CN112863175A - 汽车道路监测数据处理方法、装置、设备及存储介质 - Google Patents

汽车道路监测数据处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112863175A
CN112863175A CN202011640125.2A CN202011640125A CN112863175A CN 112863175 A CN112863175 A CN 112863175A CN 202011640125 A CN202011640125 A CN 202011640125A CN 112863175 A CN112863175 A CN 112863175A
Authority
CN
China
Prior art keywords
monitoring
node
automobile
road
credit score
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
Application number
CN202011640125.2A
Other languages
English (en)
Other versions
CN112863175B (zh
Inventor
刘懿
王健宗
黄章成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011640125.2A priority Critical patent/CN112863175B/zh
Priority to PCT/CN2021/083954 priority patent/WO2022141865A1/zh
Publication of CN112863175A publication Critical patent/CN112863175A/zh
Application granted granted Critical
Publication of CN112863175B publication Critical patent/CN112863175B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及云监控技术领域，揭露一种汽车道路监测数据处理方法、装置、设备及介质。该方法令监测到智能汽车的信用评分发生改变的迭代提出节点发送数据迭代指令至除迭代提出节点外的监测节点，获取所有监测节点对应的驾驶路段的实时道路状况及智能汽车的驾驶记录；根据实时道路状况以及驾驶记录，确定各监测节点的模型梯度以及模型损失；对模型梯度以及模型损失进行加密处理得到加密信息，将加密信息发送至云服务端节点，令云服务端节点根据加密信息确定更新参数；在超过预设数量的监测节点确定更新参数有效时，将生成的参数区块加入至各监测节点关联的区块链的尾端，确定智能汽车的信用评分改变有效。本发明提高了汽车道路监测数据处理的准确性。

Description

汽车道路监测数据处理方法、装置、设备及存储介质
技术领域
本发明涉及云监控技术领域，尤其涉及一种汽车道路监测数据处理方法、装置、设备及存储介质。
背景技术
随着汽车与人工智能、5G通讯、互联网、传感器技术等领域的快速融合，自动化智能汽车已成为未来汽车技术发展的主要趋势。相对于传统汽车，自动化汽车行驶时会产生各种各样图像和数字等数据，例如：行驶记录，道路状况，汽车本身的数据，甚至是天气状况。
现有技术中，对道路进行监测亦或者对智能汽车进行监控，一般是通过固定的交通规则，对行驶在道路上的智能汽车进行约束，以在智能汽车存在违反交通规则之后对驾驶员进行惩罚；但是，现有技术中的上述方式仅为一种对于驾驶员或智能汽车的一种即时间断的处理方式，对于该驾驶员或者智能汽车来说，并不存在一个长期、综合且有效准确的监控评价数据，如此，无法实现智能汽车的真正智能。
发明内容
本发明实施例提供一种汽车道路监测数据处理方法、装置、设备及存储介质，以长期、综合且有效准确的监控评价数据，进而实现智能汽车的真正智能。
一种汽车道路监测数据处理方法，应用于终端的监测节点中，所述终端的监测节点为多个，包括：
实时监测各所述监测节点范围内的智能汽车的信用评分是否发生改变，响应于所述智能汽车的信用评分的改变，将监测到所述智能汽车的信用评分发生改变的所述监测节点记录为迭代提出节点；
令所述迭代提出节点发送数据迭代指令至除所述迭代提出节点外的所有所述监测节点中，以获取所有所述监测节点对应的驾驶路段的实时道路状况，以及所述智能汽车的驾驶记录；
根据所述实时道路状况以及所述智能汽车的驾驶记录，确定各所述监测节点的模型梯度以及模型损失；
对所述模型梯度以及所述模型损失进行加密处理，得到加密信息，并将所述加密信息发送至云服务端节点，以令所述云服务端节点根据各所述监测节点的加密信息确定更新参数；
接收所述云服务端节点发送的更新参数，并在超过预设数量的监测节点确定所述更新参数的有效时，生成一个存储所述更新参数的参数区块，并将所述参数区块加入至各所述监测节点关联的区块链的尾端，以确定所述智能汽车的信用评分改变有效。
一种汽车道路监测数据处理方法，应用于云服务端节点中，包括：
响应于智能汽车信用评分的改变，接收各所述监测节点发送的加密信息；所述加密信息是在各所述监测节点接收到数据迭代指令之后，根据与各所述监测节点对应的模型梯度以及模型损失确定的；所述模型梯度以及所述模型损失根据各所述监测节点对应的驾驶路段的实时道路状况以及所述智能汽车的驾驶记录确定；
根据各所述监测节点的加密信息确定更新参数，并将所述更新参数发送至各所述监测节点；
在各所述监测节点接收到所述更新参数，且超过预设数量的监测节点确定所述更新参数的有效性之后，确定所述智能汽车的信用评分改变有效。
一种汽车道路监测数据处理装置，应用于终端的监测节点中，所述终端的监测节点为多个，包括：
信用评分监测模块，用于实时监测各所述监测节点范围内的智能汽车的信用评分是否发生改变，响应于所述智能汽车的信用评分的改变，将监测到所述智能汽车的信用评分发生改变的监测节点记录为迭代提出节点；
数据获取模块，用于令所述迭代提出节点发送数据迭代指令至除所述迭代提出节点外的所有所述监测节点中，以获取所有所述监测节点对应的驾驶路段的实时道路状况，以及所述智能汽车的驾驶记录；
模型梯度损失确定模块，用于根据所述实时道路状况以及所述智能汽车的驾驶记录，确定各所述监测节点的模型梯度以及模型损失；
加密信息发送模块，用于对所述模型梯度以及所述模型损失进行加密处理，得到加密信息，并将所述加密信息发送至云服务端节点，以令所述云服务端节点根据各所述监测节点的加密信息确定更新参数；
更新参数接收模块，用于接收所述云服务端节点发送的更新参数，并在超过预设数量的监测节点确定所述更新参数的有效时，生成一个存储所述更新参数的参数区块，并将所述参数区块加入至各所述监测节点关联的区块链的尾端，以确定所述智能汽车的信用评分改变有效。
一种汽车道路监测数据处理装置，应用于云服务端节点中，包括：
加密信息接收模块，用于响应于智能汽车信用评分的改变，接收各所述监测节点发送的加密信息；所述加密信息是在各所述监测节点接收到数据迭代指令之后，根据与各所述监测节点对应的模型梯度以及模型损失确定的；所述模型梯度以及所述模型损失根据各所述监测节点对应的驾驶路段的实时道路状况以及所述智能汽车的驾驶记录确定；
更新参数发送模块，用于根据各所述监测节点的加密信息确定更新参数，并将所述更新参数发送至各所述监测节点；
信用评分变更确认模块，用于在各所述监测节点接收到所述更新参数，且超过预设数量的监测节点确定所述更新参数的有效性之后，确定所述智能汽车的信用评分改变有效。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述汽车道路监测数据处理方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述汽车道路监测数据处理方法。
