CN116129541A - 一种基于广义加性模型的逃费稽查方法、装置及设备 - Google Patents
一种基于广义加性模型的逃费稽查方法、装置及设备 Download PDFInfo
- Publication number
- CN116129541A CN116129541A CN202211697646.0A CN202211697646A CN116129541A CN 116129541 A CN116129541 A CN 116129541A CN 202211697646 A CN202211697646 A CN 202211697646A CN 116129541 A CN116129541 A CN 116129541A
- Authority
- CN
- China
- Prior art keywords
- probability
- license plate
- record
- inlet
- outlet
- 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
- 239000000654 additive Substances 0.000 title claims abstract description 77
- 230000000996 additive effect Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 36
- 238000007637 random forest analysis Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000012550 audit Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
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
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
-
- 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)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种基于广义加性模型的逃费稽查方法、装置及设备,本申请通过获取车牌的通行记录和门架交易流水记录,根据门架交易流水记录确定车牌挂靠的各车型的第一概率,根据通行记录预测车牌出现大车小标的第二概率,并确定车牌的入口来源地的第三概率,将第一概率第二概率和第三概率输入训练好的广义加性模型,得到广义加性模型输出的车牌的逃费稽查结果,相比于现有技术,本申请通过将三种概率输入广义加性模型,可以更准确的对车辆是否为“大车小标”的逃费车辆的进行判断,提高了车辆的逃费稽查的效率。
Description
技术领域
本申请涉及车辆计费领域,特别是一种基于广义加性模型的逃费稽查方法、装置及设备。
背景技术
随着全国高速公路“一张网”的实行,各省份取消高速公路省界收费站。为提高通行体验,力推不停车收费的ETC通行。但随着ETC渐渐普及,有部分不良大型货车、拖挂车司机利用ETC发行机构审核不严,在注册OBU时使用拖挂车或集装箱的车头进行注册,但在实际上路行驶时接挂或接集装箱。在该货车通过OBU车道驶出高速时,ETC设备会自动使用OBU内门架计费车型进行OBU金额累计计费,此时会因门架计费车型小于实际行驶车型,达到少缴纳通行费用的目的。
现有的查询逃费车辆方式主要通过人力主动查询,再加上逃费方式的不断变化,导致人力主动查询的效率十分低下,如何实现一种可以判断该车此行程是否为“大车小标”的逃费稽查方法是人们关注的问题。
发明内容
有鉴于此,本申请提供了一种基于广义加性模型的逃费稽查方法、装置及设备,用于提高车辆的逃费稽查的效率。
为了实现上述目的,现提出的方案如下:
一种基于广义加性模型的逃费稽查方法,包括:
获取车牌的通行记录和门架交易流水记录;
根据所述门架交易流水记录,确定所述车牌挂靠的各车型的第一概率;
根据所述通行记录,预测所述车牌出现大车小标的第二概率;
确定所述车牌的入口来源地的第三概率;
将所述第一概率、第二概率及第三概率输入广义加性模型,得到所述广义加性模型输出的所述车牌的逃费稽查结果;
其中,所述广义加性模型以样本车牌的第一概率、第二概率及第三概率作为训练样本,以样本车牌的逃费稽查结果作为训练标签训练得到。
可选的,所述通行记录包括入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量,根据所述通行记录,预测所述车牌出现大车小标的第二概率,包括:
