CN112729517A - 基于改进knn的动态汽车衡多车作弊检测方法 - Google Patents
基于改进knn的动态汽车衡多车作弊检测方法 Download PDFInfo
- Publication number
- CN112729517A CN112729517A CN202011619840.8A CN202011619840A CN112729517A CN 112729517 A CN112729517 A CN 112729517A CN 202011619840 A CN202011619840 A CN 202011619840A CN 112729517 A CN112729517 A CN 112729517A
- Authority
- CN
- China
- Prior art keywords
- cheating
- separation
- vehicle
- characteristic
- coordinate
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
- G01G23/01—Testing or calibrating of weighing apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于改进KNN的动态汽车衡多车作弊检测方法。本发明根据整体车辆的行驶参数,计算得到分离特征值和分离特征坐标;将分离特征坐标输入多车分离模型;多车分离模型输出不同待测车辆的行驶参数;根据不同待测车辆的行驶参数,分别计算得到不同待测车辆的作弊特征值和作弊特征坐标;将不同待测车辆的作弊特征坐标分别输入到作弊检测模型中;作弊检测模型分别输出不同待测车辆的行驶方式。本发明通过分析车辆的行驶参数样本,建立多车分离模型和作弊检测模型,能够实现同时对多辆车进行作弊检测;并且模型的建立不受称台结构、车道数和车辆实际行驶方式的限制;行驶参数样本包含作弊类型多,作弊检测模型的检测范围广,检测精度高。
Description
技术领域
本发明涉及车辆动态称重作弊检测领域,具体涉及一种基于改进KNN的动态汽车衡多车作弊检测方法。
背景技术
随着动态称重系统在超限超载领域的广泛应用,如何检测以及防范司机的主观作弊行为越来越受到重视。目前,已知的作弊行为包括跨车道、走S形、压边、绕边、拖秤、跳秤、垫钢板以及紧密跟车等;此外,对于多车道的道路,还可能存在多车组合作弊的情况。作弊行为的多样性和复杂性导致同时对多车进行作弊检测比较困难。
传统的作弊检测方法的检测范围小,一种方法只能检测有限的作弊行为,覆盖面不够广;同一种方法对于不同结构的称台不能通用,适用性差。随着机器学习的发展和广泛应用,将机器学习分类方法运用到作弊检测的分类中,可以解决较为复杂的分类问题。
发明内容
本发明针对现有技术的不足,提供了一种基于改进KNN的动态汽车衡多车作弊检测方法。
本发明通过分析整体的车辆通过情况和待测车辆的行驶参数,能够同时对多辆车进行包括压边、绕边、跨车道、走S形、跳秤以及拖秤在内的作弊行为检测。
本发明的技术方案:
根据整体车辆的行驶参数,计算得到分离特征值和分离特征坐标;将分离特征坐标输入多车分离模型;多车分离模型输出不同待测车辆的行驶参数;根据不同待测车辆的行驶参数,分别计算得到不同待测车辆的作弊特征值和作弊特征坐标;将不同待测车辆的作弊特征坐标分别输入到作弊检测模型中;作弊检测模型分别输出不同待测车辆的行驶方式。
进一步地,所述的行驶参数,包括以下内容:每个称重传感器的输出电压和每个称台的输出电压;车辆和车道数,每个车轴的轴加速度;车辆的经过称台数和经过车道数;车辆的经过称台编号和经过称台的编号之和;存在最大的称台编号和存在最小的称台编号。
进一步地,所述的分离特征值,是分离特征的取值,比如车辆数1辆、经过车道数1个以及经过称台数2个;所述的分离特征坐标,是将分离特征值顺序排列组合后得到的坐标,比如(1,1,2)。