上述汽车道路监测数据处理方法、装置、设备及存储介质，通过实时监测各所述监测节点范围内的智能汽车的信用评分是否发生改变，响应于所述智能汽车的信用评分的改变，将监测到所述智能汽车的信用评分发生改变的监测节点记录为迭代提出节点；令所述迭代提出节点发送数据迭代指令至除所述迭代提出节点外的所述监测节点中，以获取所有所述监测节点对应的驾驶路段的实时道路状况，以及所述智能汽车的驾驶记录；根据所述实时道路状况以及所述智能汽车的驾驶记录，确定各所述监测节点的模型梯度以及模型损失；对所述模型梯度以及所述模型损失进行加密处理，得到加密信息，并将所述加密信息发送至云服务端节点，以令所述云服务端节点根据各所述监测节点的加密信息确定更新参数；接收所述云服务端节点发送的更新参数，并在超过预设数量的监测节点确定所述更新参数的有效性时，生成一个存储所述更新参数的参数区块，并将所述参数区块加入至各所述监测节点关联的区块链的尾端，以确定所述智能汽车的信用评分改变有效。
本发明，通过区块链以及联邦学习结合的方式，并根据智能汽车发生信用评分改变时的当前道路状况以及驾驶记录，进而根据长期且具有综合性的监控数据，对本次信用评分发生改变进行评判，可以提高汽车道路监测数据处理的有效性以及准确性。进一步地，通过区块链以及联邦学习结合的方式，还可以有效保护智能汽车的驾驶记录的安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中汽车道路监测数据处理方法的一应用环境示意图；
图2是本发明一实施例中汽车道路监测数据处理方法的一流程图；
图3是本发明一实施例中汽车道路监测数据处理方法的另一流程图；
图4是本发明一实施例中汽车道路监测数据处理方法的又一流程图；
图5是本发明一实施例中另一汽车道路监测数据处理方法的一流程图；
图6是本发明一实施例中汽车道路监测数据处理装置的一原理框图；
图7是本发明一实施例中另一汽车道路监测数据处理装置的一原理框图；
图8是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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作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。
本发明实施例提供的汽车道路监测数据处理方法，该汽车道路监测数据处理方法可以应用于如图1所示的应用环境中，也即该汽车道路监测数据处理方法可以应用于终端的监测节点以及云服务端的云服务端节点中，监测节点与云服务端节点之间通信连接，以进行数据传输。其中，终端可安装在但不限于个人计算机、笔记本电脑上。云服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种汽车道路监测数据处理方法，以该方法应用在图1中的监测节点为例进行说明，包括如下步骤：
S10：实时监测各所述监测节点范围内的智能汽车的信用评分是否发生改变，响应于所述智能汽车的信用评分的改变，将监测到所述智能汽车的信用评分发生改变的监测节点记录为迭代提出节点。
可以理解地，监测节点指的是被部署在终端的区块链网络中的节点，该监测节点用于对智能汽车的驾驶行为进行记录，以及检测智能汽车的信用评分是否发生改变。一个监测节点关联一个或多个路边监测仪器，每一个路边监测仪器负责监控不同的驾驶路段，进而可以获取智能汽车在对应的驾驶路段行驶时的驾驶记录以及当前道路状况。
可以理解地，智能汽车指的是增加了如雷达传感器、摄像传感器等传感器、控制器以及执行器等装置的汽车，该智能汽车在行驶过程中能够自动记录各种图像或者如驾驶记录等数据。
可以理解地，信用评分指的是针对每一个智能汽车的驾驶记录的评分，也即一个智能汽车关联一个信用评分，且一个智能汽车关联一个车辆信用账号，所有智能汽车的车辆信用账号均存储在基于区块链构建的汽车道路监测数据处理系统的信用账本上；示例性地，假设智能汽车的驾驶员存在违反交通规则的行为，则会降低该智能汽车的信用评分；亦或者智能汽车的驾驶员在一段时间内(如30天)连续没有存在违反交通规则的行为，则可以提高该智能汽车的信用评分；因此，无论是提高智能汽车的信用评分或者是降低智能汽车的信用评分，均视为智能汽车的信用评分发生改变。
S20：令所述迭代提出节点发送数据迭代指令至除所述迭代提出节点外的所述监测节点中，以获取所有所述监测节点对应的驾驶路段的实时道路状况，以及所述智能汽车的驾驶记录；
可以理解地，一个监测节点关联一个驾驶路段，也即各监测节点负责监控的驾驶路段是不同的，进而在其中一个监测节点监测到智能汽车的信用评分发生改变时，通过该迭代提出节点发送数据迭代指令至其它监测节点中，以获取所有监测节点对应的驾驶路段的实时道路状况，以及发生信用评分改变的智能汽车的驾驶记录。其中，一个监测节点关联一个路边监测仪器，进而该路边监测仪器可以获取与其对应的驾驶路段的实时道路状况，以及所述智能汽车的驾驶记录；实时道路状况可以为道路情况(如道路拥堵、道路通畅，或者是否存在交通事故等)，也可以为与驾驶路段对应的道路的天气情况(如道路地面是否湿滑、当前温度、天气等)。驾驶记录包括但不限于智能汽车的行驶速度、出发地或者目的地等。
S30：根据所述实时道路状况以及所述智能汽车的驾驶记录，确定各所述监测节点的模型梯度以及模型损失；
可以理解地，针对所有监测节点，在每一个监测节点中均存在一个独立建模的监测模型，也即在监测智能汽车的信用评分发生改变之后，每一监测节点均进行本地建模，得到监测模型；获取对应的实时道路状况以及智能汽车的驾驶记录之后，将实时道路状况以及智能汽车的驾驶记录输入至监测模型中进行学习，得到监测模型输出的模型梯度以及模型损失；进一步地，每一个监测节点获取到的实时道路状况以及智能汽车的驾驶记录可能是不同的，因此，每一个监测节点的监测模型输出的模型梯度以及模型损失也可能是不同的。其中，监测模型可以为基于递归神经网络构建的模型，该监测模型用于根据各监测节点获取的实时道路状况以及智能汽车驾驶记录进行迭代训练，进而得到模型梯度以及模型损失。示例性地，模型损失可以采用均方差损失函数确定。随着监测模型的迭代更新次数的增加，模型梯度在逐渐下降。
S40：对所述模型梯度以及所述模型损失进行加密处理，得到加密信息，并将所述加密信息发送至云服务端节点，以令所述云服务端节点根据各所述监测节点的加密信息确定更新参数；
示例性地，对模型梯度以及模型损失进行加密处理可以采用同态加密算法、均匀加密算法(如均匀哈希算法)等。
进一步地，在各监测节点对模型梯度以及模型损失进行加密处理，得到加密信息后，将加密信息发送至云服务端节点中，进而在云服务端节点接收到加密信息之后，对各加密信息进行联邦聚合处理，并根据联邦聚合处理后的加密信息构建云服务端节点的云服务模型；对云服务模型进行联邦拆分，如对各监测节点的模型梯度以及模型损失进行加权平均后，确定更新参数，并通过云服务端节点将更新参数发送至各监测节点中，以令各监测节点确定更新参数的有效性。其中，更新参数中包括与模型梯度对应的梯度更新参数，以及与模型损失对应的损失更新参数，该更新参数用于令各监测节点在下一次监测到智能汽车的信用评分发生改变时，根据此次发生改变的智能汽车的实时道路状况、智能汽车的驾驶记录，更新参数，对各监测节点的监测模型进行训练，进而在不断的训练过程中，提高各监测节点的监测模型根据实时道路状况以及智能汽车的驾驶记录，对智能汽车的信用评分的改变进行判断的准确率。
S50：接收所述云服务端节点发送的更新参数，并在超过预设数量的监测节点确定所述更新参数的有效时，生成一个存储所述更新参数的参数区块，并将所述参数区块加入至各所述监测节点关联的区块链的尾端，以确定所述智能汽车的信用评分改变有效。
