CN112667616A - 基于区块链的交通数据评价方法、系统及电子设备 - Google Patents

Abstract

本发明提供了一种基于区块链的交通数据评价方法、系统及电子设备，涉及区块链技术领域，该方法首先通过区块链网络中预先部署的智能合约，将预处理数据上传至区块链中；其中，预处理数据由多个采集方进行采集，包括：交通拥堵的实时数据和历史数据；然后将预处理数据输入至预设的神经网络模型中，神经网络模型根据交通拥堵的实时数据和历史数据最终确定采集方的置信度；再将采集方的置信度上传至区块链中，根据采集方的置信度和数据量确定采集方的数据评价结果。该方法利用预设的神经网络模型确定采集方的数据准确率，从而获得置信度较高的采集方所采集的数据，并将该数据用于最终的道路拥堵判断，提升了道路拥堵评估效果。

Description

基于区块链的交通数据评价方法、系统及电子设备

技术领域

本发明涉及区块链技术领域，尤其是涉及一种基于区块链的交通数据评价方法、系统及电子设备。

背景技术

道路拥堵数据的获取过程，是通过不同的采集方对交通数据的采集所实现的。随着道路交通网络日渐复杂，不同交通数据采集方之间的数据无法相互读取，采集方将各自采集的数据统一上传至交通部门。当多个采集方上传数据的过程中，不同采集点对同一路段采集的结果存在差异时，交通部门缺少相应的手段来对数据采集的准确性进行判断，导致对道路拥堵的评估效果较差。

发明内容

有鉴于此，本发明的目的在于提供一种基于区块链的交通数据评价方法、系统及电子设备，利用预设的神经网络模型确定采集方的置信度结果，从而获得置信度较高的采集方所采集的数据，并将该数据用于最终的道路拥堵判断过程，提升了道路拥堵的评估效果。

第一方面，本发明实施例提供了一种基于区块链的交通数据评价方法，该方法应用于区块链网络中，包括：

通过区块链网络中预先部署的智能合约，将预处理数据通过智能合约上传至区块链中；其中，预处理数据由多个采集方进行采集，包括：交通拥堵的实时数据和历史数据；

将预处理数据输入至预设的神经网络模型中，神经网络模型根据交通拥堵的实时数据和历史数据确定采集方的置信度；

将采集方的置信度上传至区块链中，根据采集方的置信度和数据量确定采集方的数据评价结果。

在一些实施方式中，通过区块链网络中预先部署的智能合约，将预处理数据通过智能合约上传至区块链中的步骤，包括：

根据采集方采集的交通拥堵的实时数据和历史数据，确定道路交通网络；

根据道路交通网络确定车流量矩阵；其中，车流量矩阵用于表征道路的拥堵程度；

将车流量矩阵以及道路交通网络上传至区块链。

在一些实施方式中，道路交通网络G(V,E,A)由多个节点相连接构成的网络；其中，V为节点的集合；E为边的集合，边为相邻节点的连线，用于表示车道；A为n维邻接矩阵，具体的，A的形式如下：

其中，e为边；v为节点；1≤p≤n；1≤q≤n；

车流量矩阵，形式如下：

其中，i为车道；j为天数；k为采集方；T为记录次数；x_tT为采集方在道路i上采集的车流量状态。

在一些实施方式中，神经网络模型包含第一神经网络模型和第二神经网络模型；其中，第一神经网络模型用于确定采集方的数据准确率；第二神经网络模型用于确定采集方的数据置信度；

神经网络模型根据交通拥堵的实时数据和历史数据确定采集方的置信度，包括：

根据交通拥堵的实时数据和历史数据，确定车流量矩阵；

将车流量矩阵输入至第一神经网络模型中，通过相似度对比得到采集方的第一数据准确率；

将采集方的第一数据准确率及其他参数输入至第二神经网络模型中，通过相似度对比确定第二数据准确率，并将第二数据准确率确定为采集方的置信度；其中，第二数据准确率的确定过程与第一数据准确率的确定过程一致。