所述的多车分离模型需要提前建立,其建立方法包含以下步骤:确定车道数,比如单车道、双车道、三车道以及四车道等;模拟不同车辆数下的车辆组合通过情况,作为多车分离建立样本;计算每个多车分离建立样本的车辆数、经过称台数、经过车道数、经过称台编号、经过称台的编号之和、存在最大的称台编号和存在最小的称台编号,所述的存在最大称台编号,当经过称台编号中有最大的称台编号时,存在最大称台编号的取值为1,反之为0,所述的存在最小称台编号,当经过称台编号中有最小的称台编号时,存在最小称台编号的取值为1,反之为0;按顺序排列同一多车分离建立样本下的不同车辆的经过称台数,作为分离结果;选取出能区分不同的车辆组合通过情况的分离特征,并按分离特征的重要性不同,为所有分离特征添加分离权重系数,同时,建立多车分离坐标系,所述的分离特征,是选取出的用于多车分离的行驶参数的名称,所述的多车分离坐标系,是以分离特征为坐标轴建立的坐标系;计算不同多车分离建立样本的分离特征值和分离特征坐标;合并分离结果相同的分离特征坐标,得到对应的分离坐标,分离结果与分离坐标唯一对应;随机模拟多种的车辆组合通过情况,作为分离测试样本,并计算其分离特征值和分离特征坐标;通过最小距离公式,分别计算出分离测试样本的分离特征坐标与所有分离坐标的距离;得到与分离特征坐标的距离最小的分离坐标所对应的分离结果;将分离结果与对应的多车分离测试样本的实际结果比对,得到分离比对结果。如果分离结果与对应的多车分离测试样本的实际结果一致,则分离比对结果的取值为真;反之,则分离比对结果的取值为假;如果取值为真的分离比对结果的个数在所有分离比对结果的总数中的占比达到一定阈值,则多车分离模型建立成功;反之,则重新建立。
用于多车分离时:Si为分离特征坐标与第i个分离坐标之间的距离,xk为分离特征坐标的第k个分离特征值,yik为第i个分离坐标的第k个分离特征值,n为分离特征的个数,δk为第k个分离特征的分离权重系数。用于作弊检测时:Si为作弊特征坐标与第i个作弊坐标之间的距离,xk为作弊特征坐标的第k个作弊特征值,yik为第i个作弊坐标的第k个作弊特征值,n为作弊特征的个数,δk为第k个作弊特征的作弊权重系数。
所述的作弊特征值,是作弊特征的取值,比如称台输出电压5V、轴加速度3m/s2以及轴重3T;所述的作弊特征坐标,是作弊特征值顺序排列组合后得到的坐标,比如(5,3,3)。
所述的作弊检测模型需要提前建立,其建立方法分为以下步骤:将包含不同行驶方式的行驶参数的样本随机分为作弊模型样本和作弊测试样本;将作弊模型样本按行驶方式分类,分为正常、压边、绕边、跨车道、走S形、跳秤以及拖秤;将几类作弊模型样本合并为车道类作弊模型样本和加速度类作弊模型样本,车道类作弊模型样本包括正常、压边、绕边、跨车道和走S形,加速度类作弊模型样本包括正常、跳秤和拖秤;根据作弊模型样本的行驶参数,选取出能区分不同行驶方式的作弊特征,并根据选取的不同作弊特征的重要程度,设置不同的作弊权重系数,同时,建立作弊检测坐标系,所述的作弊特征,是选取出的用于作弊检测的行驶参数的名称,所述的作弊检测坐标系,是以作弊特征为坐标轴建立的坐标系;计算所有作弊模型样本的作弊特征值和作弊特征坐标;合并行驶方式相同的作弊特征坐标,得到对应的作弊坐标;计算所有作弊测试样本的作弊特征值和作弊特征坐标;通过最小距离公式,分别计算作弊测试样本的作弊特征坐标与所有作弊坐标的距离;得到与作弊特征坐标的距离最小的作弊坐标所对应的行驶方式,作为检测结果;将检测结果与对应的作弊测试样本的实际行驶方式比对,得到作弊比对结果。如果检测结果与对应的作弊测试样本的实际行驶方式一致,则作弊比对结果的取值为真;反之,则作弊比对结果的取值为假;如果取值为真的作弊比对结果的个数在所有作弊比对结果的总数中的占比达到一定阈值,则作弊检测模型建立成功;反之,则重新建立。
本发明的有益效果:通过分析车辆的行驶参数样本,建立多车分离模型和作弊检测模型,能够实现同时对多辆车进行作弊检测;并且模型的建立不受称台结构、车道数和车辆实际行驶方式的限制,具有适用性;行驶参数样本包含的作弊类型越多,作弊检测模型的检测范围越广,检测精度越高。
附图说明
图1-1为某种平板式动态称重系统的称重区域示意图;
图1-2为基于改进KNN的动态汽车衡多车作弊检测方法的检测流程图;
图2-1为多车分离模型的建立流程图;
图2-2为两种车辆组合通过情况的示意图;
图2-3为多车分离模型的检测流程图;
图3-1为作弊检测模型的建立流程图;
图3-2为一次压边行驶的车辆通过情况示意图;
图3-3为作弊检测模型的检测流程图。
具体实施方式
为了更加清楚地描述本发明的技术方案,结合附图和具体实施方式进行详细说明。
以下为部分术语的解释:
1)分离特征:选取出的用于多车分离的行驶参数的名称(比如,分离特征为性别)
2)分离特征值:分离特征的取值(比如,分离特征值为男或女)
3)分离特征坐标:将分离特征值顺序排列组合后得到的坐标(是坐标,形式为(2,3,1,1,1))