优选地，预设数量为所有监测节点的2/3，示例性地的假设监测节点共有9个，则需要超过6个监测节点(如7个、8个等)确定更新参数的有效性之后，生成一个存储更新参数的参数区块。
可以理解地，一个监测节点关联一个区块链，也即每一个监测节点中均关联一个包含多个区块的区块链，该区块链的最后一个区块表征联邦学习迭代数，也即每接收一次云服务端节点发送的更新参数，且在超过预设数量的监测节点确定所述更新参数的有效时，生成一个存储所述更新参数的参数区块，并将所述参数区块加入至各所述监测节点关联的区块链的尾端，进而最后一个区块表征最新的迭代后的更新参数，以确定智能汽车的信用评分改变有效。
进一步地，若少于预设数量的监测节点不确定更新参数的有效性，则表征该更新参数无法得到大部分监测节点的同意，进而不将该更新参数存储至新的参数区块中，此次迭代数不更新，智能汽车的信用评分改变校验不成功，进而将智能汽车的信用评分恢复至改变之前的评分，如此，可以使得智能汽车的信用评分的改动，可以通过过个监测节点以及云服务端节点进行校验，提高汽车道路监测数据处理的有效性以及准确性。
在本实施例中，通过区块链以及联邦学习结合的方式，并根据智能汽车发生信用评分改变时的当前道路状况以及驾驶记录，进而根据长期且具有综合性的监控数据，对本次信用评分发生改变进行评判，可以提高汽车道路监测数据处理的有效性以及准确性。进一步地，通过区块链以及联邦学习结合的方式，还可以有效保护智能汽车的驾驶记录的安全性。
在一实施例中，如图3所示，步骤S50之后，也即将所述参数区块加入至各所述监测节点关联的区块链的尾端之后，包括：
S60：获取与各所述监测节点关联的区块链分别对应的各节点迭代数；
可以理解地，节点迭代数也即与各监测节点关联的区块链的区块总数。在步骤S50中指出，在接收所述云服务端节点发送的更新参数，并在超过预设数量的监测节点确定所述更新参数的有效性时，生成一个存储所述更新参数的参数区块，也即每一次生成一个存储更新参数的参数区块即可视为一次迭代过程，进而通过获取与各监测节点关联的区块分别对应的区块数，即可得到对应的各节点迭代数。
S70：在各节点迭代数存在不同时，将数值最大的节点迭代数对应的区块链记录为替换区块链，将除所述替换区块链之外的其他区块链记录为待替换区块链；
S80：将所有所述待替换区块链均替换为所述替换区块链。
可以理解地，所有监测节点均需要保证与其关联的区块链的节点迭代数是最新的，也即每一个监测节点的区块数相同，进而在各节点迭代数存在不同时，将数值最大的节点迭代数对应的区块链记录为替换区块链，将除所述替换区块链之外的其他区块链记录为待替换区块链；并将所有所述待替换区块链均替换为所述替换区块链。
在一实施例中，如图4所示，步骤S50之后，也即确定所述智能汽车的信用评分改变有效之后，还包括：
S01：响应于驾驶员发送的包含出行路线的预出行指令，获取与所述驾驶员的智能汽车对应的信用评分；
其中，预出行指令是指驾驶员出行前发送至汽车道路监测数据处理系统中的指令，进而在汽车道路监测数据处理系统接收到该预出行指令之后，监测节点会自汽车道路监测数据处理系统中的信用账本中，获取与该驾驶员的智能汽车对应的信用评分。示例性地，可以通过驾驶员姓名匹配或者车牌号匹配方式，自信用账本中获取与该驾驶员的智能汽车对应的信用评分。可以理解地，出行路线可以包含出发地、目的地，以及出发地至目的地之间需要通过的驾驶路段。
S02：将所述信用评分与预设评分阈值进行比较；
S03：在所述信用评分高于或等于预设评分阈值时，获取与所述出行路线关联的驾驶路段对应的当前道路状况，并获取与所述驾驶路段上所有智能汽车的信用评分；
其中，预设评分阈值可以为90分、95分等。
具体地，在接收到驾驶员发送的包含出行路线的预出行指令时，获取与所述驾驶员的智能汽车对应的信用评分之后，将信用评分与预设评分阈值进行比较，在信用评分高于或等于预设评分阈值时，获取与预出行指令中出行路线关联的驾驶路段对应的当前道路状况(如是否拥堵、是否容易打滑、天气情况等)，并获取与驾驶路段上所有智能汽车的信用评分。
示例性地，在信用评分高于或等于预设评分阈值时，监测节点可以通过拍摄关联的驾驶路段的当前道路状况，并通过拍摄驾驶路段上的所有智能汽车的图像，以对该图像中所有智能汽车进行车牌图像识别，以得到与驾驶路段上所有智能汽车对应的车牌号，进而自汽车道路监测数据处理系统中的信用账本中，获取与各车牌号对应的信用评分。
S04：根据所述当前道路状况以及所有所述智能汽车的信用评分，确定所述出行路线的推荐值，并将所述推荐值发送至所述驾驶员，以令所述驾驶员根据所述推荐值确定是否继续以所述出行路线出行。
具体地，在获取与所述出行路线关联的驾驶路段对应的当前道路状况，并获取与所述驾驶路段上所有智能汽车的信用评分之后，监测节点根据当前道路状况以及所有智能汽车的信用评分，确定出行路线的推荐值。
示例性地，监测节点可以根据当前道路状况，如天气晴朗对应的推荐值较高，下雨天气的推荐值较低，道路若出现拥堵情况时推荐值较低，道路通畅时推荐值较低；且在获取所有智能汽车的信用评分之后，将各智能汽车的信用评分与预设评分阈值进行比较，若超过预设数量(如在驾驶路段上的所有智能汽车数量的80％等)的智能汽车的信用评分低于预设评分阈值，则表征该出行线路上的驾驶员存在较多的违规次数，可能发生意外的几率较高，进而根据当前道路状况以及所有所述智能汽车的信用评分，确定所述出行路线的推荐值，并将推荐值发送至驾驶员，以令驾驶员根据所述推荐值确定是否继续以所述出行路线出行。如，在推荐值较低时(如推荐值为50分、60分等)，则监测节点也可以根据该驾驶员的出行线路中的出发地以及目的地，为驾驶员推荐一条适合的出行线路，以供驾驶员确定是否以出行路线出行。
在一实施例中，如图5所示，提出一种汽车道路监测数据处理方法，以该方法应用在图1中的云服务端节点为例进行说明，包括如下步骤：
S90：响应于智能汽车信用评分的改变，接收各所述监测节点发送的加密信息；所述加密信息是在各所述监测节点接收到数据迭代指令之后，根据与各所述监测节点对应的模型梯度以及模型损失确定的；所述模型梯度以及所述模型损失根据各所述监测节点对应的驾驶路段的实时道路状况以及所述智能汽车的驾驶记录确定；
可以理解地，信用评分指的是针对每一个智能汽车的驾驶记录的评分，也即一个智能汽车关联一个信用评分，且一个智能汽车关联一个车辆信用账号，所有智能汽车的车辆信用账号均存储在基于区块链构建的汽车道路监测数据处理系统的信用账本上；示例性地，假设智能汽车的驾驶员存在违反交通规则的行为，则会降低该智能汽车的信用评分；亦或者智能汽车的驾驶员在一段时间内(如30天)连续没有存在违反交通规则的行为，则可以提高该智能汽车的信用评分；因此，无论是提高智能汽车的信用评分或者是降低智能汽车的信用评分，均视为智能汽车的信用评分发生改变。
具体地，在监测节点检测到智能汽车的信用评分发生改变时，通过监测到智能汽车的信用评分发生改变的监测节点向所有其它监测节点发送数据迭代指令，以令所有监测节点获取与其对应的驾驶路段的实时道路状况，以及与该智能汽车对应的驾驶记录。可以理解地，针对所有监测节点，在每一个监测节点中均存在一个独立建模的监测模型，也即在监测智能汽车的信用评分发生改变之后，每一监测节点均进行本地建模，得到监测模型；获取对应的实时道路状况以及智能汽车的驾驶记录之后，将实时道路状况以及智能汽车的驾驶记录输入至监测模型中进行学习，得到监测模型输出的模型梯度以及模型损失；进一步地，每一个监测节点获取到的实时道路状况以及智能汽车的驾驶记录可能是不同的，因此，每一个监测节点的监测模型输出的模型梯度以及模型损失也可能是不同的。
进一步地，在各监测节点确定对应的模型梯度以及模型损失之后，各监测节点通过如同态加密算法、均匀加密算法(如均匀哈希算法)等加密算法对模型梯度以及模型损失进行加密，进而得到加密信息，并将该加密信息发送至云服务端节点。
S100：根据各所述监测节点的加密信息确定更新参数，并将所述更新参数发送至各所述监测节点；
