CN115936636B - 基于前置ε-ABRF算法的车位确权上链方法及系统 - Google Patents
基于前置ε-ABRF算法的车位确权上链方法及系统 Download PDFInfo
- Publication number
- CN115936636B CN115936636B CN202310167134.1A CN202310167134A CN115936636B CN 115936636 B CN115936636 B CN 115936636B CN 202310167134 A CN202310167134 A CN 202310167134A CN 115936636 B CN115936636 B CN 115936636B
- Authority
- CN
- China
- Prior art keywords
- parking space
- data
- information
- authorization
- generating
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明公开了一种基于前置ε‑ABRF算法的车位确权上链方法及系统,该方法包括:步骤S10:数据授权获取;采集用户、车位以及授权信息,进行授权校验和数据获取,并通过比较确权记录将重复的确权任务取消;步骤S20:数据预处理;对步骤S10获取的数据进行提取、比对,生成算法模型可识别的特征数据集,通过研判决策来生成样本和训练随机森林模型;步骤S30:研判决策;对新生成特征数据集的进行分类计算,计算结果封装后,进行校验和生成权益证书;步骤S40:智能合约生成;记录上链并提供给上层应用使用。该系统用来实现上述方法。本发明具有原理简单、智能化程度高、易实现等优点。
Description
技术领域
本发明主要涉及到智能化确权技术领域,特指一种基于前置ε-ABRF算法的车位确权上链方法及系统。
背景技术
城市停车设施是生活需要的重要保障,也是现代城市发展的重要支撑。
尤其是对于智慧城市而言,更加倡导并力求通过技术手段在城市规划、设计、建设、管理与运营等领域中,通过物联网、云计算、大数据、空间地理信息集成等智能计算技术的应用,使得城市管理、教育、医疗、房地产、交通运输、公用事业和公众安全等城市组成的关键基础设施组件和服务更互联、高效和智能,从而为市民提供更美好的生活和工作服务、为企业创造更有利的商业发展环境。
但由于目前车位确权相关政策不够完善,相关研究也比较少。已发表车位确权论文均是从法律、政策等角度进行研究,没有从技术方面切入的例子。现有与车位相关专利主要集中在车位的共享、交易、IOT装置等领域,对于如何设计区块链中的智能合约来进行车位的产权、使用权等权属确认,如何在复杂车位确权逻辑下提高智能合约确权上链效率,目前暂没有相关研究成果申请、发布。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种原理简单、智能化程度高、易实现的基于前置ε-ABRF算法的车位确权上链方法及系统。
为解决上述技术问题,本发明采用以下技术方案:
一种基于前置ε-ABRF算法的车位确权上链方法,其包括:
步骤S10:数据授权获取;采集用户、车位以及授权信息,进行授权校验和数据获取,并通过比较确权记录将重复的确权任务取消;
步骤S20:数据预处理;对步骤S10获取的数据进行提取、比对,生成算法模型可识别的特征数据集,通过研判决策来生成样本和训练随机森林模型;
步骤S30:研判决策;对新生成特征数据集的进行分类计算,计算结果封装后,进行校验和生成权益证书;
步骤S40:智能合约生成;记录上链并提供给上层应用使用。
作为本发明方法的进一步改进:所述数据授权获取的流程包括:
步骤S1:授权信息接收;接收采集的用户及监管部门的授权信息;
步骤S2:授权信息校验;对接收的用户及监管部门的授权进行真实性、完整性、合规性的校验,校验通过后生成授权许可,若不通过,则反馈问题和处置建议;
步骤S3:车位关联信息获取;在接收到授权许可的情况下,从第三方可信数据源获取车位关联信息;
步骤S4:已确权信息获取;从上链中获取已确权记录,用于结合所述车位关联信息进行比较;
步骤S5:确权记录比对;将车位关联信息和已确权记录进行比对,判断当前申请确权车位是否存在确权记录,若不存在确权记录则传递车位关联信息,反之则反馈问题,结束确权任务。
作为本发明方法的进一步改进:所述数据预处理的流程包括:
步骤t1:车位关联信息接收;在无确权记录的情况下,接收获取的车位关联信息;
步骤t2:数据提取;将有效数据提取出来为后续数据的应用奠定基础;
步骤t3:数据比对;将提取的车位关联数据交叉进行多元校验,验证各项数据的一致性,比对结果作为后续特征数据的来源;
步骤t4:特征数据生成;将比对结果生成用于模型训练和模型应用的特征数据集,其中特征数分别代表各个特征集对应特征数量。
作为本发明方法的进一步改进:所述样本的生成过程包括:
步骤L1:设定总样本规模为N,训练样本规模n,迭代次数g;
步骤L2:从总样本集接收N个特征数据集,形成特征数据集;
步骤L3:接收N个标签结果集,其中C代表标签分类的类型数;
步骤L4:将特征数据集与标签结果集一一对应形成总样本集;
