况评价标准为“越大越好”,然而存在量纲,因此不需进行正向化处理,只需进行无量纲化处理即可获取历史使用频率指数。例如,可以将逃费情况分为:有逃费情况且未补费、有逃费情况且部分补费、有逃费情况且全部补费和无逃费情况4种,无量纲化处理的过程可分别对4种情况赋值,将有逃费情况且未补费赋值为0,有逃费情况且部分补费赋值为1、有逃费情况且全部补费赋值为2和无逃费情况赋值为3。
步骤S204,基于模糊综合评价方法,确定逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数对应的权重和隶属度;根据对应的权重和隶属度获取对应的综合指标评价权重。
在一个实施例中,提供了一种获取综合指标评价权重的方式,参考图3,图3为一个实施例中综合指标评价权重获取步骤的流程示意图,该综合指标评价权重获取可以包括以下步骤:
步骤S301,输入判断矩阵。
其中,判断矩阵是选用层次分析法进行计算。具体的,层次分析法在排序计算中,每一层次的排序又可简化为一系列成对因素的判断比较,并根据一定的比率标度将判断定量化,最终形成比较判断矩阵。
步骤S302,检验是否满足一致性;若满足,则进入步骤S303,不满足,则进入步骤S301。
步骤S303,输出指标权重集。
步骤S304,输入评价标准集。
在一个实施例中,评价标准集可分为重要、较重要、一般重要、较不重要和不重要。
步骤S305,建立隶属函数。
在一个实施例中,建立隶属函数是为了确定逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数对应的隶属度。隶属度的确定是为了得到各因素对模糊评价等级所构成的模糊评价矩阵,从而使对实际问题进行综合评价得以实现。隶属度是在模糊集合对普通集合概念推广的基础上,取闭区间[0,1]上任一数值,实现定量地刻画模糊性事物。虽然隶属度的确定带有一定程度上的主观性,但在客观上对隶属度进行了某种限定,使得隶属度不能主观任意捏造。因此,隶属度的确定具有一定的客观规律。在进行模糊评价时,如何确定各个因素对应各个评判等级的隶属程度是整个评价能否进行的关键。确定隶属度的方法有多种,没有统一的模式,但允许有一定的人为技巧,允许人们根据自己的专业知识和实际经验灵活地创造。评判隶属度是否符合实际,主要看其是否正确地反映了元素隶属集合到不隶属集合这一变化过程的整体性,而不在于单个元素的隶属度数值如何。
在一个实施例中,隶属度的确定采用专家问卷调查法,然后根据调查结果用统计方法加以确定是一种有效的方法,该方法反映了专家多年积累的经验,是专家集体智慧的结果。但是专家咨询毕竟是人们的主观意愿,如何使咨询正确反映实际情况,以达到预期的目的,需要在专家问卷设计中充分体现出来。为使咨询结果趋于合理,本实施例采取了以下措施选择具有相当专业素质,实际经验丰富,并且对所评价道路最为熟悉的专家。调查表用简捷的语言进行组织,便于阅读并给出示例,如下表2所示。
表2高速公路诚信管理系统指标评价调查表
专家人数按统计学要求越多越好,一般为15人以上。在收到专家填写好的调查表后,用统计方法,按下式计算隶属度:
式中,dij对于第i因素ui作出隶属度属于第j评价等级vj的专家人数;d为总的专家人数。其中因素i包括:逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数,评价j包括:重要、较重要、一般重要、较不重要。
步骤S306,输出隶属度矩阵。
其中,上述隶属度矩阵由步骤S305计算得出,dij为该隶属度矩阵第i行j列对应的元素,其中一个隶属度矩阵R如下表示。
步骤S307,根据上述指标权重集与隶属度矩阵确定各因素对应的综合评价指标权重。
步骤S205,根据对应的综合指标评价权重,获取与逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数相对应的子额外交通行为信息。
步骤S206,对与逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数相对应的子额外交通行为信息进行汇总,得到目标对象的额外交通行为信息。
在一个实施例中,逃费概率倍数、超速概率倍数和超重概率倍数是通过贝叶斯概率分析模型得到。
在一个实施例中,采用如下指数处理模型,对逃费概率倍数、超速概率倍数、超重概率倍数进行无量纲化处理和正向化处理:
其中x表示所述逃费概率倍数、超速概率倍数和超重概率倍数中的任一参数,x'表示与所述逃费概率倍数、超速概率倍数和超重概率倍数中的任一参数相对应的逃费概率指数、超速概率指数和超重概率指数。由图4指数函数图形可以得知,随着逃费概率倍数、超速概率倍数和超重概率倍数中的任一参数x的增加,所对应的逃费概率指数、超速概率指数和超重概率指数中的任一参数x'减小,评价标准由“越小越好”变为“越大越好”,由表3得知,当x>0,此时x'<1,此时表明目标对象交通行为不可能达到完美,但可以不断改善自己的交通行为,永远有提升的空间,随着逃费概率倍数、超速概率倍数和超重概率倍数的增加,逃费概率指数、超速概率指数和超重概率指数不断减小,表明目标用户的交通行为不断恶化。