具体地，在接收各所述监测节点发送的加密信息之后，对各加密信息进行联邦聚合处理，并根据联邦聚合处理后的加密信息构建云服务端节点的云服务模型；对云服务模型进行联邦拆分，如对各监测节点的模型梯度以及模型损失进行加权平均后，确定更新参数，并将更新参数发送至各监测节点中，以令各监测节点确定更新参数的有效性。可以理解地，对于各监测节点的加密信息，是根据各监测节点获取的对应驾驶路段的当前道路状况以及驾驶记录确定的，也即对于各监测节点的加密信息是不同的，但是各监测节点的数据特征相同(如各监测节点均采集当前道路状况以及驾驶记录)，因此本实施例中，采用横向联邦学习方式确定更新参数。
S110：在各所述监测节点接收到所述更新参数，且超过预设数量的监测节点确定所述更新参数的有效之后，确定所述智能汽车的信用评分改变有效。
优选地，预设数量为所有监测节点的2/3，示例性地的假设监测节点共有9个，则需要超过6个监测节点(如7个、8个等)确定更新参数的有效性之后，生成一个存储更新参数的参数区块。
可以理解地，一个监测节点关联一个区块链，也即每一个监测节点中均关联一个包含多个区块的区块链，该区块链的最后一个区块表征联邦学习迭代数，也即每接收一次云服务端节点发送的更新参数，且在超过预设数量的监测节点确定所述更新参数的有效性时，生成一个存储所述更新参数的参数区块，并将所述参数区块加入至各所述监测节点关联的区块链的尾端，进而最后一个区块表征最新的迭代后的更新参数，以确定智能汽车的信用评分改变有效。
在一实施例中，所述接收各所述监测节点发送的加密信息之前，包括：
构建基于区块链的汽车道路监测数据处理系统；所述汽车道路监测数据处理系统包括用于存储车辆信用账号的信用账本；一个所述车辆信用账号关联一辆智能汽车；一辆智能汽车关联一个信用评分；
可以理解地，信用账本为基于区块链的分布式存储数据库，该信用账本中建立了与智能汽车关联的车辆信用账号，并且一个车辆信用账号关联一个信用评分，该信用评分会根据驾驶员的驾驶习惯进行调整，如违规驾驶习惯会降低信用评分，良好驾驶习惯可以提高信用评分。
进一步地，智能汽车关联的信用评分发生改变时可以通过下述表达式确定：
信用评分下降表达式：si-(σi+βi)*μ*αT；
其中，si为信用账本中第i个车辆信用账号关联的信用评分；σi指的是第i个车辆信用账号对应的标准化错误代价(该标准化错误代价可以根据历史上第i个车辆信用账号，违反标注化规则的次数确定)；βi指的是第第i个车辆信用账号对应的伤害指数(该伤害指数可以根据历史上第i个车辆信用账号，违反交通规则带来的损耗进行确定，如对本智能汽车的损耗，以及对其它智能汽车的损耗等)；μ指的是当前交通状况；αT指的是在T时间段内，第i个车辆信用账号的信用评分下降次数。
信用评分上升表达式：sp+log(t+29)；
其中，sp为信用账本中第p个车辆信用账号关联的信用评分；t为第p个车辆信用账号关联的信用评分未发生信用评分降低的天数。
在所述汽车道路监测数据处理系统中部署所述监测节点；一个所述监测节点关联一个所述驾驶路段。
可以理解地，一个监测节点关联一个驾驶路段，也即各监测节点负责监控的驾驶路段是不同的。此外，一个监测节点关联一个路边监测仪器进而该路边监测仪器可以获取与其对应的驾驶路段的实时道路状况，以及所述智能汽车的驾驶记录。进一步地，一个监测节点还关联一个包含多个区块的区块链，在各监测节点接收所述云服务端节点发送的更新参数，并在超过预设数量的监测节点确定所述更新参数的有效性时，生成一个存储所述更新参数的参数区块，并将所述参数区块加入至各所述监测节点关联的区块链的尾端，以确定所述智能汽车的信用评分改变有效。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种汽车道路监测数据处理装置，应用于终端的监测节点中，该汽车道路监测数据处理装置与上述实施例中汽车道路监测数据处理方法一一对应。如图6所示，该汽车道路监测数据处理装置包括信用评分监测模块10、数据获取模块20、模型梯度损失确定模块30、加密信息发送模块40和更新参数接收模块50。各功能模块详细说明如下：
信用评分监测模块10，用于实时监测各监测节点范围内的智能汽车的信用评分是否发生改变，响应于所述智能汽车的信用评分的改变，将监测到所述智能汽车的信用评分发生改变的监测节点记录为迭代提出节点；
第一数据获取模块20，用于令所述迭代提出节点发送数据迭代指令至除所述迭代提出节点外的所述监测节点中，以获取所有所述监测节点对应的驾驶路段的实时道路状况，以及所述智能汽车的驾驶记录；
模型梯度损失确定模块30，用于根据所述实时道路状况以及所述智能汽车的驾驶记录，确定各所述监测节点的模型梯度以及模型损失；
加密信息发送模块40，用于对所述模型梯度以及所述模型损失进行加密处理，得到加密信息，并将所述加密信息发送至云服务端节点，以令所述云服务端节点根据各所述监测节点的加密信息确定更新参数；
更新参数接收模块50，用于接收所述云服务端节点发送的更新参数，并在超过预设数量的监测节点确定所述更新参数的有效时，生成一个存储所述更新参数的参数区块，并将所述参数区块加入至各所述监测节点关联的区块链的尾端，以确定所述智能汽车的信用评分改变有效。
优选地，汽车道路监测数据处理装置还包括：
节点迭代数获取模块，用于获取与各所述监测节点关联的区块链分别对应的各节点迭代数；
区块链记录模块，用于在各节点迭代数存在不同时，将数值最大的节点迭代数对应的区块链记录为替换区块链，将除所述替换区块链之外的其他区块链记录为待替换区块链；
区块链替换模块，用于将所有所述待替换区块链均替换为所述替换区块链。
优选地，汽车道路监测数据处理装置还包括：
信用评分获取模块，用于在接收到驾驶员发送的包含出行路线的预出行指令时，获取与所述驾驶员的智能汽车对应的信用评分；
信用评分比较模块，用于将所述信用评分与预设评分阈值进行比较；
第二数据获取模块，用于在所述信用评分高于或等于所述预设评分阈值时，获取与所述出行路线关联的驾驶路段对应的当前道路状况，并获取与所述驾驶路段上所有智能汽车的信用评分；
推荐值确定模块，用于根据所述当前道路状况以及所有所述智能汽车的信用评分，确定所述出行路线的推荐值，并将所述推荐值发送至所述驾驶员，以令所述驾驶员根据所述推荐值确定是否继续以所述出行路线出行。
在一实施例中，如图7所示，提出另一种汽车道路监测数据处理装置，应用于云服务端节点中，包括：
加密信息接收模块90，用于响应于智能汽车信用评分的改变，接收各所述监测节点发送的加密信息；所述加密信息是在各所述监测节点接收到数据迭代指令之后，根据与各所述监测节点对应的模型梯度以及模型损失确定的；所述模型梯度以及所述模型损失根据各所述监测节点对应的驾驶路段的实时道路状况以及所述智能汽车的驾驶记录确定；
更新参数发送模块100，用于根据各所述监测节点的加密信息确定更新参数，并将所述更新参数发送至各所述监测节点；
信用评分变更确认模块110，用于在各所述监测节点接收到所述更新参数，且超过预设数量的监测节点确定所述更新参数的有效性之后，确定所述智能汽车的信用评分改变有效。
优选地，汽车道路监测数据处理装置还包括：
系统构建模块，用于构建基于区块链的汽车道路监测数据处理系统；所述汽车道路监测数据处理系统包括用于存储车辆信用账号的信用账本；一个所述车辆信用账号关联一辆智能汽车；一辆智能汽车关联一个信用评分；
监测节点部署模块，用于在所述汽车道路监测数据处理系统中部署所述监测节点；一个所述监测节点关联一个所述驾驶路段。
优选地，加密信息接收模块包括：
联邦聚合单元，用于对各所述加密信息进行联邦聚合处理，以构建云服务模型；
联邦拆分单元，用于对所述云服务模型进行联邦拆分，确定所述云服务模型的更新参数。