4)分离坐标:合并分离结果相同的分离特征坐标后得到的坐标
5)分离结果:同一多车分离建立样本下的不同车辆的经过称台数的顺序排列(不是坐标,形式为12100)
6)多车分离坐标系:以分离特征为坐标轴建立的坐标系
7)多车分离模型:用于实现多车分离功能的模型
8)多车分离建立样本:用于建立多车分离模型的样本
9)多车分离测试样本:用于测试多车分离模型的优劣性的样本
10)作弊特征:选取出的用于作弊检测的行驶参数的名称
11)作弊特征值:作弊特征的取值
12)作弊特征坐标:将作弊特征坐标顺序排列组合后得到的坐标
13)作弊坐标:合并相同行驶方式的作弊特征坐标后得到的坐标
14)作弊检测模型:用于实现作弊检测功能的模型
15)作弊检测坐标系:以作弊特征为坐标轴建立的坐标系
16)作弊模型样本:用于建立作弊检测模型的样本
17)作弊测试样本:用于测试作弊检测模型的优劣性的样本
如图1-1所示,以安装在四车道上的平板式称台为例:称台1用于采集通过车辆的轴重,称台编号从左到右按顺序排列,共八个称台;车道2用于车辆的通行,共四车道。
如图1-2所示,基于改进KNN的动态汽车衡多车作弊检测方法的检测流程图:第一步:根据整体车辆的行驶参数,计算得到分离特征值和分离特征坐标;第二步:将分离特征坐标输入多车分离模型;第三步:多车分离模型输出不同待测车辆的行驶参数;第四步:根据不同待测车辆的行驶参数,分别计算得到不同待测车辆的作弊特征值和作弊特征坐标;第五步:将不同待测车辆的作弊特征坐标分别输入到作弊检测模型中;第六步:作弊检测模型分别输出不同待测车辆的行驶方式。
如图2-1所示,多车分离模型的建立流程图:第一步,确定车道类型为四车道;第二步,模拟不同车辆数下的车辆组合通过情况,作为多车分离建立样本;第三步,计算每个多车分离建立样本的车辆数、经过称台数、经过车道数、经过称台编号、经过称台的编号之和、存在最大称台编号和存在最小称台编号等行驶参数;第四步,按顺序排列同一多车分离建立样本下的不同车辆的经过称台数,作为分离结果;第五步,选取分离特征,添加对应的分离权重系数,并建立多车分离坐标系;第六步,计算不同多车分离建立样本的分离特征值和分离特征坐标;第七步,合并分离结果相同的分离特征坐标,得到对应的分离坐标;第八步,随机模拟多种的车辆组合通过情况,作为多车分离测试样本,并计算其分离特征值和分离特征坐标;第九步,通过最小距离公式,分别计算出多车分离测试样本的分离特征坐标与所有分离坐标的距离;第十步,得到与分离特征坐标的距离最小的分离坐标所对应的分离结果;第十一步,分离结果与对应的多车分离测试样本的实际结果比对,得到分离比对结果。如果分离结果与对应的多车分离测试样本的实际结果一致,则分离比对结果的取值为真;反之,则分离比对结果的取值为假;第十二步,如果取值为真的分离比对结果的个数在所有分离比对结果的总数中的占比达到一定阈值,则多车分离模型建立成功;反之,则重新建立。
多车分离模型的建立流程中的第一步到第七步的结果,如表1所示。
表1多车分离模型的分离特征和分离特征值以及分离特征坐标和分离结果
注:表格中的“?”为存在不确定性的分离结果,需要进一步考虑经过称台的编号之和的奇偶性来确定。表格中的空单元格为不考虑的数值。
多车分离针对的是当前整体的车辆通过情况,选取的分离特征也同样是针对整体的车辆通过情况而言的。选取车辆数、经过称台数、经过车道数、存在最小称台编号和存在最大称台编号为分离特征,以上5个分离特征的取值均为离散值,且是非负整数。需要说明的是,分离特征的选取不是固定的,以上只是一种选取结果,可以根据称台结构、实测数据、作弊原理以及工程经验等因素进行选取。车辆数是进行多车分离的最重要参数,权重系数设为10,由于道路为四车道,因此车辆数的可能取值为1至5。经过称台数为所有车辆的经过称台数之和,是分离存在绕边的组合通过情况时的重要参数,取值为1至8,权重系数设为5。经过车道数为所有车辆的经过车道数之和,是确定是否存在跨车道或走S形这类需要多车道的作弊行为的重要参数;取值为1至4,权重系数设为1。存在最小称台编号和存在最大编号是区分包含绕边的组合作弊行为的参数;取值均为1或0,权重系数均设为1;取值为1表示存在该编号,取值为0表示不存在该编号;将同种情况下的不同车辆的经过称台数顺序排列,作为分离结果。分离结果不是数字,而是数字的顺序排列;表格中的分离特征值,是通过分析不同车辆数下的车辆不同行驶方式的可能组合情况得到的。将同种情况下的分离特征值顺序排列组合,得到对应的分离特征坐标;合并分离结果相同的分离特征坐标,得到对应的分离坐标,分离坐标与分离结果唯一对应;合并后的分离坐标需要满足条件A:通过最小距离公式,分别计算合并前的分离特征坐标与所有分离坐标的距离,合并前的分离特征坐标与对应的合并后的分离坐标的距离最小。