在一些实施方式中，将车流量矩阵输入至第一神经网络模型中，得到采集方的第一数据准确率，包括：

利用预先构建的相似度矩阵，计算采集方采集的数据的相似度；

根据述采集方采集的数据的相似度确定采集方的第一数据准确率。

在一些实施方式中，相似度矩阵，形式如下：

其中，S为相似度矩阵；Ac为准确率；s为每个采集方的相似度；a为每个采集方的准确率；i为车道；j为天数；k为采集方；X为第一神经网络输出时刻的采集数据；Y为神经网络模型的输出数据。

在一些实施方式中，第一神经网络模型的训练过程，第一神经网络模型训练过程中，所用的第一损失函数的形式如下：

其中，L为第一损失函数；X为第一神经网络模型的输入数据；Y为神经网络模型的输出数据；j为天数；k为采集方。

在一些实施方式中，第二神经网络模型的训练过程，包括：

根据实时数据，确定所有道路中采集方采集的数据；

根据车流量矩阵计算所有道路的车流量平均值，并确定采集方采集的数据与车流量平均值的差值；

根据历史数据，确定采集方的采集准确率；

将所有道路中采集方采集的数据、采集方采集的数据与车流量平均值的差值以及采集方的采集准确率作为输入数据输入至预设的第二神经网络中进行训练；其中，训练过程中对所有道路中包含的每条道路进行相同训练操作；训练过程中，输入数据的时间保持一致；

利用预设的第二损失函数，实时计算所述神经网络模型的损失值；当历史数据训练完毕时停止模型的训练；

第二损失函数的形式如下：

其中，Loss为损失函数；H_t为预测的t时刻的输出；y_t为t时刻的采集数据。

第二方面，本发明实施例提供了一种基于区块链的交通数据评价系统，该系统应用于区块链网络中，包括：

预处理模块，用于通过区块链网络中预先部署的智能合约，将预处理数据通过智能合约上传至区块链中；其中，预处理数据由多个采集方进行采集，包括：交通拥堵的实时数据和历史数据；

置信度确定模块，用于将预处理数据输入至预设的神经网络模型中，神经网络模型根据交通拥堵的实时数据和历史数据确定采集方的置信度；

数据评价模块，用于将采集方的置信度上传至区块链中，根据采集方的置信度和数据量确定采集方的数据评价结果。

第三方面，本发明实施例还提供一种电子设备，包括：处理器和存储器；存储器上存储有计算机程序，计算机程序在被处理器运行时实现上述第一方面任意可能的实施方式中提到的基于区块链的交通数据评价方法的步骤。

第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其中，计算机程序被处理器运行时实现上述第一方面任意可能的实施方式中提到的基于区块链的交通数据评价方法的步骤。

本发明实施例带来了以下有益效果：

本发明提供了一种基于区块链的交通数据评价方法、系统及电子设备，应用于区块链网络中，该方法首先通过区块链网络中预先部署的智能合约，将预处理数据通过智能合约上传至区块链中；其中，预处理数据由多个采集方进行采集，包括：交通拥堵的实时数据和历史数据；然后将预处理数据输入至预设的神经网络模型中，神经网络模型根据交通拥堵的实时数据和历史数据确定采集方的置信度；最后将采集方的置信度上传至区块链中，根据采集方的置信度和数据量确定采集方的数据评价结果。该方法利用预设的神经网络模型确定采集方的置信度，从而获得置信度较高的采集方所采集的数据，并将该数据用于最终的道路拥堵判断过程，提升了道路拥堵的评估效果，且通过置信度结果能够更精准的实现对采集方的奖励分配。

本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于区块链的交通数据评价方法的流程图；

图2为本发明实施例提供的基于区块链的交通数据评价方法中步骤S101的流程图；

图3为本发明实施例提供的基于区块链的交通数据评价方法中，神经网络模型根据交通拥堵的实时数据和历史数据确定采集方的置信度的过程的流程图；

图4为本发明实施例提供的基于区块链的交通数据评价方法中，根据道路拥堵的预测数据确定采集方的置信度的流程图；

图5为本发明实施例提供的另一种基于区块链的交通数据评价方法中，第二神经网络的训练过程流程图；

图6为本发明实施例提供的第二种基于区块链的交通数据评价方法的流程图；

图7为本发明实施例提供的第三种基于区块链的交通数据评价方法的流程图；

图8为本发明实施例提供的第三种基于区块链的交通数据评价方法中的新型循环神经网络的结构示意图；

图9为本发明实施例提供的一种基于区块链的交通数据评价系统的结构示意图；

图10为本发明实施例提供的一种电子设备的结构示意图。

图标：

910-预处理模块；920-置信度确定模块；930-数据评价模块；

101-处理器；102-存储器；103-总线；104-通信接口。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