将所述通行记录中的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量输入随机森林预测模型,得到所述随机森林预测模型输出的所述通行记录对应的车牌出现大车小标的第二概率;
其中,所述随机森林预测模型以样本通行记录的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量作为训练样本,以样本通行记录对应的车牌出现大车小标的第二概率作为训练标签训练得到。
可选的,所述门架交易流水记录包括历史门架交易流水记录和门架交易流水黑名单记录,根据所述门架交易流水记录,确定所述车牌挂靠的各车型的第一概率,包括:
根据所述历史门架交易流水记录,确定所述车牌挂靠的各车型的白名单概率;
根据所述门架交易流水黑名单记录,确定所述车牌挂靠的各车型的黑名单概率;
将所述白名单概率和所述黑名单概率组成所述第一概率。
可选的,将所述第一概率、第二概率及第三概率输入广义加性模型,得到所述广义加性模型输出的所述车牌的逃费稽查结果,包括:
利用如下公式计算所述第一概率、第二概率及第三概率:
M=λ1m1+λ2m2+λ3m3
其中,M表示逃费稽查结果,λ表示加性模型权重系数,m1表示第一概率,m2表示第二概率,m3表示第三概率。
可选的,入口来源地包括省内来源或邻近省来源或非邻近省外来源,确定所述车牌的入口来源地的第三概率,包括:
利用如下表达式分别表示第三概率:
其中,a表示省内来源次数,b表示邻近省来源次数,c表示非邻近省外来源次数。
可选的,所述随机森林预测模型包括:输入层、归一层、特征处理层和预测层;
所述随机森林预测模型的训练过程,包括:
通过输入层,获取样本通行记录中的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量;
通过归一层,将入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量归一化处理;
通过特征处理层,将归一化后的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量进行特征提取,得到特征向量;
通过预测层,基于所述特征向量确定所述样本通行记录对应的车牌出现大车小标的第二概率;
利用损失函数对确定的车牌出现大车小标的第二概率与所述样本通行记录对应的车牌出现大车小标的第二概率的差值进行计算,得到预测损失值;
根据所述预测损失值更新随机森林预测模型。
一种基于广义加性模型的逃费稽查装置,包括:
记录获取模块,用于获取车牌的通行记录和门架交易流水记录;
第一概率确定模块,用于根据所述门架交易流水记录,确定所述车牌挂靠的各车型的第一概率;
第二概率确定模块,用于根据所述通行记录,预测所述车牌出现大车小标的第二概率;
第三概率确定模块,用于确定所述车牌的入口来源地的第三概率;
广义加性模型模块,用于将所述第一概率、第二概率及第三概率输入广义加性模型,得到所述广义加性模型输出的所述车牌的逃费稽查结果,其中,所述广义加性模型以样本车牌的第一概率、第二概率及第三概率作为训练样本,以样本车牌的逃费稽查结果作为训练标签训练得到。
可选的,所述通行记录包括入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量,所述第二概率确定模块,包括:
第二概率确定子模块,用于将所述通行记录中的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量输入随机森林预测模型,得到所述随机森林预测模型输出的所述通行记录对应的车牌出现大车小标的第二概率,其中,所述随机森林预测模型以样本通行记录的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量作为训练样本,以样本通行记录对应的车牌出现大车小标的第二概率作为训练标签训练得到。
可选的,所述第一概率确定模块,包括:
白名单确定模块,用于根据所述历史门架交易流水记录,确定所述车牌挂靠的各车型的白名单概率;
黑名单确定模块,用于根据所述门架交易流水黑名单记录,确定所述车牌挂靠的各车型的黑名单概率;
第一概率组成模块,用于将所述白名单概率和所述黑名单概率组成所述第一概率。
一种基于广义加性模型的逃费稽查设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现前述基于广义加性模型的逃费稽查方法的各个步骤。