如图2-2所示的两种车辆组合通过情况,用以说明分离特征坐标的合并以及分离结果的含义。图中的两种车辆组合通过情况的分离特征值分别为:车辆数为3、经过称台数为4、经过车道数为3、存在最小经过称台编号为1和存在最大称台编号为1;车辆数为3、经过称台数为4、经过车道数为4、存在最小经过称台编号为1和存在最大称台编号为1。两种车辆组合通过情况的分离结果均为12100,分离特征坐标分别为(3,4,3,1,1)和(3,4,4,1,1);将两个分离特征坐标合并得到(3,4,3.5,1,1);通过最小距离公式计算后可知,两个合并前的分离特征坐标到(3,4,3.5,1,1)的距离最小,均为0.5,满足条件A,可以作为合并后的分离坐标,并唯一对应分离结果12100。分离结果12100的含义为:12100不是数字,而是数字的顺序排列;由5个数字组合表示最多存在5辆车同时通过的可能;三个非零整数表示有三辆车通过;第一个数1表示第一辆车经过1个称台且经过称台编号为最小的1个,第二个数2表示第二辆车经过2个称台且经过称台编号为第一次分离后剩下的最小的两个,第三个数1表示第三辆车经过1个称台且经过称台编号为两次分离后剩下的最小的1个。
对表格中的“?”的说明。以表1中的5种分离特征进行多车分离时,仍然存在部分的分离坐标可能对应多个分离结果,因此,对这部分分离坐标需要额外考虑经过称台的编号之和的奇偶性。通过进一步分析可知,可以分为以下几种情况:
1.当分离坐标为(2,3,2,1,1)时,如果经过称台的编号之和为奇数,则分离结果为21000;为偶数,则分离结果为12000。
2.当分离坐标为(3,4,3.5,1,1)时,如果经过称台的编号之和为奇数,则分离结果为12200;为偶数,则分离结果为22100。
3.当分离坐标为(4,7,4,1,1)时,如果经过称台的编号之和为奇数,则分离结果为12220;为偶数,则分离结果为22210。
以图2-2中的情况1为例,说明图2-3所示的多车分离模型的检测流程。根据图中的车辆通过情况,检测并计算得到车辆数为3辆、经过称台数为4个、经过车道数为3个、存在最小称台编号为1和存在最大称台编号为1,因此分离特征坐标为(3,4,3,1,1),经过称台的编号排序为1678。通过最小距离公式计算分离特征坐标与分离坐标的距离,得到最小距离为0.5,对应的分离坐标为(3,4,3.5,1,1),对应的分离结果为12100,即称台编号1对应1辆车,称台编号6和7对应一辆车,称台编号8对应一辆车。模型的分离结果与图2-3中的情况1一致。
如图3-1所示,作弊检测模型的建立流程图:第一步,将包含各种行驶方式的行驶参数的样本随机分为作弊模型样本和作弊测试样本;第二步,将作弊模型样本按行驶方式分类,分为正常、压边、绕边、跨车道、走S形、跳秤以及拖秤;第三步,将几类作弊模型样本合并为车道类作弊模型样本和加速度类作弊模型样本。车道类作弊模型样本包括正常、压边、绕边、跨车道和走S形;加速度类作弊模型样本包括正常、跳秤和拖秤;第四步,根据作弊模型样本的行驶参数,选取出能区分不同行驶方式的作弊特征,根据选取的不同作弊特征的重要程度,设置不同的作弊权重系数,并建立作弊检测坐标系;第五步,计算所有作弊模型样本的作弊特征值和作弊特征坐标;第六步,合并行驶方式相同的作弊特征坐标,得到对应的作弊坐标;第七步,计算所有作弊测试样本的作弊特征值和作弊特征坐标;第八步,通过最小距离公式,分别计算作弊测试样本的作弊特征坐标与所有作弊坐标的距离;第九步,得到与作弊特征坐标的距离最小的作弊坐标所对应的行驶方式,作为检测结果;第十步,将检测结果与对应的作弊测试样本的实际行驶方式比对,得到作弊比对结果。如果检测结果与对应的作弊测试样本的实际行驶方式一致,则作弊比对结果的取值为真,反之,则作弊比对结果的取值为假;第十一步,如果取值为真的作弊比对结果的个数在所有作弊比对结果的总数中的占比达到一定阈值,则作弊检测模型建立成功;反之,则重新建立。
作弊检测模型的建立流程中的一步到第六步的结果,如表2所示。
表2作弊检测模型的作弊特征和作弊特征值以及作弊坐标
注:表格中的空单元格为无需考虑的数值。