表3概率指数评分信息
在一个实施例中,对用户交通信息中目标对象的历史使用频率和补费情况进行无量纲化处理,获取历史使用频率指数和补费指数,包括如下步骤:
将历史使用频率分为多个历史使用频率区间,并设置历史使用频率区间对应的组合权重,再根据历史使用频率区间和所述历史使用频率区间对应的组合权重获取历史使用频率指数。
具体的,历史使用频率区间的划分是通过输入数据时间窗决定,这里以3个月为例,表示的是3个月车辆行驶次数的数据量。考虑到随着车辆的行驶次数逐渐上升,对应的数据量逐渐减少,在出行次数较高的情况下可以考虑将其合并,这样合并的依据有以下几点:
1.出行次数较高导致将导致数据量的减少,从区间信息量的角度出发,应合并以保证区间划分的科学性。
2.当出行次数较高时,从车辆的逃费频率角度出发,同样有一次逃费行为的车辆,其出行频率分别为1次/三个月与2次/三个月时,其相应的逃费频率分别为1与1/2,逃费频率的差值为0.5,可以认为,此时的历史使用频率对逃费频率的影响极其显著,因此在划分历史使用频率的区间时需要对这两种次数进行区分。
当同样有一次逃费行为的车辆,其出行频率分别为25次三个/月与28次/三个月时,其相应的逃费频率分别为1/25与1/28,逃费频率的差值为0.004286,可以认为,此时的历史使用频率对逃费频率的影响不显著,因此在划分历史使用频率的区间时可以将这两种次数进行合并。
考虑到对历史使用频率指数的期望,车辆行驶次数越多,目标对象的交通行为越好,因此引用平均权重的思想,对每个区间给予一个平均权重,并与数据量并行计算综合权重。
综合权重的计算采用一种组合赋权的方法,充分考虑数据量的影响,计算公式如下:
其中,ai为第i个类别的数据量,bi为第i个类别的对应平均权重,根据数据量与对应平均权重得到最终的权重,再根据最终权重与历史使用频率算得历史使用频率指数。
而对于补费情况,则为补费情况设置对应的数值和对应的显著系数,再根据显著系数设置补费情况对应的组合权重,并根据补费情况的对应的数值和补费情况对应的组合权重获取补费指数。
具体的,可以将逃费情况分为:有逃费情况且未补费、有逃费情况且部分补费、有逃费情况且全部补费、无逃费情况四种情况,并分别赋值,将有逃费情况且未补费赋值为0,有逃费情况且部分补费赋值为1、有逃费情况且全部补费赋值为2和无逃费情况赋值为3,如表4所示
x′<sub>5</sub> | 含义 |
0 | x<sub>5</sub>为有逃费情况且未补费 |
1 | x<sub>5</sub>为有逃费情况且部分补费 |
2 | x<sub>5</sub>为有逃费情况且全部补费 |
3 | x<sub>5</sub>为无逃费情况 |
表4补费情况无量纲化处理
再采取与“历史使用频率”指标相同的处理思路,采取组合权重的计算。组合权重的计算采用一种组合赋权的方法,充分考虑数据量的影响,计算公式如下:
其中,ai为第i个类别的数据量,bi为第i个类别的对应权重,然而算出的结果会出现最终权重值较低的情况,由表5所示,且由于有逃费情况且部分补费的数据量极低,导致和有逃费情况且未补费的权重值差异很小,没有区分度,采用这种计算方法会导致有逃费情况且未补费、有逃费情况且部分补费和有逃费情况且全部补费这三种情况的交通行为差异很小,没有实际意义。因此引入显著系数修正数据量,目的是避免补费指数的四种行为由于数据量量纲的差异导致的区分度低的问题。
表5补费情况组合权重表
补费指数的设置是为了鼓励逃费车辆进行补费,因此,随着车辆补费行为的提升,从逃费到部分补费再到全部补费,目标对象交通行为应当越来越好,当车辆由部分补费到全部补费时,提升的交通行为应当大于其余相近权重提升的交通行为应满足如下要求:(行为2权重-行为1权重)<(行为4权重-行为3权重)<(行为3权重-行为2权重)。
在设置显著系数时,由于数据量纲差异较大,本实施例选取50为基本倍数,其要求是使得修正数据量在同一量纲,且最终得到的组合权重应满足上述要求。
经过调整显著系数,将有逃费情况且未补费赋予显著系数50,将有逃费情况且部分补费赋予显著系数5000,将有逃费情况且全部补费赋予显著系数100,将无逃费情况赋予显著系数1,根据显著系数调整后的补费情况,再通过组合权重计算方法,得到补费情况对应的组合权重,最后根据补费情况对应的组合权重和补费情况的赋值算出补费指数,由表6所示。
表6补费情况组合权重表(引入显著系数)
以下通过一个应用示例来展示交通行为信息的处理方法,该实施例用于一种基于用户行为数据的交通评分方法,参考图5和图6,图5为一个应用示例中基于用户行为数据的交通行为信息处理方法的流程示意图,图6为一个实施例中基于用户行为数据的交通评分方法的算法技术流程图,该综合指标评价权重获取可以包括以下步骤:
获取待评价车辆的车型信息以及车辆的客货标识,根据车型信息以及客货标识获取诚信指标基础分。
其中根据车型信息以及客货标识获取诚信指标基础分,由表7所示。
表7诚信指标基础分等级
获取待评估车辆车主的车主信息。