步骤L5:采用随机有放回抽样进行n次随机抽样,从总样本Q中选出n个子样本(n≤N),生成模型训练样本;
步骤L6:重复步骤L5共g次,生成可并行训练的样本:
R{R1,R2,...Rf,...,Rg},f∈{1,2,...,g};
步骤L7:将g-1个样本集当做训练集,第g个样本集当做测试集进行注意力参数的学习。
作为本发明方法的进一步改进:所述模型训练过程包括:
步骤M1:接收模型训练样本集;
步骤M2:对每个子样本集,从所有k个特征中随机选择j个特征,j∈{1,2,...,k},训练形成1棵CART分类树;
步骤M3:重复上述过程将g-1个样本集,及其对应的j个特征并行学习出g-1个完整的CART分类树记作:
,s∈{1,2,...,g-1};
步骤M4:设定污染参数值以及温度调谐参数带入目标函数进行计算,求取注意力权值的参数向量w{w1,...ws,...,wk},构成二次优化问题进行求解:
其中,用于计算落入第s棵树第i个叶子节点的样本特征的平均值;分别代表新落入第i个叶子节点的训练样本,代表第s棵树已落入第i个叶子节点的样本索引,代表落入第i个叶子节点样本计数;代表当前第s棵树落入i叶子节点的概率,由第i个叶子节点c类样本数据量比上第i个节点总的样本数量求得;代表第m个样本的标签分类one-hot向量;
步骤M5:根据参数向量w计算第s棵树所得注意力权重:
组合g-1棵数据的注意力权重得到模型:。
作为本发明方法的进一步改进:所述智能合约生成过程包括:
步骤h1:分类结果接收;当权属研判结果标记生成后会触发智能合约的接收事件,用于接收车位权属分类结果;
步骤h2:分类结果校验;对车位权属分类结果进行校验,确认分类结果是否合规,校验通过后生成获取许可标记,反之则反馈问题,通知用户问题内容及处理建议;
步骤h3:车位关联信息获取;获取许可标记生成后,获取提取后的车位关联信息,并将车位关联信息与分类结果一并传递给权益证书生成单元;
步骤h4:权益证书生成;接收到车位关联信息和分类结果后,对数据进行加工。
作为本发明方法的进一步改进:所述加工的过程包括:
步骤n1:生成唯一权属ID,用于根据确权记录所记录的权属ID顺延生成新的车位权属ID;
步骤n2:生成车位私钥,由代码随机生成由256位整数组成的私钥;
步骤n3:生成车位公钥,由私钥使用椭圆曲线数字签名算法生成对应公钥;
步骤n4:生成权益证书,由代码将车位权属ID、车位私钥、车位公钥用哈希算法进行映射计算,生成权益证书。
本发明进一步提供一种基于前置ε-ABRF算法的车位确权上链系统,其包括:
信息交互模块,用于与用户进行交互并提供对外服务,完成信息采集功能;
数据获取模块,用于接收授权信息并根据授权获取车位关联信息,并将所述已确权信息与车位关联信息进行比对,比较是否重复确权;
数据预处理模块,用于对所述车位关联信息进行数据提取、比对,生成可用于算法模型计算的特征数据;
算法研判模块,用于根据所述特征数据进行模型训练、部署、应用,完成对车位的分类确权;
所述智能合约模块,用于校验车位分类确权结果并获取车位关联信息生成权益证书;
所述信息上链模块,用于所述权益证书的记录上链,并对外提供已确权信息。
作为本发明系统的进一步改进:所述信息交互模块包括注册申请单元、信息上传及变更单元、问题反馈处置单元、授权提交单元;所述注册申请单元包括向用户提供账号注册、车位注册、确权申请功能,用于采集用户信息、车位基本信息,在用户补充完善授权信息并上传佐证材料后填报、发起确权申请;所述信息上传及变更单元包括车位权属相关证明材料上传校验功能,用于获取车位确权关键的佐证材料并从中获取车位关联信息;所述问题反馈处置单元用于从其他各个模块收集确权过程中存在的问题;所述授权提交单元用于进行用户授权、监管部门授权,获得用户及监管部门关于车位确权数据的获取授权。
作为本发明系统的进一步改进:所述智能合约模块用于接受分类结果进行校验,校验通过后获取车位关联信息并生成权益证书;所述智能合约模块包括分类结果校验单元、车位关联信息获取单元、权益证书生成单元;所述分类结果校验单元在权属研判结果标记生成后接收分类结果并进行校验,确认分类结果是否合规,校验通过后生成获取许可标记;所述车位关联信息获取单元在接收获取许可标记后从数据预处理模块获取提取后的车位关联信息,并将车位关联信息与分类结果一并传递给权益证书生成单元;所述权益证书生成单元对所述车位关联信息和分类结果进行加工,并将所述加工结果经哈希算法生成权益证书。
与现有技术相比,本发明的优点就在于:
本发明的基于前置ε-ABRF算法的车位确权上链方法及系统,原理简单、智能化程度高、易实现,本发明在尽可能保证确权准确率的基础上,从提高智能合约工作效率、降低确权资源消耗的角度进行设计,将随机森林算法和区块链智能合约引入到车位确权的过程中,为车位确权提供了去中心化的可信环境的同时也降低了区块链底层资源的消耗,既解决了车位确权困难的问题,也提高了相关主管部门对车位登记确权的办理效率和有效监管,在确保每个车位权属可追溯、可监管的同时也为C端和B端用户进行车位共享交易提供了便捷。
附图说明
图1是本发明方法的流程示意图。
图2是本发明系统在具体应用实例中的拓扑结构组成示意图。