关于汽车道路监测数据处理装置的具体限定可以参见上文中对于汽车道路监测数据处理方法的限定，在此不再赘述。上述汽车道路监测数据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服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。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存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储上述实施例中汽车道路监测数据处理所使用到的数据。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汽车道路监测数据处理方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中汽车道路监测数据处理方法。
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上述实施例中汽车道路监测数据处理方法。
本领域普通技术人员可以理解实现上述实施例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，本申请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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种汽车道路监测数据处理方法，应用于终端的监测节点，所述终端的监测节点为多个，其特征在于，所述方法包括：
实时监测各所述监测节点范围内的智能汽车的信用评分是否发生改变，响应于所述智能汽车的信用评分的改变，将监测到所述智能汽车的信用评分发生改变的所述监测节点记录为迭代提出节点；
令所述迭代提出节点发送数据迭代指令至除所述迭代提出节点外的其余所述监测节点，以获取所有所述监测节点对应的驾驶路段的实时道路状况，以及所述智能汽车的驾驶记录；
根据所述实时道路状况以及所述智能汽车的驾驶记录，确定各所述监测节点的模型梯度以及模型损失；
对所述模型梯度以及所述模型损失进行加密处理，得到加密信息，并将所述加密信息发送至云服务端节点，以令所述云服务端节点根据各所述监测节点的加密信息确定更新参数；
接收所述云服务端节点发送的更新参数，在超过预设数量的监测节点确定所述更新参数的有效时，生成一个存储所述更新参数的参数区块，并将所述参数区块加入至各所述监测节点关联的区块链的尾端，以确定所述智能汽车的信用评分改变有效。
2.如权利要求1所述的汽车道路监测数据处理方法，其特征在于，所述将所述参数区块加入至各所述监测节点关联的区块链的尾端之后，包括：
获取与各所述监测节点关联的区块链分别对应的各节点迭代数；
在各节点迭代数存在不同时，将数值最大的节点迭代数对应的区块链记录为替换区块链，将除所述替换区块链之外的其他区块链记录为待替换区块链；
将所有所述待替换区块链均替换为所述替换区块链。
3.如权利要求1所述的汽车道路监测数据处理方法，其特征在于，所述确定所述智能汽车的信用评分改变有效之后，还包括：
响应于驾驶员发送的包含出行路线的预出行指令，获取与所述驾驶员的智能汽车对应的信用评分；
将所述信用评分与预设评分阈值进行比较；
在所述信用评分高于或等于所述预设评分阈值时，获取与所述出行路线关联的驾驶路段对应的当前道路状况，并获取与所述驾驶路段上所有智能汽车的信用评分；
根据所述当前道路状况以及所有所述智能汽车的信用评分，确定所述出行路线的推荐值，并将所述推荐值发送至所述驾驶员，以令所述驾驶员根据所述推荐值确定是否继续以所述出行路线出行。
4.一种汽车道路监测数据处理方法，所述汽车道路监测数据处理方法应用于云服务端节点中，其特征在于，所述方法包括：
响应于智能汽车信用评分的改变，接收各所述监测节点发送的加密信息；所述加密信息是在各所述监测节点接收到数据迭代指令之后，根据与各所述监测节点对应的模型梯度以及模型损失确定的；所述模型梯度以及所述模型损失根据各所述监测节点对应的驾驶路段的实时道路状况以及所述智能汽车的驾驶记录确定；
根据各所述监测节点的加密信息确定更新参数，并将所述更新参数发送至各所述监测节点；
在各所述监测节点接收到所述更新参数，且超过预设数量的监测节点确定所述更新参数的有效之后，确定所述智能汽车的信用评分改变有效。
5.如权利要求4所述的汽车道路监测数据处理方法，其特征在于，所述接收各所述监测节点发送的加密信息之前，包括：
构建基于区块链的汽车道路监测数据处理系统；所述汽车道路监测数据处理系统包括用于存储车辆信用账号的信用账本；一个所述车辆信用账号关联一辆智能汽车；一辆智能汽车关联一个信用评分；
在所述汽车道路监测数据处理系统中部署所述监测节点；一个所述监测节点关联一个所述驾驶路段。
6.如权利要求4所述的汽车道路监测数据处理方法，其特征在于，所述根据各所述监测节点的加密信息确定更新参数，包括：
对各所述加密信息进行联邦聚合处理，以构建云服务模型；
对所述云服务模型进行联邦拆分，确定所述云服务模型的更新参数。
7.一种汽车道路监测数据处理装置，应用于终端的监测节点中，所述终端的监测节点为多个，其特征在于，所述装置包括：
信用评分监测模块，用于实时监测各所述监测节点范围内的智能汽车的信用评分是否发生改变，响应于所述智能汽车的信用评分的改变，将监测到所述智能汽车的信用评分发生改变的所述监测节点记录为迭代提出节点；
数据获取模块，用于令所述迭代提出节点发送数据迭代指令至除所述迭代提出节点外的所有所述监测节点中，以获取所有所述监测节点对应的驾驶路段的实时道路状况，以及所述智能汽车的驾驶记录；
模型梯度损失确定模块，用于根据所述实时道路状况以及所述智能汽车的驾驶记录，确定各所述监测节点的模型梯度以及模型损失；
加密信息发送模块，用于对所述模型梯度以及所述模型损失进行加密处理，得到加密信息，并将所述加密信息发送至云服务端节点，以令所述云服务端节点根据各所述监测节点的加密信息确定更新参数；
更新参数接收模块，用于接收所述云服务端节点发送的更新参数，并在超过预设数量的监测节点确定所述更新参数的有效时，生成一个存储所述更新参数的参数区块，并将所述参数区块加入至各所述监测节点关联的区块链的尾端，以确定所述智能汽车的信用评分改变有效。
8.一种汽车道路监测数据处理装置，应用于云服务端节点中，其特征在于，所述装置包括：
加密信息接收模块，用于响应于智能汽车信用评分的改变，接收各所述监测节点发送的加密信息；所述加密信息是在各所述监测节点接收到数据迭代指令之后，根据与各所述监测节点对应的模型梯度以及模型损失确定的；所述模型梯度以及所述模型损失根据各所述监测节点对应的驾驶路段的实时道路状况以及所述智能汽车的驾驶记录确定；
更新参数发送模块，用于根据各所述监测节点的加密信息确定更新参数，并将所述更新参数发送至各所述监测节点；
信用评分变更确认模块，用于在各所述监测节点接收到所述更新参数，且超过预设数量的监测节点确定所述更新参数的有效性之后，确定所述智能汽车的信用评分改变有效。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述汽车道路监测数据处理方法的。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述汽车道路监测数据处理方法。
CN202011640125.2A 2020-12-31 2020-12-31 汽车道路监测数据处理方法、装置、设备及存储介质 Active CN112863175B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011640125.2A CN112863175B (zh) 2020-12-31 2020-12-31 汽车道路监测数据处理方法、装置、设备及存储介质
