CN115273259B - 车辆识别方法、装置、设备及介质 - Google Patents

车辆识别方法、装置、设备及介质 Download PDF

Info

Publication number
CN115273259B
CN115273259B CN202210864522.0A CN202210864522A CN115273259B CN 115273259 B CN115273259 B CN 115273259B CN 202210864522 A CN202210864522 A CN 202210864522A CN 115273259 B CN115273259 B CN 115273259B
Authority
CN
China
Prior art keywords
vehicle
probability
candidate
vehicles
initial
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.)
Active
Application number
CN202210864522.0A
Other languages
English (en)
Other versions
CN115273259A (zh
Inventor
霍灵瑜
雷雨阳
冯家豪
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.)
Beijing Wuzi University
Original Assignee
Beijing Wuzi University
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 Beijing Wuzi University filed Critical Beijing Wuzi University
Priority to CN202210864522.0A priority Critical patent/CN115273259B/zh
Publication of CN115273259A publication Critical patent/CN115273259A/zh
Application granted granted Critical
Publication of CN115273259B publication Critical patent/CN115273259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
    • G06Q50/40—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开实施例涉及一种车辆识别方法、装置、设备及介质，其中该方法包括：响应于发生预设触发事件确定目标时间段和目标路段，获取在目标时间段内经过目标路段的候选车辆集合；基于候选车辆集合确定不同数量的候选车辆组合发生预设事件的目标概率；基于候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，确定各候选车辆对应的预测概率；根据各候选车辆对应的预测概率，确定发生预设事件的目标车辆。本公开实施例缩小了目标车辆的确定范围，并且基于各候选车辆对应的初始概率确定目标车辆，从而能够在目标车辆未发生预设事件时，确定目标车辆，提高了目标车辆稽查的时效性，并且提高了确定目标车辆的准确性。

Description

车辆识别方法、装置、设备及介质
技术领域
本公开涉及交通技术领域，尤其涉及一种车辆识别方法、装置、设备及介质。
背景技术
在实现全国高速联网收费的基础上，车辆进出省内高速公路网只需一次收费，但是高速公路联网收费在为出行者提供极大便利的同时，也出现了较多为了逃费而存在异常行驶行为的车辆，该行为扰乱了正常的收费秩序。
相关技术中，可以根据车辆通过高速的用时判断该车辆逃费的可能性，但是该方法是在车辆已经驶出高速的情况下在进行分析，因而对逃费车辆的稽查具有延时性、时效性较差，并且分析的维度单一，分析结果的精准性较低。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种车辆识别方法、装置、设备及介质。
本公开实施例提供了一种车辆识别方法，所述方法包括：
响应于发生预设触发事件确定目标时间段和目标路段，获取在所述目标时间段内经过所述目标路段的候选车辆集合；
基于所述候选车辆集合确定不同数量的候选车辆组合发生预设事件的目标概率；
基于所述候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，确定各所述候选车辆对应的预测概率；
根据各所述候选车辆对应的预测概率，确定发生所述预设事件的目标车辆。
本公开实施例还提供了一种车辆识别装置，所述装置包括：
获取模块，用于响应于发生预设触发事件确定目标时间段和目标路段，获取在所述目标时间段内经过所述目标路段的候选车辆集合；
第一确定模块，用于基于所述候选车辆集合确定不同数量的候选车辆组合发生预设事件的目标概率；
第二确定模块，用于基于所述候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，确定各所述候选车辆对应的预测概率；
第三确定模块，用于根据各所述候选车辆对应的预测概率，确定发生所述预设事件的目标车辆。
本公开实施例还提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如本公开实施例提供的车辆识别方法。
本公开实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如本公开实施例提供的车辆识别方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：本公开实施例中提供的车辆识别方案，响应于发生预设触发事件确定目标时间段和目标路段，获取在目标时间段内经过目标路段的候选车辆集合；基于候选车辆集合确定不同数量的候选车辆组合发生预设事件的目标概率；基于候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，确定各候选车辆对应的预测概率；根据各候选车辆对应的预测概率，确定发生预设事件的目标车辆。采用上述技术方案，通过根据预设触发事件确定候选车辆集合，缩小了目标车辆的确定范围，并且基于各候选车辆对应的初始概率确定目标车辆，从而能够在目标车辆未发生预设事件时，确定目标车辆，提高了目标车辆稽查的时效性，并且基于多个维度的概率计算预测概率，提高了确定目标车辆的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员而言，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为本公开实施例提供的一种车辆识别方法的流程示意图；
图2为本公开实施例提供的另一种车辆识别方法的流程示意图；
图3为本公开实施例提供的又一种车辆识别方法的流程示意图；
图4为本公开实施例提供的一种初始车辆数量和预测概率的对应关系示意图；
图5为本公开实施例提供的又一种车辆识别方法的流程示意图；
图6为本公开示例提供的一种序列U和预测概率的对应关系示意图；
图7为本公开实施例提供的另一种序列U和预测概率的对应关系示意图；
图8为本公开实施例提供的又一种车辆识别方法的流程示意图；
图9为本公开实施例提供的一种车辆识别装置的结构示意图；
图10为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
为了解决上述问题，本公开实施例提供了一种车辆识别方法，下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的一种车辆识别方法的流程示意图，该方法可以由车辆识别装置执行，其中该装置可以采用软件和/或硬件实现，一般可集成在电子设备中。如图1所示，该方法包括：
步骤101，响应于发生预设触发事件确定目标时间段和目标路段，获取在目标时间段内经过目标路段的候选车辆集合。