从上述的技术方案可以看出,本申请实施例提供的一种基于广义加性模型的逃费稽查方法,通过获取车牌的通行记录和门架交易流水记录,根据通行记录和门架交易流水记录确定车牌挂靠的各车型的第一概率、预测车牌出现大车小标的第二概率,并确定车牌的入口来源地的第三概率,将第一概率第二概率和第三概率输入训练好的广义加性模型,得到广义加性模型输出的车牌的逃费稽查结果,相比于现有技术,本申请通过将三种概率输入广义加性模型,可以更准确的对车辆是否为“大车小标”的逃费车辆的进行判断,提高了车辆的逃费稽查的效率。
附图说明
图1为本申请实施例提供的一种基于广义加性模型的逃费稽查方法流程图;
图2为本申请实施例提供的第一概率确定方法流程图;
图3为本申请实施例提供的一种基于广义加性模型的逃费稽查装置结构示意图;
图4为本申请实施例公开的一种基于广义加性模型的逃费稽查设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的一种基于广义加性模型的逃费稽查方法,该方法可以包括如下步骤:
步骤S100、获取车牌的通行记录和门架交易流水记录。
具体的,车牌的通行记录可以是包括入口和出口通行记录,通行记录和门架交易流水记录之间通过车牌进行关联,可以通过与高速交通相关平台获取车牌的通行记录和门架交易流水记录。
步骤S110、根据所述门架交易流水记录,确定所述车牌挂靠的各车型的第一概率。
具体的,门架交易流水记录存储有各车牌及其对应的各车型通过门架的交易记录流水,可以通过门架交易流水记录,统计通过门架的车牌挂靠的各车型的概率并作为第一概率。
步骤S120、根据所述通行记录,预测所述车牌出现大车小标的第二概率。
具体的,大车小标可以表示通过计费系统的实际车型比在计费系统注册的车型大,示例如在注册OBU(OnboardUnit车载单元)时使用拖挂车或集装箱的车头进行注册,但在实际上路行驶时接挂或接集装箱,在该货车通过OBU车道驶出高速时,ETC设备会自动使用OBU内门架计费车型进行OBU金额累计计费,此时会因门架计费车型小于实际行驶车型,达到少缴纳通行费用的目的,第二概率可以表示根据通行记录,预测出的车牌出现大车小标的概率。
步骤S130、确定所述车牌的入口来源地的第三概率。
具体的,第三概率可以表示车牌的入口来源地的各个概率,可以通过统计车牌的各个入口来源地来确定车牌的入口来源地的第三概率。
步骤S140、将所述第一概率、第二概率及第三概率输入广义加性模型,得到所述广义加性模型输出的所述车牌的逃费稽查结果。
具体的,广义加性模型以样本车牌的第一概率、第二概率及第三概率作为训练样本,以样本车牌的逃费稽查结果作为训练标签训练得到,将第一概率、第二概率及第三概率输入广义加性模型,得到广义加性模型输出的所述车牌的逃费稽查结果。
在上述实施例中,通过获取车牌的通行记录和门架交易流水记录,根据门架交易流水记录确定车牌挂靠的各车型的第一概率,根据通行记录预测车牌出现大车小标的第二概率,并确定车牌的入口来源地的第三概率,将第一概率第二概率和第三概率输入训练好的广义加性模型,得到广义加性模型输出的车牌的逃费稽查结果,相比于现有技术,本申请通过将三种概率输入广义加性模型,可以更准确的对车辆是否为“大车小标”的逃费车辆的进行判断,提高了车辆的逃费稽查的效率。
在本申请的一些实施例中,通行记录可以包括入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量,下面对步骤S120、根据所述通行记录,预测所述车牌出现大车小标的第二概率的过程进行介绍,该过程可以包括:
步骤S121、将所述通行记录中的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量输入随机森林预测模型,得到所述随机森林预测模型输出的所述通行记录对应的车牌出现大车小标的第二概率。
具体的,随机森林预测模型以样本通行记录的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量作为训练样本,以样本通行记录对应的车牌出现大车小标的第二概率作为训练标签训练得到,将通行记录中的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量输入随机森林预测模型,得到随机森林预测模型输出的所述通行记录对应的车牌出现大车小标的第二概率,随机森林预测模型可以包括随机森林算法,示例如由随机森林算法对输入的特征进行学习建模后,根据当趟流水输入的特征(如入口车型、入口重量等)输出存在大车小标这种行为的概率。
进一步的,随机森林预测模型可以包括:输入层、归一层、特征处理层和预测层;
随机森林预测模型的训练过程,可以包括:
通过输入层,获取样本通行记录中的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量;