图3是本发明方法在具体应用实例中进行数据授权获取的流程示意图。
图4是本发明方法在具体应用实例中进行数据预处理的流程示意图。
图5是本发明方法在具体应用实例中进行算法研判流程示意图。
图6是本发明方法在具体应用实例中进行智能合约生成的流程示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示,本发明的基于前置ε-ABRF算法的车位确权上链方法,其流程包括:
步骤S10:数据授权获取;采集用户、车位以及授权信息,进行授权校验和数据获取,并通过比较确权记录将重复的确权任务取消;
步骤S20:数据预处理;对步骤S10获取的数据进行提取、比对,生成算法模型可识别的特征数据集,通过研判决策来生成样本和训练随机森林模型;
步骤S30:研判决策;对新生成特征数据集的进行分类计算,计算结果封装后,进行校验和生成权益证书;
步骤S40:智能合约生成;记录上链并提供给上层应用使用。
结合图2所示,本发明进一步提供一种基于前置ε-ABRF算法的车位确权上链方系统,包括:
信息交互模块,用于与用户进行交互并提供对外服务,实现相关信息采集功能;所述信息包括用户信息、授权信息、车位基本信息等相关信息;
数据获取模块,用于接收授权信息并根据授权获取车位关联信息;即,用于获取授权信息并根据授权获取车位关联信息和已确权信息,并将所述已确权信息与车位关联信息进行比对,比较是否重复确权;
数据预处理模块,用于对所述车位关联信息进行数据提取、比对,生成可用于算法模型计算的特征数据;
算法研判模块,用于根据所述特征数据进行模型训练、部署、应用,实现对车位的分类确权;
所述智能合约模块,用于校验车位分类确权结果并获取车位关联信息生成权益证书;即,用于接受分类结果并进行校验,校验通过后获取车位关联信息生成权益证书;
所述信息上链模块,用于所述权益证书的记录上链,并对外提供已确权信息。
通过采用本发明的上述技术方案,所述信息交互模块在采集用户、车位以及相关授权信息后提供给数据获取模块进行授权校验和数据获取,并通过比较确权记录将重复的确权任务取消。所述数据预处理模块对所述数据获取模块获取的数据进行提取、比对,生成算法模型可识别的特征数据集传递给算法研判模块来生成样本和训练随机森林模型;所述模型部署上线后用于后续新生成特征数据集的分类计算,计算结果封装后会传递给所述智能合约模块进行校验和生成权益证书,最后由信息上链模块记录上链并提供给上层应用使用。
在具体应用实例中,所述信息交互模块用于与用户进行交互并提供对外服务,实现用户信息、授权信息、车位基本信息等相关信息采集功能。
所述信息交互模块包括注册申请单元、信息上传及变更单元、问题反馈处置单元、授权提交单元;其中,所述注册申请单元包括向用户提供账号注册、车位注册、确权申请等功能,主要用于采集用户信息、车位基本信息,在用户补充完善授权信息并上传佐证材料后填报、发起确权申请;所述信息上传及变更单元包括车位登记证明、合同证明、车位规划证明等车位权属相关证明材料上传校验功能,用于获取车位确权关键的佐证材料便于后续从中获取车位关联信息,对于存在问题的文件或需更新的文件可以提交变更审核;所述问题反馈处置单元包括问题接受、问题分析、问题处置功能,用于从其他各个模块收集确权过程中存在的问题,分析问题的原因并给出整改建议,提醒用户根据建议进行问题处置;所述授权提交单元包括用户授权、监管部门授权功能,通过用户签署信息真实承诺书、车位信息获取同意书、监管部门登记数据查询授权书等文件,获得用户及监管部门关于车位确权数据的获取授权。
在具体应用实例中,所述数据获取模块用于接收授权信息并根据授权获取车位关联信息和已确权信息,将所述已确权信息与车位关联信息进行比对,比较是否重复确权。所述数据获取模块包括授权校验单元、车位关联信息获取单元、已确权信息获取单元;其中,所述授权校验单元包括用户授权校验、监管部门授权校验及授权许可生成功能,用于校验用户及监管部门授权的真实性、完整性、合规性,校验通过后生成授权许可;所述车位关联信息获取单元包括第三方可信数据源数据获取、用户信息获取、车位基本信息获取、车位权属证明材料获取等功能,用于收集与车位权属有关联的信息,包含各种结构化、非结构化数据以及冗余无效的数据;所述已确权信息获取单元包括确权记录获取及比较功能,用于从所述信息上链模块获取已确权记录,判断当前申请确权车位是否存在确权记录,避免重复确权情况出现。
在具体应用实例中,所述数据预处理模块用于对所述车位关联信息进行数据提取、比对,生成可用于算法模型计算的特征数据;所述数据预处理模块包括数据提取单元、数据比对单元、特征数据生成单元;其中,所述数据提取单元包括车位登记数据提取、合同数据提取、车位规划数据提取、确权申请数据提取、用户填报数据提取等功能,用于从相关文件中提取确权所需数据;所述数据比对单元包括登记情况比对(结果记作特征集X1)、合同信息比对(结果记作特征集X2)、车位规划比对(结果记作特征集X3)、确权申请比对(结果记作特征集X4)、用户填报信息比对(结果记作特征集X5)等功能,用于对提取的数据进行多元校验,验证数据的一致性;所述特征数据生成单元包括数据整合、特征数据集生成功能,用于收集比对结果并生成可用于模型训练和模型应用的特征数据集{X1,X2,X3,X4,X5},其中包含特征数记作{k1,k2,k3,k4,k5}分别代表各个特征集对应特征数量,特征总数记作k,其中k=k1+k2+k3+k4+k5。