在车辆行驶的过程中，车辆可能发生预设事件，该预设事件包括但不限于：高速逃费、车辆违章中的一种，在本公开实施例中，可以基于目标时间段以及目标路段确定发生预设事件的目标车辆。
其中，预设触发事件可以为预先设置的用于触发车辆识别操作的事件，该预设触发事件可以根据应用场景和/或用户需求等进行设置，本实施例不做限制，该预设触发事件可以与预设事件相关联，例如该预设触发事件可以为某一车辆发生预设事件。目标时间段可以为预先设置的时间段，该目标时间段也可以为与预设触发事件存在关联的时间段，例如，该目标时间段可以为预设触发事件发生前的某一时间段。目标路段可以为预先设置的路段，目标路段也可以为与预设触发事件存在关联的路段，例如，若预设触发事件为初始车辆发生逃费，则目标路段可以为该初始车辆行驶过的路段，例如，该目标路段包括但不限于：初始车辆的出发地和/或初始车辆的归属地。候选车辆可以为潜在的发生预设事件的车辆，候选车辆集合为多辆候选车辆组成的集合。
在本公开实施例中，若预设触发事件为检测到初始车辆发生预设事件，则可以基于该初始车辆经过的道路出口、道路入口、道路门架通行顺序、最后经过的道路门架中的一个或多个确定目标路段，并统计在发生预设触发事件之前的目标时间段内经过该目标路段的车辆，将该车辆作为候选车辆，并组成候选车辆集合。
举例而言，若预设事件为车辆发生逃费、预设触发事件为车辆j发生逃费、候选车辆为车辆i。则可以将车辆j经过的道路出入口、相同道路出口、相同道路入口、道路门架通行顺序、最后经过的道路门架中的一个或多个确定为目标路段，将预设触发事件发生前一周内经过该目标路段的车辆确定为疑似逃费车辆i，Se可以表示该疑似逃费车辆i所组成的候选车辆集合。
步骤102，基于候选车辆集合确定不同数量的候选车辆组合发生预设事件的目标概率。
其中，候选车辆组合可以为从候选车辆集合中提取出的车辆的组合，该候选车辆组合中车辆的数量最小可以为0，最大可以与候选车辆集合中包括的车辆的数量相同。可以理解地，相同数量的候选车辆组合可能有多个，例如，若候选车辆集合包括的车辆数量为60、候选车辆组合中车辆的数量为30，从60辆候选车辆集合中选取30辆车辆的方法有多种，则该候选车辆组合可以为从60辆候选车辆中选取30辆候选车辆所组成的多种车辆组合。
图2为本公开实施例提供的另一种车辆识别方法的流程示意图，如图2所示，基于候选车辆集合确定不同数量的候选车辆组合发生预设事件的目标概率，包括：
步骤201，针对候选车辆集合中的当前车辆，从候选车辆集合中剔除当前车辆，获得当前集合。其中，当前车辆可以为当前进行预测概率计算的候选车辆，当前集合可以为计算当前车辆的预测概率所使用的候选车辆组成的集合。
在本实施例中，计算候选车辆集合中当前车辆的预测概率，可以从候选车辆中剔除当前车辆，从而获得当前车辆对应的当前集合。
步骤202，基于当前集合，确定候选车辆组合。
在本实施例中，确定当前集合之后，可以基于当前集合包括的候选车辆，确定不同数量的候选车辆组合。
步骤203，针对当前车辆，遍历不同数量的候选车辆组合，确定各数量的候选车辆组合对应的目标概率。
在本实施例中，在计算当前车辆的预测概率的过程中，可以从候选车辆组合中候选车辆的车辆数量为0开始遍历，直至该候选车辆组合中候选车辆的车辆数量与当前集合中候选车辆的车辆数量相同，并计算各车辆数量的候选车辆组合对应的目标概率。该目标概率的计算方法有多种，可以根据用户需求等进行选择，本实施例不做限制，示例说明如下：
一种可选的实施方式中，确定各数量的候选车辆组合对应的目标概率，包括：
步骤1a，针对数量中的当前数量，将当前集合划分为包括发生预设事件的候选车辆的第一集合，以及包括未发生预设事件的候选车辆的第二集合。其中，第一集合中的候选车辆为发生预设事件的车辆，第二集合中的候选车辆为不发生预设事件的车辆。
在本实施例中，若发生预设事件的候选车辆组合的车辆数量为当前数量，可以从当前集合中提取车辆数量为当前数量的第一集合，且将当前集合中除第一集合之外的其他候选车辆提取为第二集合。
步骤2a，基于第一集合中包括的候选车辆对应的初始概率，确定第一集合概率。其中，初始概率可以为预先设置的候选车辆发生预设事件的概率，该初始概率可以根据预设触发事件发生前预设时间段内候选车辆发生预设事件的次数设定，该预设时间段可以预设事件的类型等进行设置，本实施例不做限制，例如可以将该预设时间段设置为3个月。第一集合概率可以为第一集合中的候选车辆均发生预设事件的概率。
在本实施方式中，在确定第一集合之后，可以对该第一集合中各候选车辆的初始概率进行累乘，将累乘结果作为第一集合概率。
步骤3a，基于第二集合中包括的候选车辆对应的初始概率，确定第二集合概率。其中，第二集合概率可以为第二集合中的候选车辆均不发生预设事件的概率。
在本实施方式中，在确定第二集合之后，可以计算1与第二集合中候选车辆的初始概率的差值，该差值为候选车辆不发生预设事件的概率，将第二集合中各候选车辆不发生预设事件的概率进行累乘，将累乘结果确定为第二集合概率。
步骤4a，基于第一集合概率和第二集合概率，确定当前数量的候选车辆组合对应的目标概率。
在确定第一集合概率和第二集合概率之后，可以将第一集合概率和第二集合概率相乘，从而获得第一集合中的候选车辆均发生预设事件且第二集合中的候选车辆均不发生预设事件的概率。可以理解地，当前数量的候选车辆组合有多种，因而根据当前数量确定的第一集合和第二集合有多种组合，将各组合的第一集合概率和第二集合概率的乘积结果进行累加，从而确定当前数量的候选车辆组合对应的目标概率。
举例而言，若目标时间段为一周、预设触发事件为车辆j发生逃费，qe(m,Se)表示预设触发事件发生前，候选车辆集合中有m辆候选车辆发生逃费的概率，qe(m,Se)即为当前数量为m的候选车辆组合对应的目标概率，该qe(m,Se)为：
其中，Se表示当前集合，Fm(Se)表示Se的所有车辆数量为m的子集组成的集合，k为候选车辆，S为当前集合中被认定为发生逃费的车辆所组成的集合，Se\S为S在当前集合中的补集，表示在预设触发事件发生前车辆k不存在逃费行为的初始概率，/>表示在预设触发事件发生前车辆k存在逃费行为的初始概率。
其中，可以预先根据超时逃费规则判断候选车辆i的历史逃费次数具体的，若候选车辆i通过该路段的时间大于以40km/h的速度通过该路段的用时与0.4小时的和，则确定该候选车辆i存在一次历史逃费。预设触发事件发生前任意候选车辆i存在逃费行为的初始概率可以由3个月内候选车辆i被认定历史逃费的累加次数确定，例如，若该次数为1，则/>若该次数为2，则/>若该次数为3次以上，则/>
一种可选的实施方式中，确定各数量的候选车辆组合对应的目标概率，包括：
步骤1b,针对数量中的当前数量，根据当前集合中候选车辆的初始概率，将当前集合划分为第三集合和第四集合。其中，第三集合中候选车辆的初始概率相同，第四集合中候选车辆的初始概率相同。
在本实施方式中，车辆识别装置可以将初始概率相同的候选车辆分在同一个集合中，若当前集合中候选车辆的初始概率的值有两种，则可以将该当前集合中的候选车辆划分第三集合和第四集合两类。
步骤2b,基于当前数量、第三集合中发生预设事件的车辆数量、候选车辆集合包括的车辆数量、第三集合中包括的车辆数量、第三集合中候选车辆的初始概率、第四集合中候选车辆的初始概率，确定当前数量的候选车辆组合对应的目标概率。
在本实施方式中，目标概率的计算可以看作一个分配问题，当前集合Se中当前数量的候选车辆发生预设事件时，将发生预设事件的候选车辆分配至第三集合和第四集合中，即第三集合中发生预设事件的候选车辆的车辆数量与第四集合中发生预设事件的候选车辆的车辆数量之和为当前数量。
具体地，该目标概率qe(m,se)的计算公式可以为：
其中，m表示当前数量，i表示第三集合中发生预设事件的车辆数量、m-i表示第四集合中发生预设事件的车辆数量、n+l表示候选车辆集合包括的车辆数量、n表示第三集合中包括的车辆数量、l表示第四集合中包括的车辆数量、表示第三集合中候选车辆的初始概率、/>表示第四集合中候选车辆的初始概率、/>表示第三集合中候选车辆不发生预设事件的概率、/>表示第四集合中候选车辆不发生预设事件的概率。
上述目标概率的计算方法易于计算且易于通过计算机语言进行表达，从而提高了目标概率的计算效率。