通过归一层,将入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量归一化处理;
通过特征处理层,将归一化后的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量进行特征提取,得到特征向量;
通过预测层,基于特征向量确定所述样本通行记录对应的车牌出现大车小标的第二概率;
利用损失函数对确定的车牌出现大车小标的第二概率与样本通行记录对应的车牌出现大车小标的第二概率的差值进行计算,得到预测损失值;
根据预测损失值更新随机森林预测模型。
下面对本申请的一种归一化的应用场景进行介绍,以入口信息、出口信息为例:
以是否坐在“大车小标”行为作为标签,存在“大车小标”则视为“1”,不存在则视为“0”,对入口轴数、出口轴数进行线性归一化,归一化公式如下:
对入口车型、出口车型进行类别化独热编码,具体编码形式如下:
以入口车型为例,某货车入口车型在历史车型中存在三、四、五、六型车:
对其进行类别化独热编码后,生成新的特征如下:
对入口重量、出口重量进行对数变换,由于入口重量、出口重量由于收费站设备的原因,可能导致缺失。首先需要对缺失值以0进行填充后,再对其进行对数变换,对数变换公式如下:
Weight=ln(weight+1)
其中,Weight为变换后的重量,weight为变换前的重量,ln为以自然对数e为底的对数变换。
在本申请的一些实施例中,门架交易流水记录可以包括历史门架交易流水记录和门架交易流水黑名单记录,下面对步骤S110、根据所述门架交易流水记录,确定所述车牌挂靠的各车型的第一概率的过程进行介绍,如图2所示,该过程可以包括:
步骤S111、根据所述历史门架交易流水记录,确定所述车牌挂靠的各车型的白名单概率。
具体的,白名单概率可以表示从历史门架交易流水记录中,统计正常计费的车牌挂靠的各车型的概率,示例如某车牌A,在历史门架交易流水记录中,计费车型以六型车通行8次,三型车通行2次,此时该车为六型车的概率为80%。
步骤S112、根据所述门架交易流水黑名单记录,确定所述车牌挂靠的各车型的黑名单概率。
具体的,门架交易流水黑名单记录可以表示部级稽核平台中由各高速公路稽查人员发起的追缴工单,具有完整证据链且存在“大车小标”逃费行为的名单记录,黑名单概率可以表示通过门架交易流水黑名单记录,统计车牌挂靠的各车型的概率。
步骤S113、将所述白名单概率和所述黑名单概率组成所述第一概率。
具体的,第一概率可以表示白名单概率和黑名单概率的集合,将白名单概率和黑名单概率组成第一概率。
在本申请的一些实施例中,下面的对步骤S140、将所述第一概率、第二概率及第三概率输入广义加性模型,得到所述广义加性模型输出的所述车牌的逃费稽查结果的过程进行介绍,该过程可以包括:
利用如下公式计算第一概率、第二概率及第三概率:
M=λ1m1+λ2m2+λ3m3
具体的,M表示逃费稽查结果,λ表示加性模型权重系数,m1表示第一概率,m2表示第二概率,m3表示第三概率,可以根据业务经验调整各模型权重,如:λ1为0.6,λ2为0.3,λ3为0.1,
M=0.6*m1+0.3*m2+0.1*m3
进一步的,若最终概率M大于设定的阈值时,则可以认为该车存在“大车小标”逃费行为。
在本申请的一些实施例中,下面对步骤S130、确定所述车牌的入口来源地的第三概率的过程进行介绍,该过程可以包括:
利用如下表达式分别表示第三概率:
具体的,a表示省内来源次数,b表示邻近省来源次数,c表示非邻近省外来源次数,示例如某一货车,“广东省内来源”次数为a,“广东邻近省外来源”次数为b,“广东省非邻近省外来源”次数为c,此时各来源地的概率变为:分母中的3为类型数(即“广东省内来源”、“广东邻近省外来源”、“广东省非邻近省外来源”)。
下面对本申请实施例提供的基于广义加性模型的逃费稽查装置进行描述,下文描述的基于广义加性模型的逃费稽查装置与上文描述的基于广义加性模型的逃费稽查方法可相互对应参照。
如图3所示,其公开了一种基于广义加性模型的逃费稽查装置的结构示意图,该基于广义加性模型的逃费稽查装置可以包括:
记录获取模块11,用于获取车牌的通行记录和门架交易流水记录;
第一概率确定模块12,用于根据所述门架交易流水记录,确定所述车牌挂靠的各车型的第一概率;
第二概率确定模块13,用于根据所述通行记录,预测所述车牌出现大车小标的第二概率;
第三概率确定模块14,用于确定所述车牌的入口来源地的第三概率;
广义加性模型模块15,用于将所述第一概率、第二概率及第三概率输入广义加性模型,得到所述广义加性模型输出的所述车牌的逃费稽查结果,其中,所述广义加性模型以样本车牌的第一概率、第二概率及第三概率作为训练样本,以样本车牌的逃费稽查结果作为训练标签训练得到。