道路拥堵数据的获取过程，是通过不同的采集方对交通数据的采集所实现的。随着道路交通网络日渐复杂，不同交通数据采集方之间的数据无法相互读取，采集方将各自采集的数据统一上传至交通部门。当多个采集方上传数据的过程中，不同采集点对同一路段采集得到的结果存在差异时，交通部门缺少相应的手段来对数据采集的准确性进行判断，导致对道路拥堵的评估效果较差。

在具体实现过程中，道路数据的采集方通常通过众包平台来实现，传统的众包平台会从采集方采集的所有方案中选择最优方案，并给与该方案的采集方奖励，这对于其它的采集方是不公平的。

基于此，本发明实施例提供了一种基于区块链的交通数据评价方法、系统及电子设备，利用预设的神经网络模型确定采集方的置信度，从而获得置信度较高的采集方所采集的数据，并利用区块链将该数据用于最终的道路拥堵判断过程，提升了道路拥堵的评估效果，且通过置信度结果能够更精准的实现对采集方的奖励分配。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于区块链的交通数据评价方法进行详细介绍。

参见图1所示的一种基于区块链的交通数据评价方法的流程图，该方法应用于区块链网络中，包括以下步骤：

步骤S101，通过区块链网络中预先部署的智能合约，将预处理数据通过智能合约上传至区块链中；其中，预处理数据由多个采集方进行采集，包括：交通拥堵的实时数据和历史数据。

预处理数据由多个采集方采集得到，具体实现过程中各采集方在众包平台都参与任务，通过智能合约将交通拥堵的实时数据和历史数据上传至区块链。

由于采集方所处的平台不同，采集的数据格式也不尽相同，因此需要对采集的数据进行格式化处理。交通部门可在相关众包平台上发布任务，并提供数据所需的格式要求、预处理方式、限定时间、路段历史等等格式化要求。

步骤S102，将预处理数据输入至预设的神经网络模型中，神经网络模型根据交通拥堵的实时数据和历史数据确定采集方的置信度。

预处理数据获得后，交通部门可结合众包平台的信誉设置相应的权重值，并将预处理数据进行整合后将其输入至预设的神经网络模型中。具体的说，是根据平台信誉值设置的结果作为初始权重值，后续的权重通过损失函数在反向传播时更新。该神经网络模型已完成训练，用于根据交通拥堵的实时数据和历史数据输出未来时间段的车流量数据，例如后一天的车流量数据。

在获得未来车流量数据后对其进行临时保存，再与未来实际发生的车流量数据进行对比，从而获得采集方的置信度。例如，神经网络模型可预测后一天的车流量数据，将当天车辆数据输入至模型后得到后一天车流量的预测数据；然后在后一天数据获取之后，将其与模型输出的预测数据进行对比，得到置信度。

步骤S103，将采集方的置信度上传至区块链中，根据采集方的置信度和数据量确定采集方的数据评价结果。

采集方的置信度表征了数据准确性，也表征了采集方的数据的可靠性；将该采集方的置信度上传至区块链中，结合采集方已上传至区块链中的实时数据和历史数据，根据各个采集方的置信度和数据量即可获得采集方的数据评价结果。

通过上述实施例中提供的基于区块链的交通数据评价方法可知，该方法利用预设的神经网络模型确定采集方的置信度，从而获得置信度较高的采集方所采集的数据，并利用区块链将该数据用于最终的道路拥堵判断过程，提升了道路拥堵的评估效果。