在一些实施方式中，当前集合中候选车辆的初始概率有三中，则根据当前集合中候选车辆的初始概率，能够将当前集合划分为第五集合、第六集合、第七集合。则根据第五集合中包括的车辆数量、第六集合中包括的车辆数量、第七集合中包括的车辆数量、第五集合中候选车辆的初始概率、第六集合中候选车辆的初始概率、第七集合中候选车辆的初始概率、当前数量、第五集合中发生预设事件的车辆数量确定目标概率。
具体地，该目标概率qe(m,se)的计算公式可以为：
其中，n表示第五集合中包括的车辆数量、m表示第六集合中包括的车辆数量、l表示第七集合中包括的车辆数量、表示第五集合中候选车辆的初始概率、/>表示第六集合中候选车辆的初始概率、/>第七集合中候选车辆的初始概率、/>表示第五集合中候选车辆不发生预设事件的概率、/>表示第六集合中候选车辆不发生预设事件的概率、/>表示第七集合中候选车辆不发生预设事件的概率、M表示当前数量、M1表示第五集合中发生预设事件的车辆数量、M2表示第六集合和第七集合中发生预设事件的车辆数量的总和。
步骤103，基于候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，确定各候选车辆对应的预测概率。
其中，初始概率可以为根据候选车辆与预设事件关联的历史信息确定的概率，举例而言，若预设事件为发生逃费，则初始概率可以根据候选车辆的历史逃费次数直接确定，具体地，可以预设历史逃费次数与初始概率的对应关系，根据候选车辆的历史逃费次数对该历史逃费次数与初始概率的对应关系进行检索，从而确定该候选车辆的初始概率，例如，若历史逃费次数为1，可以将该初始概率设置为0.2；若历史逃费次数为2，可以将该初始概率设置为0.3；若历史逃费概率为3，可以将该初始概率设置为0.4。该初始概率也可以根据候选车辆的历史逃费次数间接确定，具体地，可以预设历史逃费次数与原始概率的对应关系，根据候选车辆的历史逃费次数对该历史逃费次数与原始概率的对应关系进行检索，从而确定各候选车辆的原始概率，确定该候选车辆集合对应的原始概率均值，确定原始概率大于原始概率均值的候选车辆为第一候选车辆，确定原始概率不大于原始概率均值的候选车辆为第二候选车辆。对第一候选车辆的原始概率进行均值计算，确定第一均值概率，将该第一均值概率作为第一候选车辆对应的初始概率；对第二候选车辆的原始概率进行均值计算，确定第二均值概率，将该第二均值概率作为第二候选车辆对应的初始概率。
在本公开实施例中，在确定候选车辆组合发生预设事件的目标概率之后，可以结合该目标概率以及各候选车辆的输出概率，通过数学计算确定各候选车辆的预测概率。
一种可选的实施方式中，若预设触发事件为车辆j发生预设事件，则候选车辆i对应的预测概率为：
其中，pi表示候选车辆的初始概率，qe(m,se\{i,j})表示基于剔除车辆i和车辆j的候选车辆集合、数量为m的候选车辆组合发生预设事件的目标概率，其中，se表示候选车辆集合，se\{i,j}表示候选车辆集合中剔除车辆i和车辆j获得的集合，m表示候选车辆组合中包括的车辆数量。
步骤104，根据各候选车辆对应的预测概率，确定发生预设事件的目标车辆。
在本公开实施例中，将各候选车辆对应的预测概率进行从大至小的排序，确定排名小于预设排名阈值的预测概率对应的候选车辆为发生预设事件的目标车辆。其中，预设排名阈值可以根据用户需求等进行设置，本实施例不做限制。
在一些实施例中，该车辆识别方法可以用于逃费车辆的识别，具体地，预设触发事件为初始车辆逃费，初始车辆的数量为一个，预测概率为候选车辆的逃费预测概率，根据各候选车辆对应的预测概率，确定发生预设事件的目标车辆，包括：将各候选的逃费预设概率和概率阈值进行比较，根据比较结果确定发生逃费行为的目标车辆。其中，初始车辆可以为发生逃费的任一车辆。
在本实施例中，当检测到初始车辆逃费，可以基于该初始车辆行驶过的路段确定目标路段，从而确定候选车辆集合，并计算各候选车辆的逃费预测概率。获得逃费预测概率之后，可以将该逃费预测概率和概率阈值进行比较，将大于该概率阈值的逃费预测概率对应的候选车辆确定为发生逃费行为的目标车辆。因而在对逃费车辆进行排查时，可以重点检查该目标车辆。
一种可选的实施方式中，根据候选车辆的历史逃费次数可以将候选车辆进行类型分类，且发生逃费的初始车辆也属于该类型中的一种。基于候选车辆类型数量、各个类型对应的候选车辆数量、候选车辆的初始概率、初始车辆的类型，能够计算出候选车辆在初始车辆逃费后的预测概率。以候选车辆类型为两种和候选车辆类型为三种为例，计算确定的预测概率如表1所示。
表1
本公开实施例中提供的上述车辆识别方法，包括：响应于发生预设触发事件确定目标时间段和目标路段，获取在目标时间段内经过目标路段的候选车辆集合；基于候选车辆集合确定不同数量的候选车辆组合发生预设事件的目标概率；基于候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，确定各候选车辆对应的预测概率；根据各候选车辆对应的预测概率，确定发生预设事件的目标车辆。采用上述技术方案，通过根据预设触发事件确定候选车辆集合，缩小了目标车辆的确定范围，并且基于各候选车辆对应的初始概率确定目标车辆，从而能够在目标车辆未发生预设事件时，确定目标车辆，提高了目标车辆稽查的时效性，并且基于多个维度的概率计算预测概率，提高了确定目标车辆的准确性。
在一些实施例中，上述候选车辆i对应的预测概率 的推导过程如下所示：
当预设触发事件为车辆j发生预设事件，则在与预设触发事件后，目标路段候选车辆i发生预设事件的预测概率为：
其中，pe(j)表示车辆j发生预设事件的概率，pe(i,j)表示车辆i和车辆j均发生预设事件的概率。
为计算预测概率先考虑分母：车辆j发生预设事件的概率为pe(ascertained)，若车辆j属于候选车辆，车辆j在预设触发事件发生时，发生预设事件的概率pe(jsuspected,j ascertained)为：
其中，se表示候选车辆集合，se\{j}表示候选车辆集合中剔除车辆j，m表示候选车辆组合中包括的车辆数量，qe(m,se\{j})表示基于剔除车辆j的候选车辆集合、数量为m
的候选车辆组合发生预设事件的目标概率。
当车辆j被确定发生预设事件时，该车辆j为候选车辆的概率pe(j suspected|jascertained)为1，即pe(j suspected|j ascertained)＝1。
根据贝叶斯公式则有：
pe(j suspected,j ascertained)＝pe(j suspected|j ascertained)*pe(jsuspected)＝pe(j ascertained)
其中，pe(j suspected,j ascertained)表示车辆j为候选车辆且车辆j发生预设事件的概率，pe(j suspected|j ascertained)表示在车辆j发生预设事件的条件下车辆j为候选车辆的概率，pe(j suspected)表示车辆j为候选车辆的概率，pe(j ascertained|jsuspected)表示车辆j为候选车辆的条件下车辆j发生预设事件的概率，pe(jascertained,j suspected)表示车辆j发生预设事件且车辆j为候选车辆的概率，pe(jsuspected)表示车辆j为候选车辆的概率，se表示候选车辆集合，se\{j}表示候选车辆集合中剔除车辆j，m表示候选车辆组合中包括的车辆数量，qe(m,se\{j})表示基于剔除车辆j的候选车辆集合、数量为m的候选车辆组合发生预设事件的目标概率。
基于上述公式，可求得：
其中，pe(j ascertained)表示车辆j发生预设事件的概率，pe(j ascertained|jsuspected)表示车辆j为候选车辆的条件下车辆j发生预设事件的概率，pe(j suspected)表示车辆j为候选车辆的概率，表示车辆j发生预设事件的概率，se表示候选车辆集合，se\{j}表示候选车辆集合中剔除车辆j，qe(m,se\{j})表示基于剔除车辆j的候选车辆集合、数量为m的候选车辆组合发生预设事件的目标概率。
相似的，pe(i ascertained,j ascertained)表示车辆j和车辆i都被确定发生预设事件的概率，它的联合分布如下所示：