PCT/CN2021/083954 WO2022141865A1 (zh) 2020-12-31 2021-03-30 汽车道路监测数据处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011640125.2A CN112863175B (zh) 2020-12-31 2020-12-31 汽车道路监测数据处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112863175A true CN112863175A (zh) 2021-05-28
CN112863175B CN112863175B (zh) 2022-11-22

Family

ID=76000752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011640125.2A Active CN112863175B (zh) 2020-12-31 2020-12-31 汽车道路监测数据处理方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN112863175B (zh)
WO (1) WO2022141865A1 (zh)

Citations (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016122881A1 (en) * 2015-01-28 2016-08-04 Allstate Insurance Company Road segment safety rating
CN107292528A (zh) * 2017-06-30 2017-10-24 阿里巴巴集团控股有限公司 车险风险预测方法、装置及服务器
US20180061237A1 (en) * 2016-08-30 2018-03-01 International Business Machines Corporation Modifying Behavior of Autonomous Vehicle Based on Advanced Predicted Behavior Analysis of Nearby Drivers
CN108063826A (zh) * 2017-12-27 2018-05-22 上海唯链信息科技有限公司 一种基于区块链技术的车联网的共享与追溯系统
US20180190111A1 (en) * 2016-12-29 2018-07-05 X Development Llc Dynamic traffic control
CN109543627A (zh) * 2018-11-27 2019-03-29 西安电子科技大学 一种判断驾驶行为类别的方法、装置、及计算机设备
US20190188787A1 (en) * 2017-12-20 2019-06-20 Accenture Global Solutions Limited Analytics engine for multiple blockchain nodes
US20190304027A1 (en) * 2018-03-30 2019-10-03 Alibaba Group Holding Limited Blockchain-based service execution method and apparatus, and electronic device
CN110519286A (zh) * 2019-09-01 2019-11-29 江西理工大学 一种基于联盟区块链的智能交通数据安全访问方法
US20200005559A1 (en) * 2018-06-27 2020-01-02 International Business Machines Corporation Self-driving vehicle integrity management on a blockchain
CN110648244A (zh) * 2019-09-05 2020-01-03 广州亚美信息科技有限公司 基于区块链的车险方案生成方法、装置和行车数据处理系统
CN110659678A (zh) * 2019-09-09 2020-01-07 腾讯科技（深圳）有限公司 一种用户行为分类方法、系统及存储介质
US20200026289A1 (en) * 2019-09-28 2020-01-23 Ignacio J. Alvarez Distributed traffic safety consensus
WO2020065708A1 (ja) * 2018-09-25 2020-04-02 株式会社ウフル コンピュータシステム、危険運転車両通知方法及びプログラム
CN110958301A (zh) * 2019-11-04 2020-04-03 广州亚美信息科技有限公司 基于联盟链的车辆档案数据处理方法、装置和系统
CN110990870A (zh) * 2019-11-29 2020-04-10 上海能塔智能科技有限公司 运维、使用模型库的处理方法、装置、设备与介质
CN111159305A (zh) * 2020-04-02 2020-05-15 支付宝(杭州)信息技术有限公司 基于区块链的车辆数据处理方法、装置及系统
CN111212110A (zh) * 2019-12-13 2020-05-29 清华大学深圳国际研究生院 一种基于区块链的联邦学习系统及方法
CN111211893A (zh) * 2020-01-22 2020-05-29 西安电子科技大学 一种应用区块链的自动驾驶汽车模型共享方法
CN111226238A (zh) * 2017-11-07 2020-06-02 华为技术有限公司 一种预测方法及终端、服务器
CN111339554A (zh) * 2020-02-17 2020-06-26 电子科技大学 基于移动边缘计算的用户数据隐私保护方法
CN111368319A (zh) * 2020-03-04 2020-07-03 西安电子科技大学 一种联邦学习环境下基于区块链的数据安全访问方法
CN111368326A (zh) * 2020-02-25 2020-07-03 百度在线网络技术（北京）有限公司 车辆数据处理方法、装置、电子设备和存储介质
CN111476139A (zh) * 2020-04-01 2020-07-31 同济大学 基于联邦迁移学习的驾驶员行为云边协同学习系统
CN111539731A (zh) * 2020-06-19 2020-08-14 支付宝(杭州)信息技术有限公司 基于区块链的联邦学习方法及装置和电子设备
CN111565174A (zh) * 2020-04-20 2020-08-21 中移雄安信息通信科技有限公司 车辆质量信息确定模型训练方法及车辆质量信息确定方法
CN111723946A (zh) * 2020-06-19 2020-09-29 深圳前海微众银行股份有限公司 一种应用于区块链的联邦学习方法及装置
CN111756829A (zh) * 2020-06-19 2020-10-09 深圳市蔚链科技有限公司 账本数据同步方法、装置、设备和存储介质
CN111753885A (zh) * 2020-06-09 2020-10-09 华侨大学 一种基于深度学习的隐私增强数据处理方法和系统
CN111832503A (zh) * 2020-07-20 2020-10-27 中国人民武装警察部队工程大学 一种基于联邦学习的分心驾驶识别方法
CN111833480A (zh) * 2019-04-12 2020-10-27 比亚迪股份有限公司 驾驶行为检测方法、装置和车辆
US20200342753A1 (en) * 2019-04-26 2020-10-29 Blackberry Limited Method and system for traffic behavior detection and warnings