在一些实施方式中，通过区块链网络中预先部署的智能合约，将预处理数据上传至区块链中的步骤S101，如图2所示，包括：

步骤S201，根据采集方采集的交通拥堵的实时数据和历史数据，确定道路交通网络。

具体实施过程中，道路交通网络G(V,E,A)由多个节点相连接构成的网络；其中，V为节点的集合；E为边的集合，边为相邻节点的连线，用于表示车道；A为n维邻接矩阵，具体的，A的形式如下：

其中，e为边；v为节点；1≤p≤n；1≤q≤n。

步骤S202，根据道路交通网络确定车流量矩阵；其中，车流量矩阵用于表征道路的拥堵程度。

车流量矩阵，形式如下：

其中，i为车道；j为天数；k为采集方；T为记录次数；x_tT为采集方在道路i上采集的车流量状态，采集方每隔固定时刻记录车道上的一次车流量，每天记录T次。

x_iT表示采集方在道路i上采集的车流量状态，具体的，x_iT与车流量状态的对应关系如下：

车流量状态	x<sub>iT</sub>	路段占有率
			严重拥堵	4	大于90％
拥堵	3	大于60％，小于等于90％
			正常	2	大于30％，小于等于60％
畅通	1	大于0％，小于等于30％
			无车流量	0	0％
无道路信息	-1	N/A

步骤S203，将车流量矩阵以及道路交通网络上传至区块链。

车流量矩阵以及道路交通网络中包含着道路拥堵信息，将其上传至区块链中可结合区块链具有的“不可伪造”“全程留痕”“可以追溯”“公开透明”“集体维护”等特征，更好的用于道路拥堵的判断过程。

神经网络模型包含第一神经网络模型和第二神经网络模型；其中，第一神经网络模型用于确定采集方的数据准确率；第二神经网络模型用于确定采集方的数据置信度。神经网络模型根据交通拥堵的实时数据和历史数据确定采集方的数据准确率的过程，如图3所示，包括：

步骤S301，根据交通拥堵的实时数据和历史数据，确定车流量矩阵。

具体的，车流量矩阵的形式如下：

其中，M_iT′表示各个采集方在不同时段车道i上的交通状态信息；m_k表示采集方k在不同时段采集到的车道i上的交通状态信息，m_k＝[x_k1,...,x_kT]。

步骤S302，将车流量矩阵输入至第一神经网络模型中，得到采集方的第一数据准确率。

每个采集方与所有路段的平均车流量的差值，表征了采集方的数据采集的误差程度，能够一定程度上表征采集方中涉及的道路数据的拥堵程度，因此将该差值输入至第二神经网络模型中进一步确定采集方的数据准确率，即置信度结果，最终输出表征采集方的数据置信度的第二数据准确率。

步骤S303，将采集方的第一数据准确率输入至第二神经网络模型中，通过相似度对比确定第二数据准确率，并将第二数据准确率确定为采集方的置信度；其中，第二数据准确率的确定过程与第一数据准确率的确定过程一致。

第一神经网络可采用LSTM网络，输入数据记为X_kj，t表示N天的历史数据；神经网络模型的输出数据为Y_kj，其中

而

表示预测第j天时间的路段i的交通状态信息。

具体实现过程中，根据道路拥堵的预测数据确定采集方的数据准确率的过程如图4所示，包括：

步骤S41，利用预先构建的相似度矩阵，计算采集方采集的数据的相似度。

步骤S42，根据采集方采集的数据的相似度确定采集方的第一数据准确率。

具体的，相似度矩阵，形式如下：

其中，S为相似度矩阵；Ac为准确率；s为每个采集方的相似度；a为每个采集方的准确率；i为车道；j为天数；k为采集方；X为第一神经网络输出时刻的采集数据；Y为第一神经网络模型的输出数据。