其中，表示车辆j发生预设事件的初始概率，/>表示车辆i发生预设事件的初始概率，se表示候选车辆集合，se\{i,j}表示候选车辆集合中剔除车辆i和车辆j，m表示候选车辆组合中包括的车辆数量，qe(m,se\{i,j})表示基于剔除车辆i和车辆j的候选车辆集合、数量为m的候选车辆组合发生预设事件的目标概率。
基于上述公式，推导可以确定车辆i的预测概率为：
其中，表示车辆j发生预设事件的初始概率，/>表示车辆i发生预设事件的初始概率，se表示候选车辆集合，se\{i,j}表示候选车辆集合中剔除车辆i和车辆j，m表示候选车辆组合中包括的车辆数量，qe(m,se\{i,j})表示基于剔除车辆i和车辆j的候选车辆集合、数量为m的候选车辆组合发生预设事件的目标概率，qe(m,se\{j})表示基于剔除车辆j的候选车辆集合、数量为m的候选车辆组合发生预设事件的目标概率。。
进一步地，由于上述公式(1)较为复杂且计算量较大，需要消耗较大的计算资源才能处理大量车辆数据，因而可以对公式(1)通过数学方法进行优化，从而减少计算量，加快运行速度，具体的优化方法如下所述：
将公式(1)的分子和分母中的约分简后可得：
该公式(2)中，为车辆i对应的初始概率，/>可以看作已知常数。因而，公式(2)进一步优化的重点在qe(m,Se)的相关公式。qe(m,Se)表示预设触发事件发生前，目标时间段内经过目标路段的候选车辆集合中恰好有m个车辆发生预设事件的概率，其中，qe(m,Se)的计算公式为：
其中，Se表示候选车辆集合，Fm(Se)表示Se的所有车辆数量为m的子集组成的集合，k为候选车辆，S为候选车辆集合中被认定为发生逃费的车辆所组成的集合，Se\S为S在候选车辆集合中的补集，表示在预设触发事件发生前车辆k不存在逃费行为的初始概率，表示在预设触发事件发生前车辆k存在逃费行为的初始概率。
设函数f为：
假设共有Se个候选车辆分别为车辆i、车辆j、车辆k、车辆l、……、车辆z，上述车辆对应的初始概率分别为pi、pj、pk、pl、……、pz。
则函数f可以表示为：
公式(3)中，将分母拆为两项，分别提出1-pi和pi
其中，第一项为：
第二项为：
对函数f取倒数为：
则经优化后获得：
其中，pi表示候选车辆的初始概率，qe(m,se\{i,j})表示基于剔除车辆i和车辆j的候选车辆集合、数量为m的候选车辆组合发生预设事件的目标概率，其中，se表示候选车辆集合，se\{i,j}表示候选车辆集合中剔除车辆i和车辆j获得的集合，m表示候选车辆组合中包括的车辆数量。在一些实施方式中，预设触发事件为初始车辆逃费，初始车辆的数量为多个。在根据各候选车辆对应的预测概率，确定发生预设事件的目标车辆之前，该车辆识别方法还包括：将预测概率作为候选车辆的初始概率，基于候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，对预测概率进行更新，并将更新后的预测概率作为候选车辆的初始概率，进行迭代计算直至计算预测概率的次数等于初始车辆的数量。
在本实施例中，预设触发事件为多辆初始车辆逃费，可以理解地，每辆初始车辆的逃费均会对候选车辆的预测概率的计算造成影响，则可以将多辆初始车辆逃费视作同时发生的，若共x辆初始车辆，分别为车辆j1、车辆j2、……、车辆jx，则可以根据车辆的顺序依次进行迭代计算，具体地，先基于车辆j1确定候选车辆集合，并进行各候选车辆对应的预测概率的第一次计算。将该各候选车辆对应的预测概率作为候选车辆的初始概率，再基于车辆j2确定候选车辆集合，并基于该候选车辆集合中不同数量的候选车辆组合发生预设事件的目标概率以及各候选车辆的初始概率(即第一次计算获得的预测概率)，进行各候选车辆对应的预测概率的第二次计算，根据计算结果更新各候选车辆对应的预测概率，并将该预测概率作为各候选车辆的初始概率。以此类推，进行迭代计算直至基于车辆jx进行各候选车辆对应的预测概率的第x次计算，将第x次计算获得的预测概率作为最终的预测概率。
需要说明的是，可以如上述依次按照顺序选取车辆j1、车辆j2、……、车辆jx，也可以随机选取初始车辆且每个初始车辆只能被选取一次。
上述方案中，实现了在多个初始车辆逃费的情况下计算候选车辆的预测概率并确定目标车辆，从而使得该车辆识别方法的应用场景更加广泛。
在一些实施例中，可以建立初始车辆的数量和候选车辆的预测概率之间的关系，并基于该关系确定目标数量的初始车辆对应的预测概率。具体地，所述初始车辆包括第一初始车辆和第二初始车辆，所述第一初始车辆的数量为第一数量，所述第二初始车辆的数量为第二数量，该第一初始车辆的第一数量以及第二初始车辆的第二数量可以根据应用场景和/或用户需求等进行设置，本实施例不做限制。图3为本公开实施例提供的又一种车辆识别方法的流程示意图，如图3所示，所述方法还包括：
步骤301，计算第一初始车辆对应的各候选车辆的第一预测概率。其中，第一预测概率为基于第一初始车辆确定的各候选车辆的预测概率。
在本实施例中，可以基于上述提供的初始车辆的数量为多个时，预测概率的计算方法，计算第一初始车辆对应的第一预测概率。具体地，可以根据第一初始车辆中的任一车辆，基于候选车辆组合发生逃费的目标概率以及各候选车辆的初始概率，计算预测概率，并将计算获得的预测概率作为各候选车辆的初始概率，进而根据第一初始车辆中的另一车辆基于候选车辆组合发生逃费的目标概率以及各候选车辆的初始概率对预测概率进行更新，并将该更新后的预测概率作为候选车辆的初始概率，以此类推进行迭代计算，直至预测概率的计算次数等于第一初始车辆的车辆数量。将最终计算获得的预测概率作为第一预测概率。
需要说明的是，第一初始车辆中的各车辆在计算第一预测概率的过程中不重复使用，第一初始车辆中的各车辆均被使用一次。
步骤302，计算第二初始车辆对应的各候选车辆的第二预测概率。其中，第二预测概率为基于第二初始车辆确定各候选车辆的预测概率。
在本实施例中，可以基于上述提供的初始车辆的数量为多个时，预测概率的计算方法，计算第二初始车辆对应的第二预测概率。具体地，可以根据第二初始车辆中的任一车辆，基于候选车辆组合发生逃费的目标概率以及各候选车辆的初始概率，计算预测概率，并将计算获得的预测概率作为各候选车辆的初始概率，进而根据第二初始车辆中的另一车辆基于候选车辆组合发生逃费的目标概率以及各候选车辆的初始概率对预测概率进行更新，并将该更新后的预测概率作为候选车辆的初始概率，以此类推进行迭代计算，直至预测概率的计算次数等于第二初始车辆的车辆数量。将最终计算获得的预测概率作为第二预测概率。
需要说明的是，第二初始车辆中的各车辆在计算第二预测概率的过程中不重复使用，第二初始车辆中的各车辆均被使用一次。
步骤303，基于第一数量、第一预测概率、第二数量、第二预测概率，确定数量概率回归关系。其中，数量概率回归关系对初始车辆的数量和候选车辆的预测概率之间的关联关系进行表征。
在本实施例中，在确定第一数量及其对应的第一预测概率、第二数量及其对应的第二预测概率之后，可以以第一数量和第一预测概率作为第一坐标位置，以第二数量和第二预测概率作为第二坐标位置，基于第一坐标位置和第二坐标位置进行线性拟合，从而确定初始车辆的数量和候选车辆的预测概率之间的数量概率回归关系。
步骤304，基于数量概率回归关系确定目标数量对应的数量预测概率。其中，目标数量为待计算预测概率的初始车辆的数量，该目标数量可以根据用户需求等进行设置，本实施例不做限制。
在本实施例中，在确定数量概率回归关系之后，可以将目标数量输入该数量概率回归关系中，从而确定该目标数量对应的各候选车辆的数量预测概率。
一种可选的实施方式中，可以将任一初始车辆发生预设事件视为一个独立事件，并且设置预设触发事件包括的独立事件的数量为n，通过验证n与候选车辆的预测概率是否为近似的线性关系，确定能否以此对候选车辆的预测概率的计算方法进行简化，从而较大幅度减小进行车辆识别所消耗的计算资源，并且能够计算候选车辆受到多个独立事件影响后的预测概率，使得本车辆识别方法的应用范围更加广泛。
具体地，预设触发事件包括的独立事件的数量可以为1到20对应的候选车辆的预测概率，图4为本公开实施例提供的一种初始车辆数量和预测概率的对应关系示意图，如图4所示，初始车辆数量和预测概率的关系为近似线性的，且候选车辆的预测概率随着初始车辆数量的增加呈近似线性递增。图4中的非线性部分可能主要受到两个方面的影响：第一方面为，数据量的不足，若数据量足够，线性关系会更明显；第二方面为，初始车辆发生预设事件的顺序不同可能会影响候选车辆的预测概率。