可选的,所述通行记录包括入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量,所述第二概率确定模块13,包括:
第二概率确定子模块,用于将所述通行记录中的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量输入随机森林预测模型,得到所述随机森林预测模型输出的所述通行记录对应的车牌出现大车小标的第二概率,其中,所述随机森林预测模型以样本通行记录的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量作为训练样本,以样本通行记录对应的车牌出现大车小标的第二概率作为训练标签训练得到。
可选的,所述第一概率确定模块,包括:
白名单确定模块,用于根据所述历史门架交易流水记录,确定所述车牌挂靠的各车型的白名单概率;
黑名单确定模块,用于根据所述门架交易流水黑名单记录,确定所述车牌挂靠的各车型的黑名单概率;
第一概率组成模块,用于将所述白名单概率和所述黑名单概率组成所述第一概率。
可选的,广义加性模型模块15,包括:
广义加性模型子模块,用于利用如下公式计算所述第一概率、第二概率及第三概率:
M=λ1m1+λ2m2+λ3m3
其中,M表示逃费稽查结果,λ表示加性模型权重系数,m1表示第一概率,m2表示第二概率,m3表示第三概率。
可选的,入口来源地包括省内来源或邻近省来源或非邻近省外来源,第三概率确定模块14,包括:
第三概率确定子模块,用于利用如下表达式分别表示第三概率:
其中,a表示省内来源次数,b表示邻近省来源次数,c表示非邻近省外来源次数。
可选的,随机森林预测模型包括:输入层、归一层、特征处理层和预测层,该装置还包括:
随机森林训练模块,用于通过输入层,获取样本通行记录中的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量;
通过归一层,将入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量归一化处理;
通过特征处理层,将归一化后的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量进行特征提取,得到特征向量;
通过预测层,基于所述特征向量确定所述样本通行记录对应的车牌出现大车小标的第二概率;
利用损失函数对确定的车牌出现大车小标的第二概率与所述样本通行记录对应的车牌出现大车小标的第二概率的差值进行计算,得到预测损失值;
根据所述预测损失值更新随机森林预测模型。
本申请实施例提供的基于广义加性模型的逃费稽查装置可应用于基于广义加性模型的逃费稽查设备。基于广义加性模型的逃费稽查设备可以是终端。图4示出了基于广义加性模型的逃费稽查设备的硬件结构框图,参照图4,基于广义加性模型的逃费稽查设备的硬件结构可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取车牌的通行记录和门架交易流水记录;
根据所述门架交易流水记录,确定所述车牌挂靠的各车型的第一概率;
根据所述通行记录,预测所述车牌出现大车小标的第二概率;
确定所述车牌的入口来源地的第三概率;
将所述第一概率、第二概率及第三概率输入广义加性模型,得到所述广义加性模型输出的所述车牌的逃费稽查结果;
其中,所述广义加性模型以样本车牌的第一概率、第二概率及第三概率作为训练样本,以样本车牌的逃费稽查结果作为训练标签训练得到。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质,该存储介质可存储有适于处理器执行的程序,所述程序用于:
获取车牌的通行记录和门架交易流水记录;
根据所述门架交易流水记录,确定所述车牌挂靠的各车型的第一概率;
根据所述通行记录,预测所述车牌出现大车小标的第二概率;
确定所述车牌的入口来源地的第三概率;
将所述第一概率、第二概率及第三概率输入广义加性模型,得到所述广义加性模型输出的所述车牌的逃费稽查结果;
其中,所述广义加性模型以样本车牌的第一概率、第二概率及第三概率作为训练样本,以样本车牌的逃费稽查结果作为训练标签训练得到。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,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。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以相互组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,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 (10)