在具体应用实例中,所述算法研判模块用于根据所述特征数据进行模型训练、部署、应用,实现对车位的分类确权;所述算法研判模块包括模型训练单元、模型部署单元、模型应用单元三个功能单元以及学习模式、应用模式两种工作状态。
在所述学习模式下,所述特征数据不会直接进行分类确权,而是在所述模型训练单元中基于设定的标签结果、样本规模等参数生成模型训练的样本并进行ε-ABRF算法模型的训练。其中,所述ε-ABRF算法是一种改进的基于注意力的随机森林(ABRF)算法,该算法既包含了基于注意力的随机森林(ABRF)算法的优点,能够自适应地关注于预测精度较高的决策树,并抑制预测性能较差的决策树,并且通过引入经典的Huber的污染模型,能够通过求解二次或线性优化问题来计算注意力权值,降低了大规模模型训练的计算难度。
在所述应用模式下,所述特征数据会直接在所述模型应用单元中进行分类计算。所述模型应用单元包括模型计算分类和分类结果封装功能,用于在所述模型部署单元完成随机森林模型部署上线后接收所述特征数据进行模型计算,计算出的分类结果通过分类结果封装功能进行整合封装并生成权属研判结果标记,传递给所述智能合约模块生成权益证书。
在具体应用实例中,所述模型部署单元用来完成模型优化测试及模型部署上线功能,所述随机森林模型f(X)通过所述模型优化测试功能进行参数调优和模型测试,测试通过后通过模型部署上线功能进行封装并部署上线。
在具体应用实例中,所述智能合约模块用于接受分类结果进行校验,校验通过后获取车位关联信息并生成权益证书。所述智能合约模块包括分类结果校验单元、车位关联信息获取单元、权益证书生成单元;其中:所述分类结果校验单元在权属研判结果标记生成后接收分类结果并进行校验,确认分类结果是否合规,校验通过后生成获取许可标记;所述车位关联信息获取单元在接收获取许可标记后从数据预处理模块获取提取后的车位关联信息,并将车位关联信息与分类结果一并传递给权益证书生成单元;所述权益证书生成单元对所述车位关联信息和分类结果进行加工,并将所述加工结果经哈希算法生成权益证书。
在具体应用实例中,所述信息上链模块用于所述权益证书的记录上链,并对外提供已确权信息。在所述权益证书生成后,会在信息上链模块通过共识算法将所述权益证书等确权信息记录在区块链上,一经写入便无法篡改,同时所述确权信息也可用以对外提供服务。所述信息上链模块包括区块链共识算法及底层存储区块。
进一步的,所述权属私钥、权属公钥生成后由用户保存,用于后续车位共享交易。
如图3所示,为在具体应用实例中数据授权获取的流程示意图,其流程包括:
步骤S1:授权信息接收;
具体的,所述数据获取模块接收来自所述信息交互模块采集的用户及监管部门的授权信息。
步骤S2:授权信息校验;
具体的,所述授权信息校验单元对接收的用户及监管部门的授权进行真实性、完整性、合规性的校验,校验通过后生成授权许可,若不通过,则向所述信息交互模块反馈问题和处置建议。
步骤S3:车位关联信息获取;
具体的,在接收到授权许可的情况下,所述车位关联信息获取单元从第三方可信数据源和所述信息交互单元获取用户信息、车位基本信息、车位权属证明材料等车位关联信息。
步骤S4:已确权信息获取;
具体的,所述已确权信息获取单元从所述信息上链模块获取已确权记录,用于结合所述车位关联信息进行比较。
步骤S5:确权记录比对;
具体的,所述已确权信息获取单元将所述车位关联信息和已确权记录进行比对,判断当前申请确权车位是否存在确权记录,若不存在确权记录则向所述数据预处理模块传递车位关联信息,反之则向所述信息交互模块反馈问题,结束确权任务。
所述ε-ABRF算法模型训练的过程可分为样本生成、模型训练、参数优化三个主要步骤。
如图4所示的,为在具体应用实例中数据预处理的流程示意图,其流程包括:
步骤t1:车位关联信息接收;
具体的,在无确权记录的情况下,所述数据预处理模块接收所述数据授权获取模块获取的车位关联信息。
步骤t2:数据提取;
具体的,由于接收的所述车位关联信息包括结构化、非结构化数据以及大量无用数据,需进一步通过所述数据提取单元将有效数据提取出来为后续数据的应用奠定基础。
步骤t3:数据比对;
具体的,类比车位权属材料比对的过程,在本发明中通过所述数据比对单元将提取的车位关联数据交叉进行多元校验,验证各项数据的一致性,比对结果作为后续特征数据的来源。
步骤t4:特征数据生成;
具体的,所述特征数据生成单元将比对结果生成可用于模型训练和模型应用的特征数据集{X1,X2,X3,X4,X5},其中包含特征数记作{k1,k2,k3,k4,k5}分别代表各个特征集对应特征数量。
在具体应用实例中,所述样本生成过程包括:
1.设定总样本规模为N,训练样本规模n,迭代次数g;
2.从总样本集接收N个特征数据集,形成特征数据集;
3.接收N个标签结果集,,其中C代表标签分类的类型数;
4.将特征数据集与标签结果集一一对应形成总样本集;
5.采用Bootstrap(随机有放回抽样)进行n次随机抽样,从总样本Q中选出n个子样本(n≤N),生成模型训练样本;
6.重复步骤5共g次,生成可并行训练的样本R{R1,R2,...Rf,...,Rg},f∈{1,2,...,g};