第一神经网络模型的训练过程，所用的第一损失函数的形式如下：

其中，L为所述第一损失函数；X为第一神经网络模型在输出时刻的输入采集数据；Y为神经网络模型的输出数据；j为天数；k为采集方。

所述第二神经网络模型的训练过程，如图5所示，包括：

步骤S51，根据实时数据，确定所有道路中采集方采集的数据；

步骤S52，根据车流量矩阵计算所有道路的车流量平均值，并确定采集方采集的数据与车流量平均值的差值；

步骤S53，根据历史数据，确定采集方的采集准确率；

步骤S54，将所有道路中采集方采集的数据、采集方采集的数据与车流量平均值的差值以及采集方的采集准确率作为输入数据输入至预设的第二神经网络中进行训练；其中，训练过程中对所有道路中包含的每条道路进行相同训练操作；训练过程中，输入数据的时间保持一致；

步骤S55，利用预设的损失函数，实时计算所述神经网络模型的损失值；当历史数据训练完毕时停止模型的训练。

第二损失函数的形式如下：

其中，Loss为损失函数；H_t为预测的t时刻的输出；y_t为t时刻的采集数据。

上述过程中，主要步骤为：汇总路段i上所有采集方的采集数据X_t；然后获得这些路段采集方数据与该路段上的平均车流量值的差值R_t；上述两个数据与路段数据采集方采集准确率Ac_t输入至第二神经网络中，不断训练得到实时的可靠性最高的数据。

下面结合奖励制度，来对基于区块链的交通数据评价方法进行描述，具体如图6所示的第二种基于区块链的交通数据评价方法的流程图，包括如下步骤：

步骤S601，交通部门在众包平台上发布任务，创建新的私有链，并释放奖励池。

步骤S602，不同的交通数据采集方预付一笔押金并参与任务。

步骤S603，交通部门在区块链中部署智能合约。

步骤S604，采集方对数据进行预处理。

步骤S605，交通部门将预处理数据输入至预设神经网络模型中得到预测结果，并计算采集方的历史准确率。

步骤S606，交通部门将所有采集方的历史准确率数据上传至区块链中。

步骤S607，众包平台根据采集方的平均准确率与拥有的数据量大小进行评分，并将评分结果上传至区块链中。

步骤S608，交通部门根据评分分配奖励。

根据图6中的各个步骤，各采集方在众包平台参与任务，通过智能合约将预处理好的历史数据和当天最新数据上传至区块链，交通部门根据众包平台信誉初始化权重，该权重为预设神经网络的初始化权重，从而整合所有采集方的历史道路数据和每个采集方与所有路段的平均车流量的差值，并将其作为新型循环神经网络的输入；具体的说，该神经网络包括第一神经网络和第二神经网络，第一神经网络可采用LSTM网络；第二神经网络为根据平台信誉以及相应的预测准确率生成的新型循环神经网络。因此已初始化的权重不仅适用于第一神经网络还适用于第二神经网络。然后将采集方的历史数据通过LSTM网络预测后一天的车流量数据，再与后一天的采集数据进行对比。得到的准确率作为模型的另一输入用于模型的训练。最后获得可靠性较高的采集数据和采集方的置信度，根据置信度分配奖励。

结合模型训练的过程，对第三种基于区块链的交通数据评价方法进行描述，流程图如图7所示，包括以下步骤：

步骤S701，依次汇总每条路段上的不同采集方的采集数据，对于某一条道路的汇总信息记为M_it。

步骤S702，将各采集方最早的历史数据通过LSTM网络训练得到各自的预测结果与各自采集后一天的历史记录进行相似度对比。

步骤S703，计算预测准确率。

步骤S704，对每条路段采集到的流量求平均，并计算各采集方在该路段数据和平均的差R_t。

步骤S705，构建新型循环神经网络模型，将M_it、差值R_t和准确率Ac_t作为输入。

步骤S706，训练该模型，直至获得实时数据。

步骤S707，判断所有路段是否训练完毕。

如果是，执行步骤S708：训练完毕，得到所有道路置信度最高的实时数据；如果否，更换路段，再次进行训练，执行步骤S705。

该方法中，LSTM网络对应上述实施方式中描述的第一神经网络模型；新型循环神经网络模型对应上述实施方式中描述的第二神经网络模型。该新型循环神经网络模型的结构示意图如图8所示。

损失函数Loss中，H_t表示预测的t时刻的输出，y_t表示t时刻的采集数据。

无道路信息的路段不参与计算。图中的各参数的关系如下：

S_t＝F(W_x*M_it+R_t)

q_t＝σ(f₁(H_t,S_t))