其中,上述车主信息包括但不限于车主的行为偏好、历史使用频率、补费情况、信用历史、身份特质、人脉关系和外部诚信等。
根据车主信息获取诚信指标,并对上述诚信指标进行无量纲化处理以及模糊综合评价处理,得到诚信指标额外信用分。
其中,诚信指标包括逃费概率倍数、超速概率倍数、超重概率倍数、历史使用频率和补费情况如表8所示。对逃费概率倍数、超速概率倍数和超重概率倍数进行无量纲化处理以及正向化处理,对历史使用频率和补费情况进行无量纲化处理,得到对应的逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费情况指数,完成无量纲化处理后的诚信指标如表9所示。运用模糊综合评价处理赋予上述逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费情况指数对应的综合指标评价权重,其中综合指标评价权重由诚信指标权重以及隶属度计算可得,诚信指标权重计算结果,如表10所示,并根据上述综合指标评价权重,确定逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费情况指数所对应的诚信分数。最后将上述诚信分数求和,得出诚信指标额外信用分。
评价指标 | 指标解释 |
逃费概率倍数 | x<sub>1</sub>表示被评价者逃费概率与总体逃费概率的比值 |
超速概率倍数 | x<sub>2</sub>表示被评价者超速概率与总体超速概率的比值 |
超重概率倍数 | x<sub>3</sub>表示被评价者超重概率与总体超重概率的比值 |
历史使用频率 | x<sub>4</sub>表示3个月内使用高速公路的次数 |
补费情况 | x<sub>5</sub>表示被评价者是否有逃费情况以及是否补费 |
表8输入评价指标
表9评价指标计算与评价标准
表10诚信指标权重计算结果
将诚信指标基础分与诚信指标额外信用分相加,得到交通信用评分。
在一个实施例中,提供了一种交通行为信息处理装置,参考图7,图7为一个实施例中交通行为信息处理装置的结构框图,该交通行为信息处理装置可以包括:
信息确定模块101,用于根据目标车辆的车辆信息确定目标对象的基础交通行为信息;所述目标对象为所述目标车辆的车主;
信息获取模块102,用于获取所述目标对象的用户交通信息;
指标处理模块103,用于根据所述用户交通信息获取所述目标对象的交通行为指标,对所述交通行为指标进行无量纲化处理,对无量纲化处理后的交通行为指标进行模糊综合评价处理,得到所述目标对象的额外交通行为信息;
信息调整模块104,用于利用所述额外交通行为信息对所述基础交通行为信息进行调整。
在一个实施例中,目标车辆的车辆信息包括:所述目标车辆的车型和客货标志。
在一个实施例中,目标对象的用户交通信息包括:目标对象的交通行为偏好、历史使用频率和补费情况。
在一个实施例中,指标处理模块103,进一步用于根据用户交通信息中目标对象的交通行为偏好,计算逃费概率倍数、超速概率倍数和超重概率倍数;对逃费概率倍数、超速概率倍数和超重概率倍数进行无量纲化处理和正向化处理,得到逃费概率指数、超速概率指数和超重概率指数;对用户交通信息中目标对象的历史使用频率和补费情况进行无量纲化处理,获取历史使用频率指数和补费指数;基于模糊综合评价方法,确定逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数对应的权重和隶属度;根据对应的权重和隶属度获取对应的综合指标评价权重;根据对应的综合指标评价权重,获取与逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数相对应的子额外交通行为信息;对与逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数相对应的子额外交通行为信息进行汇总,得到目标对象的额外交通行为信息。
在一个实施例中,指标处理模块103,进一步用于对逃费概率倍数、超速概率倍数、超重概率倍数进行无量纲化处理和正向化处理,得到逃费概率指数、超速概率指数和超重概率指数采用如下指数处理模型,对逃费概率倍数、超速概率倍数、超重概率倍数进行无量纲化处理和正向化处理:
其中x表示逃费概率倍数、超速概率倍数和超重概率倍数中的任一参数,x'表示与逃费概率倍数、超速概率倍数和超重概率倍数中的任一参数相对应的逃费概率指数、超速概率指数和超重概率指数。
在一个实施例中,指标处理模块103,进一步用于对用户交通信息中目标对象的历史使用频率和补费情况进行无量纲化处理,获取历史使用频率指数和补费指数,用于将历史使用频率分为多个历史使用频率区间,并设置历史使用频率区间对应的组合权重,再根据历史使用频率区间和历史使用频率区间对应的组合权重获取历史使用频率指数;还用于为补费情况设置对应的数值和对应的显著系数,再根据显著系数设置补费情况对应的组合权重,并根据补费情况的对应的数值和补费情况对应的组合权重获取补费指数。