7.为了方便进行后续注意力权重相关参数的学习,将g-1个样本集当做训练集,第g个样本集当做测试集进行注意力参数的学习。
在具体应用实例中,所述模型训练过程包括:
1.接收模型训练样本集;
2.对每个子样本集,从所有k个特征中随机选择j个特征,j∈{1,2,...,k},训练形成1棵CART分类树(弱分类器);
3.重复上述过程将g-1个样本集,及其对应的j个特征并行学习出g-1个完整的CART分类树记作,s∈{1,2,...,g-1};
4. 设定污染参数值以及温度调谐参数带入目标函数进行计算,求取注意力权值的参数向量w{w1,...ws,...,wk},此计算过程可看作一个二次优化问题进行求解:
其中,用于计算落入第s棵树第i个叶子节点的样本特征的平均值;分别代表新落入第i个叶子节点的训练样本,代表第s棵树已落入第i个叶子节点的样本索引,代表落入第i个叶子节点样本计数;代表当前第s棵树落入i叶子节点的概率,由第i个叶子节点c类样本数据量比上第i个节点总的样本数量求得;代表第m个样本的标签分类one-hot向量;
5.根据参数向量w计算第s棵树所得注意力权重;
组合g-1棵数据的注意力权重得到模型:。
所述参数优化过程主要是设定污染参数和温度调谐参数的梯度组合,分别选取不同参数对带入上述模型训练过程步骤4、5进行计算,通过F1score方法来评估得到不同污染参数和温度调谐参数下的模型精度,选取效果最好的污染参数形成强分类器F(X)。
如图5所示的,为在具体应用实例中算法研判流程的流程示意图,其流程包括:
步骤r1:特征数据接收;
具体的,所述算法研判模块会首先从所述数据预处理模块接收生成的可识别、可计算的特征数据用于模型训练或者模型计算分类。
步骤r2:工作模式判定;
具体的,由于所述算法研判模块具备学习模式和应用模式两种工作模式,在接收到特征数据后需进行工作模式的判定,确定特征数据使用场景。
当处于学习模式时:
步骤a1:样本生成;
具体的,在学习模式下,所述特征数据不会直接进行分类确权,而是在所述模型训练单元中基于设定的标签结果、样本规模等参数,按照所述样本生成过程生成可供模型并行训练的样本集。
步骤a2:模型学习;
具体的,所述样本集在所述模型训练单元中按照所述ε-ABRF算法训练过程进行模型学习,生成可用于权属分类的强分类器。
步骤a3:模型优化测试;
具体的,所述随机森林模型在所述模型部署单元进行算法的调优和测试,测试通过则进入模型部署上线阶段,反之则重复步骤a1至a3的过程直至满足上线要求。
步骤a4:部署上线;
具体的,所述随机森林模型通过算法调优和测试后,由所述模型部署上线功能对模型代码进行封装并部署在所述模型应用单元中。
当处于应用模式时:
步骤b1:模型计算分类;
具体的,在应用模式下,所述特征数据会直接被所述随机森林模型进行调用并计算分类,得到车位权属分类结果。
步骤b2:分类结果封装;
具体的,所述分类结果通过分类结果封装功能进行整合封装并生成权属研判结果标记,传递给所述智能合约模块生成权益证书。
如图5所示的,为在具体应用实例中智能合约工作流程的示意图,其流程包括:
步骤h1:分类结果接收;
具体的,当所述权属研判结果标记生成后会触发所述智能合约的接收事件,用于接收车位权属分类结果。
步骤h2:分类结果校验;
具体的,所述分类结果校验单元对所述车位权属分类结果进行校验,确认分类结果是否合规,校验通过后生成获取许可标记,反之则反馈问题至信息交互模块,通知用户问题内容及处理建议。
步骤h3:车位关联信息获取;
具体的,所述获取许可标记生成后,所述车位关联信息获取单元从数据预处理模块获取提取后的车位关联信息,并将车位关联信息与分类结果一并传递给权益证书生成单元。
步骤h4:权益证书生成;
具体的,所述权益证书生成单元接收到所述车位关联信息和分类结果后,对数据进行加工。
如图6所示,所述加工过程包括生成唯一权属ID、生成车位私钥、生成车位公钥、生成权益证书四个子步骤:
子步骤n1:生成唯一权属ID,用于根据确权记录所记录的权属ID顺延生成新的车位权属ID;
子步骤n2:生成车位私钥,由代码随机生成由256位整数组成的私钥;
子步骤n3:生成车位公钥,由所述私钥使用椭圆曲线数字签名算法(ECDSA)生成对应公钥;
子步骤n4:生成权益证书,由代码将所述车位权属ID、车位私钥、车位公钥用哈希算法进行映射计算,生成权益证书。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (9)
1.一种基于前置ε-ABRF算法的车位确权上链方法,所述ε-ABRF算法是基于注意力的随机森林算法,其特征在于,包括:
步骤S10:数据授权获取;采集用户、车位以及授权信息,进行授权校验和数据获取,并通过比较确权记录将重复的确权任务取消;
步骤S20:数据预处理;对步骤S10获取的数据进行提取、比对,生成算法模型可识别的特征数据集,通过研判决策来生成样本和训练随机森林模型;
步骤S30:研判决策;对新生成特征数据集的进行分类计算,计算结果封装后,进行校验和生成权益证书;
步骤S40:智能合约生成;记录上链并提供给上层应用使用;
所述样本的生成过程包括:
步骤L1:设定总样本规模为N,训练样本规模n,迭代次数g;
步骤L2:从总样本集接收N个特征数据集,形成特征数据集;
步骤L3:接收N个标签结果集,其中C代表标签分类的类型数;
步骤L4:将特征数据集与标签结果集一一对应形成总样本集;
步骤L5:采用随机有放回抽样进行n次随机抽样,从总样本Q中选出n个子样本(n≤N),生成模型训练样本;
步骤L6:重复步骤L5共g次,生成可并行训练的样本:
R{R1,R2,...Rf,...,Rg},f∈{1,2,...,g};
步骤L7:将g-1个样本集当做训练集,第g个样本集当做测试集进行注意力参数的学习。
2.根据权利要求1所述的基于前置ε-ABRF算法的车位确权上链方法,其特征在于,所述数据授权获取的流程包括:
步骤S1:授权信息接收;接收采集的用户及监管部门的授权信息;
步骤S2:授权信息校验;对接收的用户及监管部门的授权进行真实性、完整性、合规性的校验,校验通过后生成授权许可,若不通过,则反馈问题和处置建议;
步骤S3:车位关联信息获取;在接收到授权许可的情况下,从第三方可信数据源获取车位关联信息;
步骤S4:已确权信息获取;从上链中获取已确权记录,用于结合所述车位关联信息进行比较;
步骤S5:确权记录比对;将车位关联信息和已确权记录进行比对,判断当前申请确权车位是否存在确权记录,若不存在确权记录则传递车位关联信息,反之则反馈问题,结束确权任务。
3.根据权利要求1所述的基于前置ε-ABRF算法的车位确权上链方法,其特征在于,所述数据预处理的流程包括:
步骤t1:车位关联信息接收;在无确权记录的情况下,接收获取的车位关联信息;
步骤t2:数据提取;将有效数据提取出来为后续数据的应用奠定基础;
步骤t3:数据比对;将提取的车位关联数据交叉进行多元校验,验证各项数据的一致性,比对结果作为后续特征数据的来源;
步骤t4:特征数据生成;将比对结果生成用于模型训练和模型应用的特征数据集,其中特征数分别代表各个特征集对应特征数量。
4.根据权利要求1所述的基于前置ε-ABRF算法的车位确权上链方法,其特征在于,所述步骤S20中训练随机森林模型的训练过程包括:
步骤M1:接收模型训练样本集;
步骤M2:对每个子样本集,从所有k个特征中随机选择j个特征,j∈{1,2,...,k},训练形成1棵CART分类树;
步骤M3:重复上述过程将g-1个样本集,及其对应的j个特征并行学习出g-1个完整的CART分类树记作:
,s∈{1,2,...,g-1};
步骤M4:设定污染参数值以及温度调谐参数带入目标函数进行计算,求取注意力权值的参数向量w{w1,...ws,...,wk},构成二次优化问题进行求解:
其中,用于计算落入第s棵树第i个叶子节点的样本特征的平均值;分别代表新落入第i个叶子节点的训练样本,代表第s棵树已落入第i个叶子节点的样本索引,代表落入第i个叶子节点样本计数;代表当前第s棵树落入i叶子节点的概率,由第i个叶子节点c类样本数据量比上第i个节点总的样本数量求得;代表第m个样本的标签分类one-hot向量;
步骤M5:根据参数向量w计算第s棵树所得注意力权重:
组合g-1棵数据的注意力权重得到模型:。
5.根据权利要求1-4中任意一项所述的基于前置ε-ABRF算法的车位确权上链方法,其特征在于,所述步骤S40中智能合约生成的过程包括:
步骤h1:分类结果接收;当权属研判结果标记生成后会触发智能合约的接收事件,用于接收车位权属分类结果;
步骤h2:分类结果校验;对车位权属分类结果进行校验,确认分类结果是否合规,校验通过后生成获取许可标记,反之则反馈问题,通知用户问题内容及处理建议;
步骤h3:车位关联信息获取;获取许可标记生成后,获取提取后的车位关联信息,并将车位关联信息与分类结果一并传递给权益证书生成单元;
步骤h4:权益证书生成;接收到车位关联信息和分类结果后,对数据进行加工。
6.根据权利要求5所述的基于前置ε-ABRF算法的车位确权上链方法,其特征在于,所述加工的过程包括:
步骤n1:生成唯一权属ID,用于根据确权记录所记录的权属ID顺延生成新的车位权属ID;
步骤n2:生成车位私钥,由代码随机生成由256位整数组成的私钥;
步骤n3:生成车位公钥,由私钥使用椭圆曲线数字签名算法生成对应公钥;
步骤n4:生成权益证书,由代码将车位权属ID、车位私钥、车位公钥用哈希算法进行映射计算,生成权益证书。
7.一种基于前置ε-ABRF算法的车位确权上链系统,所述ε-ABRF算法是基于注意力的随机森林算法,其特征在于,用来实施权利要求1-6中任意一项确权上链方法,包括:
信息交互模块,用于与用户进行交互并提供对外服务,完成信息采集功能;
数据获取模块,用于接收授权信息并根据授权获取车位关联信息,并将已确权信息与车位关联信息进行比对,比较是否重复确权;
数据预处理模块,用于对所述车位关联信息进行数据提取、比对,生成可用于算法模型计算的特征数据;
算法研判模块,用于根据所述特征数据进行模型训练、部署、应用,完成对车位的分类确权;
智能合约模块,用于校验车位分类确权结果并获取车位关联信息生成权益证书;
信息上链模块,用于所述权益证书的记录上链,并对外提供已确权信息。