CN111856934A (zh) * 2020-07-16 2020-10-30 南京大量数控科技有限公司 一种同构智能车间之间的联邦学习数据处理算法
US20200349833A1 (en) * 2019-05-02 2020-11-05 Toyota Motor North America, Inc. Dynamic speed limit for vehicles and autonomous vehicles
AU2020102543A4 (en) * 2020-09-30 2020-11-19 Aggarwal, Vibha DR Iot based trust modeling approach for cooperative autonomous driving and intelligent transport systems (its)
CN111966698A (zh) * 2020-07-03 2020-11-20 华南师范大学 一种基于区块链的可信联邦学习方法、系统、装置及介质
US20200394552A1 (en) * 2019-06-12 2020-12-17 International Business Machines Corporation Aggregated maching learning verification for database
CN112132277A (zh) * 2020-09-21 2020-12-25 平安科技（深圳）有限公司 联邦学习模型训练方法、装置、终端设备及存储介质
CN112132293A (zh) * 2020-09-30 2020-12-25 腾讯科技（深圳）有限公司 纵向联邦学习中的计算方法、装置、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229518B (zh) * 2016-03-26 2020-06-30 阿里巴巴集团控股有限公司 一种分布式集群训练方法和装置
CN109086619A (zh) * 2018-07-05 2018-12-25 广东天泽汇通科技有限公司 基于区块链的停车信用调整方法及其装置、电子设备
CN109711737A (zh) * 2018-12-28 2019-05-03 英华达（南京）科技有限公司 一种威胁车辆检测方法、装置及系统
CN110706371B (zh) * 2019-10-17 2022-04-05 腾讯科技（深圳）有限公司 基于区块链的行车安全管理方法、系统及存储介质

Patent Citations (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016122881A1 (en) * 2015-01-28 2016-08-04 Allstate Insurance Company Road segment safety rating
US20180061237A1 (en) * 2016-08-30 2018-03-01 International Business Machines Corporation Modifying Behavior of Autonomous Vehicle Based on Advanced Predicted Behavior Analysis of Nearby Drivers
US20180190111A1 (en) * 2016-12-29 2018-07-05 X Development Llc Dynamic traffic control
CN107292528A (zh) * 2017-06-30 2017-10-24 阿里巴巴集团控股有限公司 车险风险预测方法、装置及服务器
CN111226238A (zh) * 2017-11-07 2020-06-02 华为技术有限公司 一种预测方法及终端、服务器
US20190188787A1 (en) * 2017-12-20 2019-06-20 Accenture Global Solutions Limited Analytics engine for multiple blockchain nodes
CN108063826A (zh) * 2017-12-27 2018-05-22 上海唯链信息科技有限公司 一种基于区块链技术的车联网的共享与追溯系统
US20190304027A1 (en) * 2018-03-30 2019-10-03 Alibaba Group Holding Limited Blockchain-based service execution method and apparatus, and electronic device
US20200005559A1 (en) * 2018-06-27 2020-01-02 International Business Machines Corporation Self-driving vehicle integrity management on a blockchain
WO2020065708A1 (ja) * 2018-09-25 2020-04-02 株式会社ウフル コンピュータシステム、危険運転車両通知方法及びプログラム
CN109543627A (zh) * 2018-11-27 2019-03-29 西安电子科技大学 一种判断驾驶行为类别的方法、装置、及计算机设备
CN111833480A (zh) * 2019-04-12 2020-10-27 比亚迪股份有限公司 驾驶行为检测方法、装置和车辆
US20200342753A1 (en) * 2019-04-26 2020-10-29 Blackberry Limited Method and system for traffic behavior detection and warnings
US20200349833A1 (en) * 2019-05-02 2020-11-05 Toyota Motor North America, Inc. Dynamic speed limit for vehicles and autonomous vehicles
US20200394552A1 (en) * 2019-06-12 2020-12-17 International Business Machines Corporation Aggregated maching learning verification for database
CN110519286A (zh) * 2019-09-01 2019-11-29 江西理工大学 一种基于联盟区块链的智能交通数据安全访问方法
CN110648244A (zh) * 2019-09-05 2020-01-03 广州亚美信息科技有限公司 基于区块链的车险方案生成方法、装置和行车数据处理系统
CN110659678A (zh) * 2019-09-09 2020-01-07 腾讯科技（深圳）有限公司 一种用户行为分类方法、系统及存储介质
US20200026289A1 (en) * 2019-09-28 2020-01-23 Ignacio J. Alvarez Distributed traffic safety consensus
CN110958301A (zh) * 2019-11-04 2020-04-03 广州亚美信息科技有限公司 基于联盟链的车辆档案数据处理方法、装置和系统
CN110990870A (zh) * 2019-11-29 2020-04-10 上海能塔智能科技有限公司 运维、使用模型库的处理方法、装置、设备与介质
CN111212110A (zh) * 2019-12-13 2020-05-29 清华大学深圳国际研究生院 一种基于区块链的联邦学习系统及方法