上述方案中，通过数量概率回归关系表征了初始车辆的数量与候选车辆的预测概率之间的关联关系，从而进一步简化了候选车辆的预测概率的计算过程，提高了获取目标车辆的效率。
在一些实施例中，可以建立相同数量的初始车辆的车辆顺序和候选车辆的预测概率之间的关系，并基于该关系确定目标车辆顺序对应的预测概率。所述初始车辆包括属于第三集合的车辆和属于第四集合的车辆，其中，第三集合中车辆的历史发生预设事件次数相同，第四集合中车辆的历史逃费次数相同，在初始车辆的车辆顺序中，可以以车辆所属集合的不同对车辆进行区分。图5为本公开实施例提供的又一种车辆识别方法的流程示意图，如图5所示，所述方法还包括：
步骤501，基于初始车辆中属于第三集合的车辆和属于第四集合的车辆，确定第一车辆顺序和第二车辆顺序。其中，第一车辆顺序和第二车辆顺序包括的初始车辆相同，但是第一车辆顺序和第二车辆顺序中的车辆发生预设事件的顺序不同。
在本实施例中，可以初始车辆历史发生预设事件的次数，将初始车辆划分为第三集合和第四集合，并且将属于第三集合的初始车辆以及属于第四集合的初始车辆一同进行排序处理，从而获得第一车辆顺序和第二车辆顺序。该第一车辆顺序和第二车辆顺序可以根据用户需求等进行设置，本实施例不做限制，例如第一车辆顺序可以为第三集合中的车辆均先于第四集合中的车辆，第二车辆顺序可以为第三集合中的车辆均后于第四集合中的车辆。
举例而言，若初始车辆中两辆车属于第三集合，两辆车属于第四集合，第一车辆顺序可以为第三集合中的车辆先发生预设事件，则第一车辆顺序可以为：第三集合中的车辆、第三集合中的车辆、第四集合中的车辆、第四集合中的车辆；第二车辆顺序可以为第三集合中的车辆后发生预设事件，则第二车辆顺序可以为：第四集合中的车辆、第四集合中的车辆、第三集合中的车辆、第三集合中的车辆。
步骤502，计算第一车辆顺序对应的各候选车辆的第三预测概率。
在本实施例中，可以基于上述提供的初始车辆的数量为多个时，预测概率的计算方法，计算第一车辆顺序对应的第三预测概率。具体地，可以根据第一车辆顺序中的顺序第一的车辆，基于候选车辆组合发生逃费的目标概率以及各候选车辆的初始概率，计算预测概率，并将计算获得的预测概率作为各候选车辆的初始概率，进而根据第一车辆顺序中的顺序第二的车辆基于候选车辆组合发生逃费的目标概率以及各候选车辆的初始概率对预测概率进行更新，并将该更新后的预测概率作为候选车辆的初始概率，以此类推进行迭代计算，直至预测概率的计算次数等于第一车辆顺序的车辆数量。将最终计算获得的预测概率作为第三预测概率。
步骤503，计算第二车辆顺序对应的各候选车辆的第四预测概率。
在本实施例中，可以基于上述提供的初始车辆的数量为多个时，预测概率的计算方法，计算第二车辆顺序对应的第四预测概率。具体地，可以根据第二车辆顺序中的顺序第一的车辆，基于候选车辆组合发生逃费的目标概率以及各候选车辆的初始概率，计算预测概率，并将计算获得的预测概率作为各候选车辆的初始概率，进而根据第二车辆顺序中的顺序第二的车辆基于候选车辆组合发生逃费的目标概率以及各候选车辆的初始概率对预测概率进行更新，并将该更新后的预测概率作为候选车辆的初始概率，以此类推进行迭代计算，直至预测概率的计算次数等于第二车辆顺序的车辆数量。将最终计算获得的预测概率作为第四预测概率。
步骤504，基于第一车辆顺序、第三预测概率、第二车辆顺序、第四预测概率，确定顺序概率回归关系。其中，顺序概率回归关系对初始车辆中预设事件的发生顺序和候选车辆的预测概率之间的关联关系进行表征。
在本实施例中，在确定第一车辆顺序及其对应的第三预测概率、第二车辆顺序及其对应的第四预测概率之后，可以以第一车辆顺序和第三预测概率作为第三坐标位置，以第二车辆顺序和第四预测概率作为第四坐标位置，基于第三坐标位置和第四坐标位置进行线性拟合，从而确定初始车辆的数量和候选车辆的预测概率之间的顺序概率回归关系。
步骤505，基于顺序概率回归关系确定目标车辆顺序对应的顺序预测概率。其中，目标车辆顺序为待计算预测概率的初始车辆的预设事件发生顺序，该目标车辆顺序可以根据用户需求等进行设置，本实施例不做限制。
在本实施例中，在确定顺序概率回归关系之后，可以将目标车辆顺序输入该顺序概率回归关系中，从而确定该目标车辆顺序对应的各候选车辆的顺序预测概率。
一种可选的实施方式中，可以将任一初始车辆发生预设事件视为一个独立事件，当预设触发事件中的各独立事件不变，仅改变独立事件的发生顺序，会对候选车辆的预测概率产生细微影响。以初始车辆包括两种车辆为例，分别为第一类车辆和第二类车辆。假设预设触发事件包括八个独立事件，其中第一类车辆发生6次预设事件，第二类车辆发生2次预设事件，则总共有种可能的车辆顺序。将每一种车辆顺序都用一个0，1序列U表示，例如U＝[1,1,0,0,0,0,0,0]代表第二类车辆先发生2次预设事件，第一类车辆后发生6次预设事件。将这28种车辆顺序分别计算对应的候选车辆预测概率，将序列U从二进制数转换为的十进制，并由小到大排序，展示候选车辆为第一类车辆的预测概率的变化情况。图6为本公开示例提供的一种序列U和预测概率的对应关系示意图，如图6所示，当第一类车辆的初始概率小于第二类车辆的初始概率时，第一类车辆的预测概率呈递增趋势。图7为本公开实施例提供的另一种序列U和预测概率的对应关系示意图，如图7所示，当第一类车辆的初始概率大于第二类车辆的初始概率时，第一类车辆的预测概率程递减趋势。综合图6和图7可以确定，随着十进制序列U的增大(即从U＝[0,0,0,0,0,0,1,1]至U＝[1,1,0,0,0,0,0,0]),初始概率较小的车辆对应的预测概率随着十进制序列U的增大而增大，初始概率较大的车辆对应的预测概率随着十进制序列U的增大而减小。且上述预测概率随十进制序列U的变化关系可以近似认为是线性关系。
因而，对于已经确定初始车辆包括的车辆类型数量、以及各车辆类型的车辆数量的预设触发事件，即序列U中的元素种类和元素个数已经确定。可以计算该序列U的十进制最大值对应的预测概率PMAX和序列U的十进制最小值对应的预测概率PMIN，进而通过比例关系计算确定目标车辆顺序对应的顺序预测概率。若序列U的长度为n，目标车辆顺序的十进制表示为m，顺序预测概率P*的计算公式如下：
可以理解地，基于上述顺序预测概率P*的计算公式，在确定候选车辆集合、序列U的长度n、目标车辆顺序十进制表示m、候选车辆对应的初始概率的情况下，在车辆j被确定为发生预设事件之后，可以确定各候选车辆对应的预测概率，从而确定发生预设事件的目标车辆。为确定顺序预测概率P*的准确程度，以两种车辆类型，并且该两种车辆类型的初始概率为(0.3，,02)、车辆数量为(50，50)，随机生成多个序列U并比较其中第一类车辆的最终概率真实值和估计值的大小差异，实验结果如表2所示。
表2
表2中仅列举了部分实验数据，经过对全部实验数据的统计，可以确定该样本的平均绝对误差为0.00092，平均绝对百分比误差为0.29％，预测准确率为99.71％。该顺序预测概率是基于预先计算的PMAX、PMIN确定的，其计算量较小，且准确度较高。该顺序预测概率能够作为候选车辆的预测概率进行目标车辆的确定。
上述方案中，通过顺序概率回归关系表征了初始车辆的车辆顺序与候选车辆的预测概率之间的关联关系，从而揭露了车辆顺序变化造成预测概率变化的规律，提高了候选车辆的预测概率的计算准确性，提高了确定的目标车辆的效准确性。
本公开实施例中，预设触发事件中包括的初始车辆的数量可以为多个，从而提高了确定目标车辆的效率以及准确性，实现了对目标车辆的实时、高效确认。并且利用了高速公路交通大数据，基于车辆的数据特征识别车辆的异常行驶行为，并对车辆识别方法进行优化，减少其计算量，提升计算效率，能够实时的预测每个高速公路行驶车辆的逃费概率，对逃费概率较高的车辆实施重点关注，从而大大减小逃费稽查系统的工作压力，提高稽查的效率和准确度。
接下来通过具体的示例对本公开实施例中的车辆识别方法，进行进一步说明，该实施例中，预设触发事件为初始车辆发生预设事件，该初始车辆的数量为多个，图8为本公开实施例提供的又一种车辆识别方法的流程示意图，如图8所示，该车辆识别方法包括：
步骤801，基于初始车辆确定候选车辆。具体地，确定初始车辆的归属地、出发点等属性特征，根据该属性特征对预设触发事件发生前目标时间段内经过预设触发事件发生地点的车辆进行筛选，确定候选车辆集合为