8.根据权利要求7所述的基于前置ε-ABRF算法的车位确权上链系统,其特征在于,所述信息交互模块包括注册申请单元、信息上传及变更单元、问题反馈处置单元、授权提交单元;所述注册申请单元包括向用户提供账号注册、车位注册、确权申请功能,用于采集用户信息、车位基本信息,在用户补充完善授权信息并上传佐证材料后填报、发起确权申请;所述信息上传及变更单元包括车位权属相关证明材料上传校验功能,用于获取车位确权关键的佐证材料并从中获取车位关联信息;所述问题反馈处置单元用于从其他各个模块收集确权过程中存在的问题;所述授权提交单元用于进行用户授权、监管部门授权,获得用户及监管部门关于车位确权数据的获取授权。
9.根据权利要求7所述的基于前置ε-ABRF算法的车位确权上链系统,其特征在于,所述智能合约模块用于接受分类结果进行校验,校验通过后获取车位关联信息并生成权益证书;所述智能合约模块包括分类结果校验单元、车位关联信息获取单元、权益证书生成单元;所述分类结果校验单元在权属研判结果标记生成后接收分类结果并进行校验,确认分类结果是否合规,校验通过后生成获取许可标记;所述车位关联信息获取单元在接收获取许可标记后从数据预处理模块获取提取后的车位关联信息,并将车位关联信息与分类结果一并传递给权益证书生成单元;所述权益证书生成单元对所述车位关联信息和分类结果进行加工,并将所述加工结果经哈希算法生成权益证书。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310167134.1A CN115936636B (zh) | 2023-02-27 | 2023-02-27 | 基于前置ε-ABRF算法的车位确权上链方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310167134.1A CN115936636B (zh) | 2023-02-27 | 2023-02-27 | 基于前置ε-ABRF算法的车位确权上链方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115936636A CN115936636A (zh) | 2023-04-07 |
CN115936636B true CN115936636B (zh) | 2023-05-16 |
Family
ID=85823737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310167134.1A Active CN115936636B (zh) | 2023-02-27 | 2023-02-27 | 基于前置ε-ABRF算法的车位确权上链方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936636B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8386376B2 (en) * | 2004-02-09 | 2013-02-26 | American Express Travel Related Services Company, Inc. | System and method using enhanced authorization data to reduce travel-related transaction fraud |
CN111245602A (zh) * | 2019-12-27 | 2020-06-05 | 成都商通数治科技有限公司 | 基于区块链的数据确权方法及系统 |
CN113554310A (zh) * | 2021-07-23 | 2021-10-26 | 广西综合交通大数据研究院 | 基于智能合约的企业信用动态评估模型 |
CN113569226B (zh) * | 2021-09-22 | 2022-02-15 | 深圳市金蚁云数字科技有限公司 | 基于区块链的车位管理系统及方法 |
CN114357475A (zh) * | 2021-12-03 | 2022-04-15 | 福建省星云大数据应用服务有限公司 | 一种基于区块链的数据确权方法、系统、设备及介质 |
CN114978686B (zh) * | 2022-05-19 | 2024-06-21 | 中国银行股份有限公司 | 数字资产上链方法及装置 |
-
2023
- 2023-02-27 CN CN202310167134.1A patent/CN115936636B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115936636A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dhieb et al. | A secure ai-driven architecture for automated insurance systems: Fraud detection and risk measurement | |
Nawari et al. | Blockchain and building information modeling (BIM): Review and applications in post-disaster recovery | |