CN111211893A (zh) * 2020-01-22 2020-05-29 西安电子科技大学 一种应用区块链的自动驾驶汽车模型共享方法
CN111339554A (zh) * 2020-02-17 2020-06-26 电子科技大学 基于移动边缘计算的用户数据隐私保护方法
CN111368326A (zh) * 2020-02-25 2020-07-03 百度在线网络技术（北京）有限公司 车辆数据处理方法、装置、电子设备和存储介质
CN111368319A (zh) * 2020-03-04 2020-07-03 西安电子科技大学 一种联邦学习环境下基于区块链的数据安全访问方法
CN111476139A (zh) * 2020-04-01 2020-07-31 同济大学 基于联邦迁移学习的驾驶员行为云边协同学习系统
CN111159305A (zh) * 2020-04-02 2020-05-15 支付宝(杭州)信息技术有限公司 基于区块链的车辆数据处理方法、装置及系统
CN111565174A (zh) * 2020-04-20 2020-08-21 中移雄安信息通信科技有限公司 车辆质量信息确定模型训练方法及车辆质量信息确定方法
CN111753885A (zh) * 2020-06-09 2020-10-09 华侨大学 一种基于深度学习的隐私增强数据处理方法和系统
CN111756829A (zh) * 2020-06-19 2020-10-09 深圳市蔚链科技有限公司 账本数据同步方法、装置、设备和存储介质
CN111723946A (zh) * 2020-06-19 2020-09-29 深圳前海微众银行股份有限公司 一种应用于区块链的联邦学习方法及装置
CN111539731A (zh) * 2020-06-19 2020-08-14 支付宝(杭州)信息技术有限公司 基于区块链的联邦学习方法及装置和电子设备
CN111966698A (zh) * 2020-07-03 2020-11-20 华南师范大学 一种基于区块链的可信联邦学习方法、系统、装置及介质
CN111856934A (zh) * 2020-07-16 2020-10-30 南京大量数控科技有限公司 一种同构智能车间之间的联邦学习数据处理算法
CN111832503A (zh) * 2020-07-20 2020-10-27 中国人民武装警察部队工程大学 一种基于联邦学习的分心驾驶识别方法
CN112132277A (zh) * 2020-09-21 2020-12-25 平安科技（深圳）有限公司 联邦学习模型训练方法、装置、终端设备及存储介质
AU2020102543A4 (en) * 2020-09-30 2020-11-19 Aggarwal, Vibha DR Iot based trust modeling approach for cooperative autonomous driving and intelligent transport systems (its)
CN112132293A (zh) * 2020-09-30 2020-12-25 腾讯科技（深圳）有限公司 纵向联邦学习中的计算方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUNLONG LU 等: "Blockchain Empowered Asynchronous Federated Learning for Secure Data Sharing in Internet of Vehicles", 《IEEE》 *
方俊杰 等: "面向边缘人工智能计算的区块链技术综述", 《应用科学学报》 *

Also Published As

Publication number Publication date
CN112863175B (zh) 2022-11-22
WO2022141865A1 (zh) 2022-07-07

Similar Documents

Publication Publication Date Title
CN111506980B (zh) 对虚拟驾驶环境生成交通场景的方法及装置
Hanselmann et al. CANet: An unsupervised intrusion detection system for high dimensional CAN bus data
CN111095955B (zh) 用于联网车辆网络安全的系统和方法
WO2019070473A1 (en) DATA PROCESSING SYSTEM WITH AUTOMATIC LEARNING ENGINE FOR PROVIDING DRIVING DATA ANALYSIS AND VEHICLE CONTROL FUNCTIONS
CN113348111A (zh) 车辆安全监视装置、方法以及程序
US11170639B2 (en) Transportation threat detection system
CN113169927B (zh) 判定装置、判定程序、判定方法及神经网络模型的生成方法
DE102018215351A1 (de) Verfahren zum Erzeugen einer Informationssammlung zu Fahrszenarien wenigstens eines Fahrzeugs, sowie Fahrzeug, Anordnung und daraus bestehendes System
CN111179589A (zh) 车辆od预测的方法、装置、设备及存储介质
CN107867295B (zh) 基于车辆出险概率的事故预警方法、存储设备及车载终端
CN114443303A (zh) 资源分配方法、装置、设备及介质
CN111915878B (zh) 道路交通状态的预测方法及装置、计算机设备和存储介质
Kläes et al. Handling uncertainties of data-driven models in compliance with safety constraints for autonomous behaviour
CN115392429A (zh) 提供强化学习代理和用其控制自主交通工具的方法和装置
CN112863175B (zh) 汽车道路监测数据处理方法、装置、设备及存储介质
CN112348039B (zh) 驾驶行为分析模型的训练方法、驾驶行为分析方法和设备
CN111027859A (zh) 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统
CN112767697B (zh) 基于交通冲突预测的交通安全评价方法、系统及装置
CN108900634A (zh) 一种基于v2x的车辆远程控制方法及系统
CN113888302A (zh) 一种用于汽车金融车贷的风险预警方法及系统
CN115640828A (zh) 一种基于对抗生成网络的车载数字孪生欺骗检测方法
CN110866538A (zh) 车辆轨迹数据获取方法、装置、计算机设备和存储介质
Yang et al. Anomaly Management: Reducing the Impact of Anomalous Drivers with Connected Vehicles
CN109635335B (zh) 驾驶风险预测方法、装置、计算机设备及存储介质
EP3967565B1 (en) Methods and apparatuses for estimating an environmental condition

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