步骤802，基于候选车辆发生预设事件的历史次数，确定各候选车辆对应的原始概率，根据原始概率对候选车辆进行排序。具体地，在候选车辆集合中，根据候选车辆发生预设事件的历史次数对预设次数概率对应关系进行检索，确定各候选车辆发生预设事件的原始概率，根据该原始概率从大到小对候选车辆进行排序。
步骤803，确定候选车辆集合对应的原始概率均值。具体地，在候选车辆集合中，对所有候选车辆的原始概率计算平均值，确定原始概率均值/>
步骤804，确定原始概率大于原始概率均值的第一候选车辆，确定原始概率小于原始概率均值的第二候选车辆。具体地，将候选车辆的原始概率和原始概率均值进行比较，确定大于该原始概率均值/>的第一候选车辆，以及不大于原始概率均值/>的第二候选车辆。
步骤805，计算第一候选车辆对应的第一均值概率，将该第一均值概率作为第一候选车辆的初始概率，计算第二候选车辆对应的第二均值概率，将该第二均值概率作为第二候选车辆的初始概率。具体地，对第一候选车辆的原始概率进行均值计算，确定第一均值概率将第一均值概率/>作为第一候选车辆对应的初始概率，并且确定第一候选车辆包括的第一数量m；对第二候选车辆的原始概率进行均值计算，确定第二均值概率/>将第二均值概率/>作为第二候选车辆对应的初始概率，并确定第二候选车辆包括的第二数量n。
步骤806，确定初始车辆对应的第一车辆顺序和第二车辆顺序，计算第一车辆顺序对应的第三预测概率，计算第二车辆顺序对应的第四预测概率。具体地，第一车辆顺序为初始车辆组成的各车辆顺序中的最大值，第二车辆顺序为初始车辆组成的各车辆顺序中的最小值，基于公式(4)计算第一车辆顺序对应的第三预测概率PMAX，以及第二车辆顺序对应的第四预测概率PMIN，其中，公式(4)中qe(m,se\{i,j})的计算方法可以采用上述实施例中步骤1b-步骤2b记载的qe(m,Se)的计算方法。
步骤807，基于第一车辆顺序、第三预测概率、第二车辆顺序、第四预测概率，确定目标车辆顺序对应的顺序预测概率。具体地，可以通过公式(5)计算以为初始概率的候选车辆的运算概率/>计算以/>为初始概率的候选车辆的运算概率/>基于各候选车辆对应的初始概率和运算概率，确定各候选车辆对应的概率差值，具体地，以/>为初始概率的候选车辆对应的概率差值ΔP1为/>以/>为初始概率的候选车辆对应的概率差值ΔP2为/>进而，基于各候选车辆的原始概率和概率差值，确定各候选车辆对应的预测概率，具体地，候选车辆的预测概率Pi e可以为原始概率Pi e-1与概率差值ΔP的和，即Pi e＝Pi e-1+ΔP/>
上述方案中，实现了将多个原始概率的候选车辆分为两类，并且较为准确的计算了各候选车辆对应的预测概率，也扩展了本车辆识别方法的应用场景。
图9为本公开实施例提供的一种车辆识别装置的结构示意图，该装置可由软件和/或硬件实现，一般可集成在电子设备中。如图9所示，该装置包括：
获取模块901，用于响应于发生预设触发事件确定目标时间段和目标路段，获取在所述目标时间段内经过所述目标路段的候选车辆集合；
第一确定模块902，用于基于所述候选车辆集合确定不同数量的候选车辆组合发生预设事件的目标概率；
第二确定模块903，用于基于所述候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，确定各所述候选车辆对应的预测概率；
第三确定模块904，用于根据各所述候选车辆对应的预测概率，确定发生所述预设事件的目标车辆。
可选的，所述第一确定模块902，包括：
剔除子模块，用于针对所述候选车辆集合中的当前车辆，从所述候选车辆集合中剔除所述当前车辆，获得当前集合；
第一确定子模块，用于基于所述当前集合，确定所述候选车辆组合；
第二确定子模块，用于针对所述当前车辆，遍历不同数量的所述候选车辆组合，确定各数量的所述候选车辆组合对应的目标概率。
可选的，所述第二确定子模块具体用于：
针对所述车辆数量中的当前数量，将所述当前集合划分为包括发生预设事件的候选车辆的第一集合，以及包括未发生预设事件的候选车辆的第二集合；
基于所述第一集合中包括的候选车辆对应的初始概率，确定第一集合概率；
基于所述第二集合中包括的候选车辆对应的初始概率，确定第二集合概率；
基于所述第一集合概率和所述第二集合概率，确定所述当前数量的候选车辆组合对应的目标概率。
可选的，所述第二确定子模块具体用于：
针对所述车辆数量中的当前数量，根据所述当前集合中候选车辆的初始概率，将所述当前集合划分为第三集合和第四集合；
基于所述当前数量、第三集合中发生预设事件的车辆数量、候选车辆集合包括的车辆数量、第三集合中包括的车辆数量、第三集合中候选车辆的初始概率、第四集合中候选车辆的初始概率，确定所述当前数量的候选车辆组合对应的目标概率。
可选的，所述预设触发事件为初始车辆逃费，所述初始车辆的数量为多个，所述车辆识别装置还包括：
迭代计算模块，用于在所述根据各所述候选车辆对应的预测概率，确定发生所述预设事件的目标车辆之前，将所述预测概率作为所述候选车辆的初始概率，基于所述候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，对所述预测概率进行更新，并将更新后的所述预测概率作为所述候选车辆的初始概率，进行迭代计算直至计算所述预测概率的次数等于所述初始车辆的数量。
可选的，所述初始车辆包括第一初始车辆和第二初始车辆，所述第一初始车辆的数量为第一数量，所述第二初始车辆的数量为第二数量，所述车辆识别装置还包括：
第一计算模块，用于计算所述第一初始车辆对应的各所述候选车辆的第一预测概率；
第二计算模块，用于计算所述第二初始车辆对应的各所述候选车辆的第二预测概率；
第四确定模块，用于基于所述第一数量、所述第一预测概率、所述第二数量、所述第二预测概率，确定数量概率回归关系；
第五确定模块，用于基于所述数量概率回归关系确定目标数量对应的数量预测概率。
可选地，所述初始车辆包括属于第三集合的车辆和属于第四集合的车辆，所述车辆识别装置还包括：
第六确定模块，用于基于所述初始车辆中属于所述第三集合的车辆和属于所述第四集合的车辆，确定第一车辆顺序和第二车辆顺序；
第四计算模块，用于计算所述第一车辆顺序对应的各所述候选车辆的第三预测概率；
第五计算模块，用于计算所述第二车辆顺序对应的各所述候选车辆的第四预测概率；
第七确定模块，用于基于所述第一车辆顺序、所述第三预测概率、所述第二车辆顺序、所述第四预测概率，确定顺序概率回归关系；
第八确定模块，用于基于所述顺序概率回归关系确定目标车辆顺序对应的顺序预测概率。
本公开实施例所提供的车辆识别装置可执行本公开任意实施例所提供的车辆识别方法，具备执行方法相应的功能模块和有益效果。
图10为本公开实施例提供的一种电子设备的结构示意图。如图10所示，电子设备1000包括一个或多个处理器1001和存储器1002。
处理器1001可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备1000中的其他组件以执行期望的功能。
存储器1002可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器1001可以运行所述程序指令，以实现上文所述的本公开的实施例的车辆识别方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备1000还可以包括：输入装置1003和输出装置1004，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外，该输入装置1003还可以包括例如键盘、鼠标等等。
该输出装置1004可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置1004可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图10中仅示出了该电子设备1000中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备1000还可以包括任何其他适当的组件。