Gadekallu et al. | Blockchain-based attack detection on machine learning algorithms for IoT-based e-health applications | |
Perry | Machine learning and conflict prediction: a use case | |
Peng et al. | Blockchain for vehicular Internet of Things: Recent advances and open issues | |
Park et al. | Highway traffic accident prediction using VDS big data analysis | |
US10873457B1 (en) | Data structure having internal self-references suitable for immutably representing and verifying data generated over time | |
CN114762292A (zh) | 用于运输过程的动态权限指派和强制执行 | |
US11501315B2 (en) | Compliance verification of connected data | |
Huynh et al. | Provenance network analytics: an approach to data analytics using data provenance | |
CN113421165A (zh) | 一种绿色金融产品评估与管理的方法及系统 | |
Karger et al. | Blockchain for smart mobility—literature review and future research agenda | |
Laouar et al. | Towards blockchain-based urban planning: Application for waste collection management | |
Dong et al. | Developing high performance secure multi-party computation protocols in healthcare: a case study of patient risk stratification | |
Supriyanto et al. | Big Data and Artificial Intelligence in Policy Making: A Mini-Review Approach | |
CN115936636B (zh) | 基于前置ε-ABRF算法的车位确权上链方法及系统 | |
CN113487241A (zh) | 企业环保信用等级的分类方法、装置、设备及存储介质 | |
Suliman Eissa Mohammed et al. | Blockchain technology and the future of construction industry in the Arab region: applications, challenges, and future opportunities | |
Kazakzeh et al. | Framework for blockchain deployment: the case of educational systems | |
Richards et al. | What influences the accuracy of decision tree ensembles? | |
Sambare et al. | Literature review on waste management using blockchain | |
US20230070625A1 (en) | Graph-based analysis and visualization of digital tokens | |
Imteaj et al. | Foundations of blockchain: theory and applications | |
Anne et al. | Storing and securing the digital evidence in the process of digital forensics through blockchain technology | |
CR et al. | Blockchain-enabled Smart Contracts and the Internet of Things: Advancing the research agenda through a narrative review |
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 |