P_t＝tanh(Ac_t)

e_t＝σ(f₂(H_t,S_t))

U_t＝σ(f₅(H_t,S_t))

H_t+1＝tanh(C_t)*U_t

上述算式中，R_t表示所有采集方各自的采集数据与各路段平均数据的差值，M_it表示在t时刻内路段i上采集方的采集数据，C_t为模型状态，H_t+1为输出，即下一时刻的车流量数据；F、f₁、f₂、f₃、f₄、f₅为可训练的线性函数，σ为sigmoid激活函数。S_t，q_t，P_t，e_t，

U_t为模型的中间状态，无特殊含义。

通过上述实施例提到的基于区块链的交通数据评价方法可知，该方法首先通过区块链网络中预先部署的智能合约，将预处理数据通过智能合约上传至区块链中；其中，预处理数据由多个采集方进行采集，包括：交通拥堵的实时数据和历史数据；然后将预处理数据输入至预设的神经网络模型中，神经网络模型根据交通拥堵的实时数据和历史数据确定采集方的置信度；最后将采集方的置信度结果上传至区块链中，根据采集方的置信地和数据量确定采集方的数据评价结果。该方法利用预设的第一神经网络模型确定采集方的数据准确率，并将数据准确率作为输入数据输入值第二神经网络模型中，通过第二神经网模型获得置信度较高的采集方所采集的数据，并利用区块链将该数据用于最终的道路拥堵判断过程，提升了道路拥堵的评估效果，且通过置信度结果能够更精准的实现对采集方的奖励分配。

对应于上述方法实施例，本发明实施例还提供了一种基于区块链的交通数据评价系统，该系统应用于区块链网络中，其结构示意图如图9所示，包括：

预处理模块910，用于通过区块链网络中预先部署的智能合约，将预处理数据通过智能合约上传至区块链中；其中，预处理数据由多个采集方进行采集，包括：交通拥堵的实时数据和历史数据；

置信度确定模块920，用于将预处理数据输入至预设的神经网络模型中，神经网络模型根据交通拥堵的实时数据和历史数据确定采集方的置信度；

数据评价模块930，用于将采集方的置信度上传至区块链中，根据采集方的置信度和数据量确定采集方的数据评价结果。

本发明实施例提供的基于区块链的交通数据评价系统，与上述实施例提供的基于区块链的交通数据评价方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。

本实施例还提供一种电子设备，为该电子设备的结构示意图如图10所示，该设备包括处理器101和存储器102；其中，存储器102用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述基于区块链的交通数据评价方法。

图10所示的电子设备还包括总线103和通信接口104，处理器101、通信接口104和存储器102通过总线103连接。

其中，存储器102可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接，将封装好的IPv4报文或IPv4报文通过网络接口发送至用户终端。

处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成前述实施例的方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前述实施例的方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以用软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于区块链的交通数据评价方法，其特征在于，所述方法应用于区块链网络中，所述方法包括：

通过所述区块链网络中预先部署的智能合约，将预处理数据通过智能合约上传至所述区块链中；其中，所述预处理数据由多个采集方进行采集，包括：交通拥堵的实时数据和历史数据；

将所述预处理数据输入至预设的神经网络模型中，所述神经网络模型根据所述交通拥堵的实时数据和历史数据确定所述采集方的置信度；

将所述采集方的置信度上传至所述区块链中，根据所述采集方的置信度和数据量确定所述采集方的数据评价结果。

2.根据权利要求1所述的方法，其特征在于，通过所述区块链网络中预先部署的智能合约，将预处理数据通过智能合约上传至所述区块链中的步骤，包括：

根据所述采集方采集的所述交通拥堵的实时数据和历史数据，确定道路交通网络；

根据所述道路交通网络确定车流量矩阵；其中，所述车流量矩阵用于表征道路的拥堵程度；

将所述车流量矩阵以及所述道路交通网络上传至所述区块链。

3.根据权利要求2所述的方法，其特征在于，所述道路交通网络G(V,E,A)由多个节点相连接构成的网络；其中，V为节点的集合；E为边的集合，所述边为相邻节点的连线，用于表示车道；A为n维邻接矩阵，具体的，A的形式如下：