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本公开实施例所提供的车辆识别方法。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本公开实施例所提供的车辆识别方法。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种车辆识别方法，其特征在于，包括：
响应于发生预设触发事件确定目标时间段和目标路段，获取在所述目标时间段内经过所述目标路段的候选车辆集合；
基于所述候选车辆集合确定不同数量的候选车辆组合发生预设事件的目标概率；其中，所述预设事件包括高速逃费、车辆违章中的一种；
基于所述候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，确定各所述候选车辆对应的预测概率；
根据各所述候选车辆对应的预测概率，确定发生所述预设事件的目标车辆；
其中，所述基于所述候选车辆集合确定不同数量的候选车辆组合发生预设事件的目标概率，包括：
针对所述候选车辆集合中的当前车辆，从所述候选车辆集合中剔除所述当前车辆，获得当前集合；
基于所述当前集合，确定所述候选车辆组合；
针对所述当前车辆，遍历不同数量的所述候选车辆组合，确定各数量的所述候选车辆组合对应的目标概率；
其中，所述基于所述候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，确定各所述候选车辆对应的预测概率，包括：
若所述预设触发事件为车辆j发生所述预设事件，则所述候选车辆对应的所述预测概率pi e为：
pi表示所述候选车辆的所述初始概率，qe(m,se\{i,j})表示基于剔除所述候选车辆和车辆j的候选车辆集合、数量为m的所述候选车辆组合发生所述预设事件的所述目标概率，其中，se表示候选车辆集合，se\{i,j}表示所述候选车辆集合中剔除所述候选车辆和车辆j获得的集合，m表示所述候选车辆组合中包括的车辆数量。
2.根据权利要求1所述的方法，其特征在于，所述确定各数量的所述候选车辆组合对应的目标概率，包括：
针对所述数量中的当前数量，将所述当前集合划分为包括发生预设事件的候选车辆的第一集合，以及包括未发生预设事件的候选车辆的第二集合；
基于所述第一集合中包括的候选车辆对应的初始概率，确定第一集合概率；
基于所述第二集合中包括的候选车辆对应的初始概率，确定第二集合概率；
基于所述第一集合概率和所述第二集合概率，确定所述当前数量的候选车辆组合对应的目标概率。
3.根据权利要求1所述的方法，其特征在于，所述确定各数量的候选车辆组合对应的目标概率，包括：
针对所述数量中的当前数量，根据所述当前集合中候选车辆的初始概率，将所述当前集合划分为第三集合和第四集合；
基于所述当前数量、第三集合中发生预设事件的车辆数量、候选车辆集合包括的车辆数量、第三集合中包括的车辆数量、第三集合中候选车辆的初始概率、第四集合中候选车辆的初始概率，确定所述当前数量的候选车辆组合对应的目标概率。
4.根据权利要求1所述的方法，其特征在于，所述预设触发事件为初始车辆逃费，所述初始车辆的数量为多个，
所述根据各所述候选车辆对应的预测概率，确定发生所述预设事件的目标车辆之前，所述方法还包括：
将所述预测概率作为所述候选车辆的初始概率，基于所述候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，对所述预测概率进行更新，并将更新后的所述预测概率作为所述候选车辆的初始概率，进行迭代计算直至计算所述预测概率的次数等于所述初始车辆的数量。
5.根据权利要求4所述的方法，其特征在于，所述初始车辆包括第一初始车辆和第二初始车辆，所述第一初始车辆的数量为第一数量，所述第二初始车辆的数量为第二数量，所述方法还包括：
计算所述第一初始车辆对应的各所述候选车辆的第一预测概率；
计算所述第二初始车辆对应的各所述候选车辆的第二预测概率；
基于所述第一数量、所述第一预测概率、所述第二数量、所述第二预测概率，确定数量概率回归关系；
基于所述数量概率回归关系确定目标数量对应的数量预测概率。
6.根据权利要求4所述的方法，其特征在于，所述初始车辆包括属于第三集合的车辆和属于第四集合的车辆，所述方法还包括：
基于所述初始车辆中属于所述第三集合的车辆和属于所述第四集合的车辆，确定第一车辆顺序和第二车辆顺序；
计算所述第一车辆顺序对应的各所述候选车辆的第三预测概率；
计算所述第二车辆顺序对应的各所述候选车辆的第四预测概率；
基于所述第一车辆顺序、所述第三预测概率、所述第二车辆顺序、所述第四预测概率，确定顺序概率回归关系；
基于所述顺序概率回归关系确定目标车辆顺序对应的顺序预测概率。
7.一种车辆识别装置，其特征在于，包括：
获取模块，用于响应于发生预设触发事件确定目标时间段和目标路段，获取在所述目标时间段内经过所述目标路段的候选车辆集合；其中，预设事件包括高速逃费、车辆违章中的一种；
第一确定模块，用于基于所述候选车辆集合确定不同数量的候选车辆组合发生预设事件的目标概率；
第二确定模块，用于基于所述候选车辆组合发生预设事件的目标概率和各候选车辆对应的初始概率，确定各所述候选车辆对应的预测概率；
第三确定模块，用于根据各所述候选车辆对应的预测概率，确定发生所述预设事件的目标车辆；
其中，所述第一确定模块，用于：
针对所述候选车辆集合中的当前车辆，从所述候选车辆集合中剔除所述当前车辆，获得当前集合；
基于所述当前集合，确定所述候选车辆组合；
针对所述当前车辆，遍历不同数量的所述候选车辆组合，确定各数量的所述候选车辆组合对应的目标概率；
其中，所述第二确定模块，用于：
若所述预设触发事件为车辆j发生所述预设事件，则所述候选车辆对应的所述预测概率pi e为：
pi表示所述候选车辆的所述初始概率，qe(m,se\{i,j})表示基于剔除所述候选车辆和车辆j的候选车辆集合、数量为m的所述候选车辆组合发生所述预设事件的所述目标概率，其中，se表示候选车辆集合，se\{i,j}表示所述候选车辆集合中剔除所述候选车辆和车辆j获得的集合，m表示所述候选车辆组合中包括的车辆数量。
8.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-6中任一所述的车辆识别方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-6中任一所述的车辆识别方法。
CN202210864522.0A 2022-07-21 2022-07-21 车辆识别方法、装置、设备及介质 Active CN115273259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210864522.0A CN115273259B (zh) 2022-07-21 2022-07-21 车辆识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210864522.0A CN115273259B (zh) 2022-07-21 2022-07-21 车辆识别方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN115273259A CN115273259A (zh) 2022-11-01
CN115273259B true CN115273259B (zh) 2023-07-28

Family

ID=83767116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210864522.0A Active CN115273259B (zh) 2022-07-21 2022-07-21 车辆识别方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115273259B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110134828A (zh) * 2019-04-29 2019-08-16 北京物资学院 一种视频下架检测方法及装置
CN110969887A (zh) * 2019-11-18 2020-04-07 腾讯科技（深圳）有限公司 一种车辆数据获取方法、装置、电子设备及介质