通过多车分离模型,将整体的车辆通过情况分为多辆车的组合,因此,作弊检测模型同时只检测一辆车,最后分别输出不同车辆的行驶方式;选取的作弊特征也是针对一辆车而言的。选取经过称台数、经过车道数和称台电压比作为车道类作弊特征,作弊权重系数依次为10、10、1;选取轴加速度>2m/s的个数和轴加速度<-2m/s的个数作为加速度类作弊特征,作弊权重系数均为1。由于车道类和加速度类这两大类作弊行为的作弊原理不同,需要检测的作弊特征也不同,因此,出于简化计算的考虑,将两类的检测分开,最后合并结果。假设车辆同时存在两类的作弊行为,比如既有压边,也有跳秤,作弊检测模型的输出结果为车辆的行驶方式为压边且跳秤。需要说明的是,作弊特征的选取不是固定的,以上只是一种选取结果,可以根据称台结构、实测数据、作弊原理以及工程经验等因素进行选取。经过称台数为一辆待测车辆的经过称台数;经过车道数也是一辆待测车辆的经过车道数;称台电压比是将待测车辆对应的最小称台输出电压比上最大称台输出电压的值,因此,称台电压的取值范围为0到1。如果待测车辆只经过一个称台,额外添加一个数值为0的称台输出电压,将取值为0的电压值比上计算出的称台输出电压,得到称台电压比;如果待测车辆经过三个及以上的称台,将三个称台输出电压中的最小的电压值比上最大的电压值,得到称台电压比。因为图中为平板式的称台,所以会分别得到多个车轴的称台电压比,需要对多个车轴的称台电压比取均值,最后得到整车的称台电压比。此外,由于称台结构不同、轴重不是均匀分布、安装误差以及测量误差等因素,作弊特征值并不固定,需要由实测数据来确定。
称台电压比的计算:理论上正常行驶的称台电压比的计算值接近1,但由于测量误差等因素,实测的称台电压比的取值在0.85到1之间;压边的称台电压比的取值范围较大,主要原因是车轮与称台的接触面大小难以控制,实测的称台电压比的取值范围在0.13到0.86之间;绕边只有一个称台有输出电压,称台电压比应该为0,但也有部分不为0的实测数据,比如0.06。由于正常、压边和绕边的称台电压比的取值都是连续的范围,为了避免误判,需要合适地选择取值范围。最后,确定正常的取值范围为0.85到1(包括0.85和1),压边的取值范围为0.1到0.85(包括0.1,但不包括0.85),绕边的取值范围为0到0.1(包括0,但不包括0.1)。跨车道的称台电压比与正常行驶相同,而走S形的称台电压比没有规律,同时,判断跨车道和走S形的主要作弊特征为经过称台数,因此,不对跨车道和走S形的称台电压比进行严格的计算,均设为0.5。
加速度类作弊特征的选取:根据跳秤和拖秤的作弊原理、称台结构为轴重式以及车辆有多个轴,如果只考虑单个轴的加速度不能很好的反应整体的情况,最后选取轴加速度>2m/s的个数和轴加速度<-2m/s的个数为作弊特征。由于速度以及加速度的计算方法多种多样、传感器或线圈等本身存在一定的误差以及其他干扰因素,轴加速度的阈值选取最好根据当前称台的实际采集数据确定;考虑到较长的拖挂型货车可能同时存在跳秤和拖秤的情况,额外加入了加减速的作弊行为,进一步区分加速度类作弊行为。轴加速度的阈值选取也要根据实际的测量数据确定。
以图3-2为例,说明图3-3中所示的作弊检测模型的检测流程。图中没有显示的部分行驶参数分别为:前后轴在编号为1的称台的输出电压分别为0.52V和0.36V,前后轴在编号为2的称台的输出电压分别为0.21V和0.17V,计算得到前后轴的称台电压比分别为0.4和0.47,取均值得到0.435;车辆的第一根轴的加速度为1.3m/s,第二根轴的加速度为0.9m/s,不存在轴加速度大于2m/s或小于-2m/s的轴。多车分离模型的分离结果为:一辆车经过编号为1和2的称台。根据待测车辆的经过称台编号进一步分析可知,编号为1和2的称台属于同一个车道,因此,待测车辆经过1个车道。综上所述,待测车辆的作弊特征坐标分别为(2,1,0.435)和(0,0),通过最小距离公式计算可知,两个作弊特征坐标分别与(2,1,0.2)和(0,0)的距离最近,距离分别为0.234和0,对应的检测结果分别为压边和正常,综合两个检测结果,得到车辆的行驶方式为压边。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.基于改进KNN的动态汽车衡多车作弊检测方法,其特征在于,所述方法包含以下步骤:
S1:根据整体车辆的行驶参数,计算得到分离特征值和分离特征坐标;
S2:将分离特征坐标输入多车分离模型;
S3:多车分离模型输出不同待测车辆的行驶参数;