1.一种基于广义加性模型的逃费稽查方法,其特征在于,包括:
获取车牌的通行记录和门架交易流水记录;
根据所述门架交易流水记录,确定所述车牌挂靠的各车型的第一概率;
根据所述通行记录,预测所述车牌出现大车小标的第二概率;
确定所述车牌的入口来源地的第三概率;
将所述第一概率、第二概率及第三概率输入广义加性模型,得到所述广义加性模型输出的所述车牌的逃费稽查结果;
其中,所述广义加性模型以样本车牌的第一概率、第二概率及第三概率作为训练样本,以样本车牌的逃费稽查结果作为训练标签训练得到。
2.根据权利要求1所述的方法,其特征在于,所述通行记录包括入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量,根据所述通行记录,预测所述车牌出现大车小标的第二概率,包括:
将所述通行记录中的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量输入随机森林预测模型,得到所述随机森林预测模型输出的所述通行记录对应的车牌出现大车小标的第二概率;
其中,所述随机森林预测模型以样本通行记录的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量作为训练样本,以样本通行记录对应的车牌出现大车小标的第二概率作为训练标签训练得到。
3.根据权利要求1所述的方法,其特征在于,所述门架交易流水记录包括历史门架交易流水记录和门架交易流水黑名单记录,根据所述门架交易流水记录,确定所述车牌挂靠的各车型的第一概率,包括:
根据所述历史门架交易流水记录,确定所述车牌挂靠的各车型的白名单概率;
根据所述门架交易流水黑名单记录,确定所述车牌挂靠的各车型的黑名单概率;
将所述白名单概率和所述黑名单概率组成所述第一概率。
4.根据权利要求1所述的方法,其特征在于,将所述第一概率、第二概率及第三概率输入广义加性模型,得到所述广义加性模型输出的所述车牌的逃费稽查结果,包括:
利用如下公式计算所述第一概率、第二概率及第三概率:
M=λ1m1+λ2m2+λ3m3
其中,M表示逃费稽查结果,λ表示加性模型权重系数,m1表示第一概率,m2表示第二概率,m3表示第三概率。
6.根据权利要求2所述的方法,其特征在于,所述随机森林预测模型包括:输入层、归一层、特征处理层和预测层;
所述随机森林预测模型的训练过程,包括:
通过输入层,获取样本通行记录中的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量;
通过归一层,将入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量归一化处理;
通过特征处理层,将归一化后的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量进行特征提取,得到特征向量;
通过预测层,基于所述特征向量确定所述样本通行记录对应的车牌出现大车小标的第二概率;
利用损失函数对确定的车牌出现大车小标的第二概率与所述样本通行记录对应的车牌出现大车小标的第二概率的差值进行计算,得到预测损失值;
根据所述预测损失值更新随机森林预测模型。
7.一种基于广义加性模型的逃费稽查装置,其特征在于,包括:
记录获取模块,用于获取车牌的通行记录和门架交易流水记录;
第一概率确定模块,用于根据所述门架交易流水记录,确定所述车牌挂靠的各车型的第一概率;
第二概率确定模块,用于根据所述通行记录,预测所述车牌出现大车小标的第二概率;
第三概率确定模块,用于确定所述车牌的入口来源地的第三概率;
广义加性模型模块,用于将所述第一概率、第二概率及第三概率输入广义加性模型,得到所述广义加性模型输出的所述车牌的逃费稽查结果,其中,所述广义加性模型以样本车牌的第一概率、第二概率及第三概率作为训练样本,以样本车牌的逃费稽查结果作为训练标签训练得到。
8.根据权利要求7所述的装置,其特征在于,所述通行记录包括入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量,所述第二概率确定模块,包括:
第二概率确定子模块,用于将所述通行记录中的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量输入随机森林预测模型,得到所述随机森林预测模型输出的所述通行记录对应的车牌出现大车小标的第二概率,其中,所述随机森林预测模型以样本通行记录的入口车型、出口车型、入口轴数、出口轴数、入口重量和出口重量作为训练样本,以样本通行记录对应的车牌出现大车小标的第二概率作为训练标签训练得到。