CN111523723A (zh) * 2020-04-21 2020-08-11 北京物资学院 一种公共自行车站点车辆优化配置的方法及装置
CN112686700A (zh) * 2020-12-30 2021-04-20 深圳前海微众银行股份有限公司 基于人工智能的产品属性决策方法、装置、电子设备
CN113192217A (zh) * 2021-03-31 2021-07-30 北京万集科技股份有限公司 逃费检测方法、装置、计算机设备和介质

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6573929B1 (en) * 1998-11-23 2003-06-03 Nestor, Inc. Traffic light violation prediction and recording system
US9002612B2 (en) * 2012-03-20 2015-04-07 Toyota Motor Engineering & Manufacturing North America, Inc. Prediction of driver-specific cruise speed using dynamic modeling
US20150279122A1 (en) * 2012-10-17 2015-10-01 Toll Collect Gmbh Method and devices for collecting a traffic-related toll fee
US10733810B2 (en) * 2016-06-28 2020-08-04 Conduent Business Services, Llc Method and system for managing parking violations by vehicles in parking areas in real-time
US10423886B2 (en) * 2017-12-29 2019-09-24 Forward Thinking Systems, LLC Electronic logs with compliance support and prediction
CN110164134B (zh) * 2018-02-12 2021-08-13 华为技术有限公司 信息处理的方法和装置
CN111402612A (zh) * 2019-01-03 2020-07-10 北京嘀嘀无限科技发展有限公司 一种交通事件通知方法及装置
CN110046719A (zh) * 2019-03-20 2019-07-23 北京物资学院 一种自行车状态诊断方法与装置
CN110378519B (zh) * 2019-06-26 2021-12-14 北京物资学院 一种公共自行车站点车辆数量的配置方法及装置
CN111696219B (zh) * 2020-05-25 2022-05-03 北京易路行技术有限公司 Etc逃费车辆的筛选方法及装置
EP3971526B1 (en) * 2020-09-18 2024-05-08 Zenuity AB Path planning in autonomous driving environments
CN112116158B (zh) * 2020-09-21 2021-11-02 北京嘀嘀无限科技发展有限公司 数据处理方法、数据处理装置、存储介质和电子设备
CN112150810A (zh) * 2020-09-25 2020-12-29 云从科技集团股份有限公司 一种车辆行为管理方法、系统、设备及介质
CN112750220A (zh) * 2021-01-15 2021-05-04 北京万集科技股份有限公司 一种车辆故意逃费检测方法、装置、系统及存储介质
CN113658426B (zh) * 2021-07-29 2023-10-03 中寰卫星导航通信有限公司 一种车辆事故识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110134828A (zh) * 2019-04-29 2019-08-16 北京物资学院 一种视频下架检测方法及装置
CN110969887A (zh) * 2019-11-18 2020-04-07 腾讯科技（深圳）有限公司 一种车辆数据获取方法、装置、电子设备及介质
CN111523723A (zh) * 2020-04-21 2020-08-11 北京物资学院 一种公共自行车站点车辆优化配置的方法及装置
CN112686700A (zh) * 2020-12-30 2021-04-20 深圳前海微众银行股份有限公司 基于人工智能的产品属性决策方法、装置、电子设备
CN113192217A (zh) * 2021-03-31 2021-07-30 北京万集科技股份有限公司 逃费检测方法、装置、计算机设备和介质

Also Published As

Publication number Publication date
CN115273259A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
KR101139192B1 (ko) 정보 필터링 시스템, 정보 필터링 방법 및 정보 필터링 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체
CN108182515B (zh) 智能规则引擎规则输出方法、设备及计算机可读存储介质
CN110458324B (zh) 风险概率的计算方法、装置和计算机设备
CN109961191B (zh) 一种优惠券发放方法及装置
CN104702492A (zh) 垃圾消息模型训练方法、垃圾消息识别方法及其装置
US11967165B2 (en) Artificial intelligence (AI) based document processing and validation
CA3037941A1 (en) Method and system for generating and using vehicle pricing models
CN113205403A (zh) 一种企业信用等级的计算方法、装置、存储介质及终端
CN114239697A (zh) 目标对象的分类方法、装置、电子设备及存储介质
CN115273259B (zh) 车辆识别方法、装置、设备及介质
CN114091684A (zh) 增强业务结果可解释性的方法及装置
WO2023246391A1 (zh) 风险特征描述的提取
CN113361810A (zh) 一种客流量预测方法、装置、设备和存储介质
CN113537656A (zh) 评估供应商服务质量的方法、系统、设备和介质
CN112084448A (zh) 相似信息处理方法以及装置
US20230058076A1 (en) Method and system for auto generating automotive data quality marker
US11935075B2 (en) Card inactivity modeling
US10693855B1 (en) Fraud detection
CN109284354B (zh) 脚本搜索方法、装置、计算机设备及存储介质
CN111461892A (zh) 用于风险识别模型的衍生变量选择方法和装置
RU2701089C1 (ru) Способ ситуационного анализа устойчивости технической системы с многоэтапным характером целевого применения
CN112598422A (zh) 交易风险评估方法、系统、设备及存储介质
CN110677310B (zh) 流量归因方法、装置以及终端
CN112395277A (zh) 一种车辆信息筛选方法、装置、设备及存储介质
CN110909231A (zh) 违章数据查询方法及系统、存储介质

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