其中，e为所述边；v为所述节点；1≤p≤n；1≤q≤n；

所述车流量矩阵，形式如下：

其中，i为车道；j为天数；k为采集方；T为记录次数；x_tT为所述采集方在道路i上采集的车流量状态。

4.根据权利要求1所述的方法，其特征在于，所述神经网络模型包含第一神经网络模型和第二神经网络模型；其中，所述第一神经网络模型用于确定所述采集方的数据准确率；所述第二神经网络模型用于确定所述采集方的数据置信度；

所述神经网络模型根据所述交通拥堵的实时数据和历史数据确定所述采集方的置信度，包括：

根据所述交通拥堵的实时数据和历史数据，确定车流量矩阵；

将所述车流量矩阵输入至所述第一神经网络模型中，通过相似度对比得到所述采集方的第一数据准确率；

将所述采集方的第一数据准确率及其他参数输入至所述第二神经网络模型中，通过相似度对比确定所述第二数据准确率，并将所述第二数据准确率确定为所述采集方的置信度；其中，所述第二数据准确率的确定过程与所述第一数据准确率的确定过程一致。

5.根据权利要求4所述的方法，其特征在于，将所述车流量矩阵输入至所述第一神经网络模型中，得到所述采集方的第一数据准确率，包括：

利用预先构建的相似度矩阵，计算所述采集方采集的数据的相似度；所述相似度矩阵，形式如下：

其中，S为相似度矩阵；Ac确率；s为每个采集方的相似度；a为每个采集方的准确率；i为车道；j为天数；k为采集方；X为所述第一神经网络输出时刻的采集数据；Y为所述第一神经网络模型的输出数据；

根据述采集方采集的数据的相似度确定所述采集方的第一数据准确率。

6.根据权利要求5所述的方法，其特征在于，所述第一神经网络模型训练过程中，所用的第一损失函数的形式如下：

其中，L为所述第一损失函数；X为所述第一神经网络模型的输入数据；Y为所述神经网络模型的输出数据；j为天数；k为采集方。

7.根据权利要求4所述的方法，其特征在于，所述第二神经网络模型的训练过程，包括：

根据所述实时数据，确定所有道路中所述采集方采集的数据；

根据车流量矩阵计算所有道路的车流量平均值，并确定所述采集方采集的数据与所述车流量平均值的差值；

根据所述历史数据，确定所述采集方的采集准确率；

将所有道路中所述采集方采集的数据、所述采集方采集的数据与所述车流量平均值的差值以及所述采集方的采集准确率作为输入数据输入至预设的第二神经网络中进行训练；其中，训练过程中对所有道路中包含的每条道路进行相同训练操作；训练过程中，所述输入数据的时间保持一致；

利用预设的第二损失函数，实时计算所述第二神经网络模型的损失值；当所述历史数据训练完毕时停止模型的训练；

所述第二损失函数的形式如下：

其中，Loss为损失函数；H_t为预测的t时刻的输出；y_t为t时刻的采集数据。

8.一种基于区块链的交通数据评价系统，其特征在于，所述系统应用于区块链网络中，包括：

预处理模块，用于通过所述区块链网络中预先部署的智能合约，将预处理数据通过智能合约上传至所述区块链中；其中，所述预处理数据由多个采集方进行采集，包括：交通拥堵的实时数据和历史数据；

置信度确定模块，用于将所述预处理数据输入至预设的神经网络模型中，所述神经网络模型根据所述交通拥堵的实时数据和历史数据确定所述采集方的置信度；

数据评价模块，用于将所述采集方的置信度上传至所述区块链中，根据所述采集方的置信度和数据量确定所述采集方的数据评价结果。

9.一种电子设备，其特征在于，包括：处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时实现如权利要求1至7任一项所述的基于区块链的交通数据评价方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质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运行时实现上述权利要求1至7任一项所述的基于区块链的交通数据评价方法的步骤。

Images