本发明的交通行为信息处理装置与本发明的交通行为信息处理方法一一对应,关于交通行为信息处理装置的具体限定可以参见上文中对于交通行为信息处理方法的限定,在上述交通行为信息处理方法的实施例阐述的技术特征及其有益效果均适用于交通行为信息处理装置的实施例中,在此不再赘述。上述交通行为信息处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示,图8为一个实施例中计算机设备的内部结构图。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于车载机器人的交互方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上任一项实施例所述的交通行为信息处理方法。
在一个实施例中,提供了一种计算机设备,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据目标车辆的车辆信息确定目标对象的基础交通行为信息,根据目标对象的用户交通信息并对用户交通信息进行处理得到交通行为指标,并对交通行为指标进行无量纲化处理以及模糊综合评价处理,从而得到目标对象的额外交通行为信息,最后通过目标对象的额外交通行为信息对目标对象的基础交通行为信息进行调整。
在一个实施例中,目标车辆的车辆信息包括:所述目标车辆的车型和客货标志。
在一个实施例中,目标对象的用户交通信息包括:目标对象的交通行为偏好、历史使用频率和补费情况。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据用户交通信息中目标对象的交通行为偏好,计算逃费概率倍数、超速概率倍数和超重概率倍数;对逃费概率倍数、超速概率倍数和超重概率倍数进行无量纲化处理和正向化处理,得到逃费概率指数、超速概率指数和超重概率指数;对用户交通信息中目标对象的历史使用频率和补费情况进行无量纲化处理,获取历史使用频率指数和补费指数;基于模糊综合评价方法,确定逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数对应的权重和隶属度;根据对应的权重和隶属度获取对应的综合指标评价权重;根据对应的综合指标评价权重,获取与逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数相对应的子额外交通行为信息;对与逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数相对应的子额外交通行为信息进行汇总,得到目标对象的额外交通行为信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对逃费概率倍数、超速概率倍数、超重概率倍数进行无量纲化处理和正向化处理,得到逃费概率指数、超速概率指数和超重概率指数采用如下指数处理模型,对逃费概率倍数、超速概率倍数、超重概率倍数进行无量纲化处理和正向化处理:
其中x表示逃费概率倍数、超速概率倍数和超重概率倍数中的任一参数,x'表示与逃费概率倍数、超速概率倍数和超重概率倍数中的任一参数相对应的逃费概率指数、超速概率指数和超重概率指数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对用户交通信息中目标对象的历史使用频率和补费情况进行无量纲化处理,获取历史使用频率指数和补费指数,用于将历史使用频率分为多个历史使用频率区间,并设置历史使用频率区间对应的组合权重,再根据历史使用频率区间和历史使用频率区间对应的组合权重获取历史使用频率指数;还用于为补费情况设置对应的数值和对应的显著系数,再根据显著系数设置补费情况对应的组合权重,并根据补费情况的对应的数值和补费情况对应的组合权重获取补费指数。
上述计算机设备,通过所述处理器上运行的计算机程序,能够实现对交通行为信息的处理,能够有效地对基础交通行为信息进行准确调整修正,得到更准确的交通行为信息,解决了传统技术尚未建立以数据算法模型分析为基础的用户交通信息处理方法用以建立交通行为信息处理模型的技术问题。
本领域普通技术人员可以理解实现如上任一项实施例所述的交通行为信息处理方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
据此,在一个实施例中还提供一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上任一项实施例所述的交通行为信息处理方法。
据此,在一个实施例中提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据目标车辆的车辆信息确定目标对象的基础交通行为信息,根据目标对象的用户交通信息并对用户交通信息进行处理得到交通行为指标,并对交通行为指标进行无量纲化处理以及模糊综合评价处理,从而得到目标对象的额外交通行为信息,最后通过目标对象的额外交通行为信息对目标对象的基础交通行为信息进行调整。
在一个实施例中,目标车辆的车辆信息包括:所述目标车辆的车型和客货标志。