9.根据权利要求7所述的装置,其特征在于,所述第一概率确定模块,包括:
白名单确定模块,用于根据所述历史门架交易流水记录,确定所述车牌挂靠的各车型的白名单概率;
黑名单确定模块,用于根据所述门架交易流水黑名单记录,确定所述车牌挂靠的各车型的黑名单概率;
第一概率组成模块,用于将所述白名单概率和所述黑名单概率组成所述第一概率。
10.一种基于广义加性模型的逃费稽查设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1-6任一项的基于广义加性模型的逃费稽查方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697646.0A CN116129541B (zh) | 2022-12-28 | 2022-12-28 | 一种基于广义加性模型的逃费稽查方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697646.0A CN116129541B (zh) | 2022-12-28 | 2022-12-28 | 一种基于广义加性模型的逃费稽查方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116129541A true CN116129541A (zh) | 2023-05-16 |
CN116129541B CN116129541B (zh) | 2024-03-01 |
Family
ID=86305797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211697646.0A Active CN116129541B (zh) | 2022-12-28 | 2022-12-28 | 一种基于广义加性模型的逃费稽查方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116129541B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732205A (zh) * | 2015-03-09 | 2015-06-24 | 江苏省邮电规划设计院有限责任公司 | 一种高速公路逃费稽查的系统 |
CN109360280A (zh) * | 2018-08-22 | 2019-02-19 | 东软集团股份有限公司 | 建立逃漏费识别模型的方法、装置、存储介质及电子设备 |
CN110164134A (zh) * | 2018-02-12 | 2019-08-23 | 华为技术有限公司 | 信息处理的方法和装置 |
CN110516932A (zh) * | 2019-08-12 | 2019-11-29 | 广东利通科技投资有限公司 | 交通行为信息处理方法、装置、计算机设备和存储介质 |
CN112581642A (zh) * | 2020-12-02 | 2021-03-30 | 四川铁投信息技术产业投资有限公司 | 一种基于高速公路门架计费数据的偷逃费车辆稽查方法 |
CN112967410A (zh) * | 2021-02-02 | 2021-06-15 | 重庆首讯科技股份有限公司 | 一种基于最长公共子序列的偷逃通行费车辆识别方法 |
CN113569899A (zh) * | 2021-06-04 | 2021-10-29 | 广州天长信息技术有限公司 | 偷逃费行为智能分类方法、存储介质和终端 |
CN115481812A (zh) * | 2022-09-30 | 2022-12-16 | 广州天长信息技术有限公司 | 一种基于隐马尔科夫模型的绿通车混装预测方法 |
-
2022
- 2022-12-28 CN CN202211697646.0A patent/CN116129541B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732205A (zh) * | 2015-03-09 | 2015-06-24 | 江苏省邮电规划设计院有限责任公司 | 一种高速公路逃费稽查的系统 |
CN110164134A (zh) * | 2018-02-12 | 2019-08-23 | 华为技术有限公司 | 信息处理的方法和装置 |
US20200342430A1 (en) * | 2018-02-12 | 2020-10-29 | Huawei Technologies Co., Ltd. | Information Processing Method and Apparatus |