S4:根据不同待测车辆的行驶参数,分别计算得到不同待测车辆的作弊特征值和作弊特征坐标;
S5:将不同待测车辆的作弊特征坐标分别输入到作弊检测模型中;
S6:作弊检测模型分别输出不同待测车辆的行驶方式。
2.如权利要求1所述的基于改进KNN的动态汽车衡多车作弊检测方法,其特征在于,步骤S1中所述的行驶参数,包括以下内容:
每个称重传感器的输出电压和每个称台的输出电压,
车辆数和车道数,每个车轴的轴加速度,
车辆的经过称台数和经过车道数,
车辆的经过称台编号和经过称台的编号之和,
存在最大称台编号和存在最小称台编号。
3.如权利要求1所述的基于改进KNN的动态汽车衡多车作弊检测方法,其特征在于,
步骤S1中所述的分离特征值,是分离特征的取值;所述的分离特征坐标,是将分离特征值顺序排列组合后得到的坐标。
4.如权利要求1所述的基于改进KNN的动态汽车衡多车作弊检测方法,其特征在于,
步骤S2中所述的多车分离模型需要提前建立,其建立过程包含以下步骤:
1)确定车道数;
2)模拟不同车辆数下的车辆组合通过情况,作为多车分离建立样本;
3)计算每个多车分离建立样本的车辆数、经过称台数、经过车道数、经过称台编号、经过称台的编号之和、存在最大的称台编号和存在最小的称台编号;所述的存在最大称台编号,当经过称台编号中有最大的称台编号时,存在最大称台编号的取值为1,反之为0,所述的存在最小称台编号,当经过称台编号中有最小的称台编号时,存在最小称台编号的取值为1,反之为0;
4)按顺序排列同一多车分离建立样本下的不同车辆的经过称台数,作为分离结果;
5)选取出能区分不同的车辆组合通过情况的分离特征,并按分离特征的重要性不同,为所有分离特征添加分离权重系数,同时,建立多车分离坐标系;所述的分离特征,是选取出的用于多车分离的行驶参数的名称;所述的多车分离坐标系,是以分离特征为坐标轴建立的坐标系;
6)计算不同多车分离建立样本的分离特征值和分离特征坐标;
7)合并分离结果相同的分离特征坐标,得到对应的分离坐标;分离结果与分离坐标唯一对应;
8)随机模拟多种的车辆组合通过情况,作为多车分离测试样本,并计算其分离特征值和分离特征坐标;
9)通过最小距离公式,分别计算出多车分离测试样本的分离特征坐标与所有分离坐标的距离;
10)得到与分离特征坐标的距离最小的分离坐标所对应的分离结果;
11)将分离结果与对应的多车分离测试样本的实际结果比对,得到分离比对结果;如果分离结果与对应的多车分离测试样本的实际结果一致,则分离比对结果的取值为真;反之,则分离比对结果的取值为假;
12)如果取值为真的分离比对结果的个数在所有分离比对结果的总数中的占比达到一定阈值,则多车分离模型建立成功;反之,则重新建立。
6.如权利要求1所述的基于改进KNN的动态汽车衡多车作弊检测方法,其特征在于,
步骤S4中所述的作弊特征值,是作弊特征的取值;所述的作弊特征坐标,是作弊特征值顺序排列组合后得到的坐标。
7.如权利要求1所述的基于改进KNN的动态汽车衡多车作弊检测方法,其特征在于,
步骤S5中所述的作弊检测模型需要提前建立,其建立方式分为以下步骤:
A、将包含不同行驶方式的行驶参数的样本随机分为作弊模型样本和作弊测试样本;
B、将作弊模型样本按行驶方式分类,分为正常、压边、绕边、跨车道、走S形、跳秤以及拖秤;
C、将几类作弊模型样本合并为车道类作弊模型样本和加速度类作弊模型样本;车道类作弊模型样本包括正常、压边、绕边、跨车道和走S形;加速度类作弊模型样本包括正常、跳秤和拖秤;
D、根据作弊模型样本的行驶参数,选取出能区分不同行驶方式的作弊特征,并根据选取出的不同作弊特征的重要程度,设置不同的作弊权重系数;同时,建立作弊检测坐标系;所述的作弊特征,是选取出的用于作弊检测的行驶参数的名称;所述的作弊检测坐标系,是以作弊特征为坐标轴建立的坐标系;
E、计算所有作弊模型样本的作弊特征值和作弊特征坐标;
F、合并行驶方式相同的作弊特征坐标,得到对应的作弊坐标;
G、计算所有作弊测试样本的作弊特征值和作弊特征坐标;
H、通过最小距离公式,分别计算作弊测试样本的作弊特征坐标与所有作弊坐标的距离;
I、得到与作弊特征坐标的距离最小的作弊坐标所对应的行驶方式,作为检测结果;
J、将检测结果与对应的作弊测试样本的实际行驶方式比对,得到作弊比对结果;如果检测结果与对应的作弊测试样本的实际行驶方式一致,则作弊比对结果的取值为真;反之,则作弊比对结果的取值为假;