在一个实施例中,目标对象的用户交通信息包括:目标对象的交通行为偏好、历史使用频率和补费情况。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据用户交通信息中目标对象的交通行为偏好,计算逃费概率倍数、超速概率倍数和超重概率倍数;对逃费概率倍数、超速概率倍数和超重概率倍数进行无量纲化处理和正向化处理,得到逃费概率指数、超速概率指数和超重概率指数;对用户交通信息中目标对象的历史使用频率和补费情况进行无量纲化处理,获取历史使用频率指数和补费指数;基于模糊综合评价方法,确定逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数对应的权重和隶属度;根据对应的权重和隶属度获取对应的综合指标评价权重;根据对应的综合指标评价权重,获取与逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数相对应的子额外交通行为信息;对与逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数相对应的子额外交通行为信息进行汇总,得到目标对象的额外交通行为信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对逃费概率倍数、超速概率倍数、超重概率倍数进行无量纲化处理和正向化处理,得到逃费概率指数、超速概率指数和超重概率指数采用如下指数处理模型,对逃费概率倍数、超速概率倍数、超重概率倍数进行无量纲化处理和正向化处理:
其中x表示逃费概率倍数、超速概率倍数和超重概率倍数中的任一参数,x'表示与逃费概率倍数、超速概率倍数和超重概率倍数中的任一参数相对应的逃费概率指数、超速概率指数和超重概率指数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对用户交通信息中目标对象的历史使用频率和补费情况进行无量纲化处理,获取历史使用频率指数和补费指数,用于将历史使用频率分为多个历史使用频率区间,并设置历史使用频率区间对应的组合权重,再根据历史使用频率区间和历史使用频率区间对应的组合权重获取历史使用频率指数;还用于为补费情况设置对应的数值和对应的显著系数,再根据显著系数设置补费情况对应的组合权重,并根据补费情况的对应的数值和补费情况对应的组合权重获取补费指数。
上述计算机可读存储介质,通过其存储的计算机程序,能够实现对交通行为信息的处理,能够有效地对基础交通行为信息进行准确调整修正,得到更准确的交通行为信息,解决了传统技术尚未建立以数据算法模型分析为基础的用户交通信息处理方法用以建立交通行为信息处理模型的技术问题。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种交通行为信息处理方法,其特征在于,包括步骤:
根据目标车辆的车辆信息确定目标对象的基础交通行为信息;所述目标对象为所述目标车辆的车主;
获取所述目标对象的用户交通信息;
根据所述用户交通信息获取所述目标对象的交通行为指标,对所述交通行为指标进行无量纲化处理,对无量纲化处理后的交通行为指标进行模糊综合评价处理,得到所述目标对象的额外交通行为信息;
利用所述额外交通行为信息对所述基础交通行为信息进行调整。
2.根据权利要求1所述的方法,其特征在于,所述目标车辆的车辆信息包括:所述目标车辆的车型和客货标志。
3.根据权利要求1所述的方法,其特征在于,所述目标对象的用户交通信息包括:所述目标对象的交通行为偏好、历史使用频率和补费情况。
4.根据权利要求1所述的方法,其特征在于,所述根据所述用户交通信息获取所述目标对象的交通行为指标,对所述交通行为指标进行无量纲化处理,对无量纲化处理后的交通行为指标进行模糊综合评价处理,得到所述目标对象的额外交通行为信息的步骤,包括:
根据所述用户交通信息中所述目标对象的交通行为偏好,计算逃费概率倍数、超速概率倍数和超重概率倍数;
对所述逃费概率倍数、超速概率倍数和超重概率倍数进行无量纲化处理和正向化处理,得到逃费概率指数、超速概率指数和超重概率指数;
对所述用户交通信息中所述目标对象的历史使用频率和补费情况进行无量纲化处理,获取历史使用频率指数和补费指数;
基于模糊综合评价方法,确定所述逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数对应的权重和隶属度;根据所述对应的权重和隶属度获取对应的综合指标评价权重;
根据所述对应的综合指标评价权重,获取与所述逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数相对应的子额外交通行为信息;
对所述与所述逃费概率指数、超速概率指数、超重概率指数、历史使用频率指数和补费指数相对应的子额外交通行为信息进行汇总,得到所述目标对象的额外交通行为信息。
5.根据权利要求4所述的方法,其特征在于,所述计算逃费概率倍数、超速概率倍数和超重概率倍数的步骤,包括:
通过贝叶斯概率分析模型及最大熵模型算法计算所述计算逃费概率倍数、超速概率倍数和超重概率倍数。
6.根据权利要求4所述的方法,其特征在于,所述对所述逃费概率倍数、超速概率倍数和超重概率倍数进行无量纲化处理和正向化处理,得到逃费概率指数、超速概率指数和超重概率指数包括:
采用如下指数处理模型,对所述逃费概率倍数、超速概率倍数、超重概率倍数进行无量纲化处理和正向化处理:
其中x表示所述逃费概率倍数、超速概率倍数和超重概率倍数中的任一参数,x'表示与所述逃费概率倍数、超速概率倍数和超重概率倍数中的任一参数相对应的逃费概率指数、超速概率指数和超重概率指数。
7.根据权利要求4所述的方法,其特征在于,所述对所述用户交通信息中所述目标对象的历史使用频率和补费情况进行无量纲化处理,获取历史使用频率指数和补费指数的步骤,包括:
将所述历史使用频率分为多个历史使用频率区间,并设置所述历史使用频率区间对应的组合权重,再根据所述历史使用频率区间和所述历史使用频率区间对应的组合权重获取历史使用频率指数;
为所述补费情况设置对应的数值和显著系数,再根据所述显著系数设置补费情况对应的组合权重,并根据所述补费情况的对应的数值和所述补费情况对应的组合权重获取补费指数。
8.一种交通行为信息处理装置,其特征在于,包括:
信息确定模块,用于根据目标车辆的车辆信息确定目标对象的基础交通行为信息;所述目标对象为所述目标车辆的车主;
信息获取模块,用于获取所述目标对象的用户交通信息;
指标处理模块,用于根据所述用户交通信息获取所述目标对象的交通行为指标,对所述交通行为指标进行无量纲化处理,对无量纲化处理后的交通行为指标进行模糊综合评价处理,得到所述目标对象的额外交通行为信息;
信息调整模块,用于利用所述额外交通行为信息对所述基础交通行为信息进行调整。
9.一种计算机设备,包括处理器和存储器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910741217.0A CN110516932A (zh) | 2019-08-12 | 2019-08-12 | 交通行为信息处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910741217.0A CN110516932A (zh) | 2019-08-12 | 2019-08-12 | 交通行为信息处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516932A true CN110516932A (zh) | 2019-11-29 |
Family
ID=68625591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910741217.0A Pending CN110516932A (zh) | 2019-08-12 | 2019-08-12 | 交通行为信息处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516932A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129541A (zh) * | 2022-12-28 | 2023-05-16 | 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 |
---|---|---|---|---|
CN104657623A (zh) * | 2015-03-17 | 2015-05-27 | 天津市市政工程设计研究院 | 一种基于驾驶模拟技术的道路线形安全审核方法 |
US10147324B1 (en) * | 2017-07-10 | 2018-12-04 | Toyota Research Institute, Inc. | Providing user assistance in a vehicle based on traffic behavior models |
CN109671266A (zh) * | 2018-11-26 | 2019-04-23 | 北京交通大学 | 基于加速失效风险模型的驾驶员事故动态预警方法 |
CN109801001A (zh) * | 2019-02-25 | 2019-05-24 | 南方电网科学研究院有限责任公司 | 一种电力企业保障体系的评价方法、装置及存储介质 |
-
2019
- 2019-08-12 CN CN201910741217.0A patent/CN110516932A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657623A (zh) * | 2015-03-17 | 2015-05-27 | 天津市市政工程设计研究院 | 一种基于驾驶模拟技术的道路线形安全审核方法 |