CN109360280A (zh) * | 2018-08-22 | 2019-02-19 | 东软集团股份有限公司 | 建立逃漏费识别模型的方法、装置、存储介质及电子设备 |
CN110516932A (zh) * | 2019-08-12 | 2019-11-29 | 广东利通科技投资有限公司 | 交通行为信息处理方法、装置、计算机设备和存储介质 |
CN112581642A (zh) * | 2020-12-02 | 2021-03-30 | 四川铁投信息技术产业投资有限公司 | 一种基于高速公路门架计费数据的偷逃费车辆稽查方法 |
CN112967410A (zh) * | 2021-02-02 | 2021-06-15 | 重庆首讯科技股份有限公司 | 一种基于最长公共子序列的偷逃通行费车辆识别方法 |
CN113569899A (zh) * | 2021-06-04 | 2021-10-29 | 广州天长信息技术有限公司 | 偷逃费行为智能分类方法、存储介质和终端 |
CN115481812A (zh) * | 2022-09-30 | 2022-12-16 | 广州天长信息技术有限公司 | 一种基于隐马尔科夫模型的绿通车混装预测方法 |
Non-Patent Citations (3)
Title |
---|
刘昱岗: "基于历史通行数据的假冒绿通车逃费行为预测", 公路交通科技 * |
杨朋涛: "基于大数据的通行费异常车辆识别算法研究", 中国优秀硕士学位论文全文数据库 * |
柏元元: "高速公路收费站异常数据的监测与逃费数据的预警研究", 中国优秀硕士学位论文全文库 * |
Also Published As
Publication number | Publication date |
---|---|
CN116129541B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784587A (zh) | 一种驾驶行为评价系统 | |
CN112687099B (zh) | 一种超载嫌疑车辆判定方法和装置 | |
CN107680198B (zh) | 共享自行车系统及在该系统中确定共享自行车车况的方法 | |
CN108932255B (zh) | 一种车辆综合能力分析方法及装置 | |
CN112967497B (zh) | 共享汽车监管系统及监管方法 | |
CN114462553A (zh) | 一种面向车险反欺诈的图像标注及要素抽取方法与系统 | |
CN104794184A (zh) | 一种基于大规模数据的贝叶斯分类算法的黑车识别方法 | |
CN106651732A (zh) | 一种高速公路异车换卡逃费车辆筛查方法及系统 | |
CN114509081B (zh) | 基于差异化收费计算车辆通行成本的方法以及装置 | |
CN115034821A (zh) | 一种车辆估值方法、装置、计算机设备及存储介质 | |
CN116129541B (zh) | 一种基于广义加性模型的逃费稽查方法、装置及设备 | |
CN113888312A (zh) | 确定业务额度的方法、装置、电子设备及介质 | |
CN111695767A (zh) | 高速公路路网通行效率评估方法、电子设备、存储介质 | |
CN115170248A (zh) | 一种基于大数据的汽车租赁信用信息分析管理方法 | |
CN114201530B (zh) | 一种疑似非正常营运客车提前甄别及预防式监管方法 | |
CN113421434B (zh) | 用于公路治超非现场执法的超限超载率计算方法 | |
CN114331181A (zh) | 基于大数据的车辆驾驶行为风险分析方法 | |
CN111489556B (zh) | 一种营运车辆挂靠行为的判断方法 | |
CN112163807A (zh) | 一种省域在地公路货物运输量的统计方法 | |
CN111508093A (zh) | 一种用于高速公路的过路费预算系统 | |
CN117373259B (zh) | 高速公路车辆逃费行为识别方法、装置、设备和存储介质 | |
CN112991134B (zh) | 行车路径还原测算方法、装置和电子设备 | |
CN116561604B (zh) | 货车的识别方法、装置、电子设备及介质 | |
Kang | Data and Algorithmic Modeling Approaches in Crash Analysis | |
CN117315943B (zh) | 一种超限运输违法监测分析与预警方法及系统 |
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 |