K、如果取值为真的作弊比对结果的个数在所有作弊比对结果的总数中的占比达到一定阈值,则作弊检测模型建立成功;反之,则重新建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011619840.8A CN112729517B (zh) | 2020-12-31 | 2020-12-31 | 基于改进knn的动态汽车衡多车作弊检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011619840.8A CN112729517B (zh) | 2020-12-31 | 2020-12-31 | 基于改进knn的动态汽车衡多车作弊检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112729517A true CN112729517A (zh) | 2021-04-30 |
CN112729517B CN112729517B (zh) | 2022-08-23 |
Family
ID=75608274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011619840.8A Active CN112729517B (zh) | 2020-12-31 | 2020-12-31 | 基于改进knn的动态汽车衡多车作弊检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112729517B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020095980A1 (en) * | 2000-09-08 | 2002-07-25 | Breed David S. | Method and apparatus for monitoring tires |
CN202126305U (zh) * | 2011-04-12 | 2012-01-25 | 山西国强称重设备有限公司 | 公路不停车轴重秤智能防作弊电子系统 |
CN104501930A (zh) * | 2014-12-24 | 2015-04-08 | 北京万集科技股份有限公司 | 一种联体式的防作弊动态称重方法及系统 |
CN104898578A (zh) * | 2014-03-04 | 2015-09-09 | 上海陆杰电子科技有限公司 | 一种公路动态轴重衡在线监控管理系统及其方法 |
CN108489582A (zh) * | 2018-03-23 | 2018-09-04 | 郑州金恒电子技术有限公司 | 一种联合称重防止遥控作弊的汽车称重方法 |
JP2019093896A (ja) * | 2017-11-22 | 2019-06-20 | 日本電気株式会社 | 情報処理装置、分類方法およびコンピュータ・プログラム |
CN109918972A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 一种行车重量智能监控方法及系统 |
CN111882882A (zh) * | 2020-07-31 | 2020-11-03 | 浙江东鼎电子股份有限公司 | 一种动态平板秤称重区域汽车跨车道行驶行为检测方法 |
-
2020
- 2020-12-31 CN CN202011619840.8A patent/CN112729517B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020095980A1 (en) * | 2000-09-08 | 2002-07-25 | Breed David S. | Method and apparatus for monitoring tires |
CN202126305U (zh) * | 2011-04-12 | 2012-01-25 | 山西国强称重设备有限公司 | 公路不停车轴重秤智能防作弊电子系统 |
CN104898578A (zh) * | 2014-03-04 | 2015-09-09 | 上海陆杰电子科技有限公司 | 一种公路动态轴重衡在线监控管理系统及其方法 |
CN104501930A (zh) * | 2014-12-24 | 2015-04-08 | 北京万集科技股份有限公司 | 一种联体式的防作弊动态称重方法及系统 |