US10147324B1 (en) * | 2017-07-10 | 2018-12-04 | Toyota Research Institute, Inc. | Providing user assistance in a vehicle based on traffic behavior models |
CN109671266A (zh) * | 2018-11-26 | 2019-04-23 | 北京交通大学 | 基于加速失效风险模型的驾驶员事故动态预警方法 |
CN109801001A (zh) * | 2019-02-25 | 2019-05-24 | 南方电网科学研究院有限责任公司 | 一种电力企业保障体系的评价方法、装置及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129541A (zh) * | 2022-12-28 | 2023-05-16 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993652B (zh) | 一种借贷信用风险评估方法及装置 | |
CN109360084A (zh) | 征信违约风险的评估方法及装置、存储介质、计算机设备 | |
CN106447075B (zh) | 行业用电需求预测方法与系统 | |
CN107633030A (zh) | 基于数据模型的信用评估方法及装置 | |
CN107633455A (zh) | 基于数据模型的信用评估方法及装置 | |
CN111798057A (zh) | 一种基于模糊层次盈利分析的充电场站选址方法 | |
CN112668822A (zh) | 科技成果转化平台共享系统、方法、存储介质、手机app | |
Tagai et al. | Two faces of peripherality: labour markets, poverty, and population dynamics in Hungary and Czechia | |
Meyers et al. | The retrospective testing of stochastic loss reserve models | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN114926299A (zh) | 一种基于大数据分析的预测车辆事故风险预测方法 | |
CN110516932A (zh) | 交通行为信息处理方法、装置、计算机设备和存储介质 | |
CN114881485A (zh) | 一种基于层次分析法和云模型的企业资金风险评估方法 | |
CN113344130B (zh) | 差异化巡河策略的生成方法及装置 | |
CN113379318A (zh) | 公共交通系统运营服务质量评价方法、装置和计算机设备 | |
Yeo et al. | Modeling the effect of premium changes on motor insurance customer retention rates using neural networks | |
CN108090835A (zh) | 一种城市数据资产价值评估系统及方法 | |
CN111738610A (zh) | 一种基于舆情数据的企业流失性风险预警系统和方法 | |
CN114926261A (zh) | 汽车金融用户申请欺诈概率预测方法及介质 | |
Wang et al. | Study on the risk evaluation model of utility tunnel project under a PPP mode | |
CN113537759A (zh) | 一种基于权重自适应的用户体验度量模型 | |
WANG et al. | Research on Credit Decision Issues of the Small and Medium-Sized Enterprises Based on TOPSIS and Hierarchical Cluster Analysis [C] | |
Radam et al. | Typical river transport for Banjarmasin based on the criteria of the National Transportation System | |
hua Zhang et al. | Prediction of motor vehicle ownership in county towns based on support vector machine | |
CN114820168A (zh) | 城市轨道交通乘客安全信用评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
RJ01 | Rejection of invention patent application after publication |