JP2019093896A (ja) * | 2017-11-22 | 2019-06-20 | 日本電気株式会社 | 情報処理装置、分類方法およびコンピュータ・プログラム |
CN109918972A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 一种行车重量智能监控方法及系统 |
CN108489582A (zh) * | 2018-03-23 | 2018-09-04 | 郑州金恒电子技术有限公司 | 一种联合称重防止遥控作弊的汽车称重方法 |
CN111882882A (zh) * | 2020-07-31 | 2020-11-03 | 浙江东鼎电子股份有限公司 | 一种动态平板秤称重区域汽车跨车道行驶行为检测方法 |
Non-Patent Citations (2)
Title |
---|
李海龙: "基于BP算法的整车式动态称重仪表的研究与设计", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
罗旭: "软件技术在汽车衡防作弊方面的应用", 《称重科技暨第六届称重技术研讨会论文集中国衡器协会会议论文集》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112729517B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689723B (zh) | 基于功率分布与自学习的货车超载识别方法 | |
CN104501930B (zh) | 一种联体式的防作弊动态称重方法及系统 | |
EP0932032B1 (en) | Payload monitoring for a tractor-trailer | |
EP2466533A1 (en) | Method and system for detecting overload and unlawful measurement of vehicle | |
CN100489465C (zh) | 线缆式中低速公路动态称重装置 | |
CN103196530A (zh) | 车辆动态称重系统及其称重方法 | |
CN113158560A (zh) | 一种基于场景对抗的智能驾驶车辆自主能力测试方法 | |
CN102519565A (zh) | 双秤台防作弊公路车辆不停车称重系统 | |
Maclnnis et al. | A comparison of moment of inertia estimation techniques for vehicle dynamics simulation | |
CN101336183A (zh) | 车辆的侧翻危险度判定装置 | |
CN114599532B (zh) | 载荷检测设备 | |
CN109916491A (zh) | 一种识别移动车辆轴距、轴重和总重的方法和系统 | |
CN111707476B (zh) | 一种面向自动驾驶汽车的纵向驾驶能力检测方法 | |
CN112507588A (zh) | 一种超载车辆对桥梁影响的评估方法、系统及计算机设备 | |
CN112729517B (zh) | 基于改进knn的动态汽车衡多车作弊检测方法 | |
CN112781702B (zh) | 一种对车辆称重的方法及系统 | |
CN202362064U (zh) | 双秤台防作弊公路车辆不停车称重系统 | |
CN104165676A (zh) | 通过轴动态监控、轴组秤量的动态车辆高精度称重方法 | |
CN103674202B (zh) | 一种基于轴组称量的动态称重方法、装置及系统 | |
CN117292540A (zh) | 一种桥梁侧风环境车辆侧滑及侧翻预警系统及方法 | |
KR101049739B1 (ko) | 차량의 윤폭비를 이용한 차종분류 장치 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN103076188B (zh) | 基于跌落实验单自由度车辆模型的车辆参数识别方法 | |
CN201811773U (zh) | 轴重和总重量均精确测量的新型公路自动衡器 | |
CN113112061B (zh) | 一种预测车辆油耗的方法与装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |