CN118097970B - 一种面向车联网的车辆超载风险评估模型构建方法及装置 - Google Patents
一种面向车联网的车辆超载风险评估模型构建方法及装置 Download PDFInfo
- Publication number
- CN118097970B CN118097970B CN202410496137.4A CN202410496137A CN118097970B CN 118097970 B CN118097970 B CN 118097970B CN 202410496137 A CN202410496137 A CN 202410496137A CN 118097970 B CN118097970 B CN 118097970B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- representing
- overload
- time
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 30
- 238000010276 construction Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 98
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000007637 random forest analysis Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000007477 logistic regression Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000003068 static effect Effects 0.000 claims description 24
- 238000003066 decision tree Methods 0.000 claims description 12
- 229940029329 intrinsic factor Drugs 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 8
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 230000006855 networking Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000003491 array Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000018777 Vulvar intraepithelial neoplasia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Abstract
本发明提出了一种面向车联网的车辆超载风险评估模型构建方法及装置,涉及智能交通技术领域,所述方法包括采集预设路段中的道路信息和车辆信息;构建基于Memory Block的神经网络模型,将所述道路信息和所述车辆信息作为训练集导入所述神经网络模型,以使所述神经网络模型输出目标车辆的全局状态向量;设定车辆超载变量,并将所述全局状态向量与所述车辆超载变量进行映射,以获取与所述全局状态向量对应的多维数组;基于所述多维数组、Logistic回归模型以及随机森林,分别获取所述目标车辆的超载概率和超载类别,并得到所述目标车辆的超载风险预测结果。本申请有助于提升车辆超载风险评估模型的超载车辆预测的准确度。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种面向车联网的车辆超载风险评估模型构建方法及装置。
背景技术
在车联网环境中,车辆能够与基站进行通信,也能够与其它车辆进行通信,云服务器与基站和车辆都能够进行通信,在保证车间通信有效性的基础上,车辆获得的信息保持一致性,可以防止因为信息不对称问题造成的判断失误,发生交通事故。如何预测多车协同中的超载交通风险,并最大限度地降低交通事故发生的几率成为一个急需解决的问题。
公开号为CN116913100A的中国专利公开了一种用于交通卡口的车辆超载监控方法及系统,包括:获得多个车辆图像数据,其中包括车辆轮胎图像;进行车辆类型识别,确定车辆承载最大值,包括人员数量最大值和承载重量最大值;确定车辆超载阈值,包括人员超载阈值和重量超载阈值;构建车辆超载识别模型,包括人员超载识别单元和重量超载识别单元;对多个所述车辆图像数据进行识别,获得人员承载信息和重量承载信息;当人员承载信息不满足人员超载阈值,且/或重量承载信息不满足重量超载阈值时,生成超载预警信息。但是上述方案仅使用单一重量阈值对车辆超载状态进行判断较为困难,并且图像检测的准确度往往存在误差,导致超载车辆预测困难。因此,提供一种面向车联网的车辆超载风险评估模型构建方法及装置,来提升车辆超载风险评估模型的超载车辆预测的准确度,是非常有必要的。
发明内容
有鉴于此,本发明提出了一种面向车联网的车辆超载风险评估模型构建方法及装置。通过基于Memory Block的神经网络模型、全局状态向量与车辆超载变量映射关系以及随机森林的配合,以提升车辆超载风险评估模型的超载车辆预测的准确度。
本发明提供了一种面向车联网的车辆超载风险评估模型构建方法,所述方法包括:
采集预设路段中的道路信息和车辆信息;
构建基于Memory Block的神经网络模型,将所述道路信息和所述车辆信息作为训练集导入所述神经网络模型,以使所述神经网络模型输出目标车辆的全局状态向量;
设定车辆超载变量,并将所述全局状态向量与所述车辆超载变量进行映射,以获取与所述全局状态向量对应的多维数组;
基于所述多维数组、Logistic回归模型以及随机森林,分别获取所述目标车辆的超载概率和超载类别,并得到所述车辆的超载风险预测结果。
在以上技术方案的基础上,优选的,所述神经网络模型包括输入层、隐藏层以及输出层,所述输入层用于接收所述道路信息和所述车辆信息,所述隐藏层对输入的所述道路信息和所述车辆信息进行特征向量提取,以获取车辆特征向量,所述输出层用于根据所述车辆特征向量输出目标车辆的全局状态向量。
在以上技术方案的基础上,优选的,所述神经网络模型可以表示为:
其中,表示处于t时刻输入层状态,表示激活函数,表示所述神经网络模型的输入数据,表示输入层中与对应的权重矩阵,表示t时刻隐藏层状态,表示t-1时刻隐藏层状态,表示输入层中与对应的权重矩阵,表示输入层的偏置项,表示双曲正切函数,表示两个向量的标量积,表示t时刻输出层状态,表示输出层中与对应阵,表示输出层中与对应的权重矩阵,表示t-1时刻输出层获取的特征向量,表示输出层中与对应的权重矩阵,表示输出层的偏置项。
更进一步优选的,所述全局状态向量表示为:
其中,表示在一次行程i中,目标车辆j处于位置l和时间t时的全局状态向量,表示在一次行程i中,目标车辆j的静态固有因子,表示在一次行程i中,目标车辆j处于位置l和时间t时的动态因子,表示在一次行程i中,目标车辆j处于位置l和时间t时的状态变量,表示在一次行程i中,目标车辆j处于位置l和时间t时的周围环境变量。
更进一步优选的,所述将所述全局状态向量与所述车辆超载变量进行映射,以获取与所述全局状态向量对应的多维数组,具体包括:
基于采样时间和高频时变变量,构建与所述全局状态向量对应的时间序列和事件变量;
基于所述时间序列和所述事件变量,构建所述多维数组。
更进一步优选的,所述时间序列、所述事件变量以及所述多维数组分别表示为:
其中,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的时间序列,表示在一次行程i中,目标车辆j在位置l与位置L之差以及时间t至时间T之差的动态因子,表示在一次行程i中,目标车辆j在位置l与位置L之差以及时间t至时间T之差的状态变量,表示在一次行程i中,目标车辆j处于位置l和时间t时的动态因子,表示在一次行程i中,目标车辆j处于位置l和时间t时的状态变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的事件变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的周围环境变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的全局状态向量,表示在一次行程i中,目标车辆j的静态固有因子。
更进一步优选的,所述基于所述多维数组、Logistic回归模型以及随机森林,分别获取所述目标车辆的超载概率和超载类别,具体包括:
根据所述多维数组、所述车辆超载变量以及Logistic回归模型,获取所述目标车辆的超载风险概率;
基于所述随机森林和所述车辆特征向量,获取所述目标车辆的超载类别。
更进一步优选的,所述超载风险概率表示为:
其中,表示超载风险概率,pr( )表示概率分布函数,表示在一次行程i中,目标车辆j处于位置l和时间t时的超载状态,a表示所述目标车辆的超载类别,表示数据驱动函数,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的全局状态向量,表示所述目标车辆的超载风险预测概率,表示返回最大值索引函数。
更进一步优选的,所述随机森林具体表示为:
其中,表示不确定性测度函数,p( )表示条件概率分布函数,x表示所述目标车辆的车辆特征向量,n表示所述随机森林的单个叶子节点,表示叶子节点上的属性均值,表示叶子节点上的方差,m表示第m个决策树,表示第m个决策树对应的叶子节点,M为决策树的数量。
在本申请的第二方面提供了一种面向车联网的车辆超载风险评估模型构建装置,所述车辆超载风险评估模型构建装置包括数据采集模块、模型构建模块以及数据处理模块,其中,
所述数据采集模块用于采集预设路段中的道路信息和车辆信息;
所述模型构建模块用于构建基于Memory Block的神经网络模型,将所述道路信息和所述车辆信息作为训练集导入所述神经网络模型,以使所述神经网络模型输出目标车辆的全局状态向量;
所述数据处理模块用于设定车辆超载变量,并将所述全局状态向量与所述车辆超载变量进行映射,以获取与所述全局状态向量对应的多维数组,基于所述多维数组、Logistic回归模型以及随机森林,分别获取所述目标车辆的超载概率和超载类别,并得到所述目标车辆的超载风险预测结果。
本发明提供的一种面向车联网的车辆超载风险评估模型构建方法及装置相对于现有技术具有以下有益效果:
(1)通过基于Memory Block的神经网络模型对预设路段中采集到的信息进行处理获取全局状态向量,并根据全局状态向量与车辆超载变量映射得到的多维数组进行随机森林分类,实现车辆超载风险评估模型的构建,使得车辆超载风险评估模型输出的超载概率和超载类别,既能根据所采集的动态数据和静态数据进行车辆超载类型预测,同时也能根据通过车辆超载风险评估模型提前预判车辆的超载行为,做针对性排查和风险解除,可以极大减少人力、物力和财力的同时提高交通通行效率,同时基于Memory Block的神经网络模型与随机森林的组合也能够提升超载车辆预测的准确度;
(2)通过全局状态向量与车辆超载变量进行映射,使得神经网络模型既能保有静态因素,也能保有动态因素,使得时间序列与事件变量构建同时具有静态因子和动态因子的多维数组,同时通过对多维数组进行概率求解,能够实时获取目标车辆的超载概率和超载种类,使得车辆超载概率评估更加及时、准确、可靠,提升了车辆超载概率预测的效果。
附图说明
为了更清楚地说明本发明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,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的面向车联网的车辆超载风险评估模型构建方法的流程示意图;
图2为本发明提供的车辆超载风险评估模型构建装置的结构示意图;
图3为本发明提供的电子设备的结构示意图。
附图标记说明:1、车辆超载风险评估模型构建装置;11、数据采集模块;12、模型构建模块;13、数据处理模块;2、电子设备;21、处理器;22、通信总线;23、用户接口;24、网络接口;25、存储器。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
本申请实施例公开一种面向车联网的车辆超载风险评估模型构建方法,如图1所示,该方法的步骤包括S1~S4。
步骤S1,采集预设路段中的道路信息和车辆信息。
在本步骤中,预设路段中的道路信息和车辆信息可通过监控交通道路上行驶的车辆状况的摄像机,比如预设路段、事故频发路段、高速路段等地的监控摄像头、电子警察、深度摄像机、无人机等等,还可以是监控交通道路的雷达或者卫星。监控数据包括交通道路上行驶的车辆的视频、图像或者点云(point cloud)信息,本申请不作具体限定。同时可以通过以上监控装置获取车辆的车牌号、车型情况以及行驶速度等信息,以传输至云服务器中。
在一个示例中,通过预设路段车辆的行驶速度可以通过监控设备将监控数据传输至任一计算机设备中,以使该计算机设备可以执行通过预设路段车辆的行驶速度确定功能。其中,计算机设备可以为个人电脑(PersonalComputer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
在本实施例中,可以在预设路段至少设置两个摄像头(第一摄像头和第二摄像头),第一摄像头和第二摄像头可以设置于预设路段的出入口位置,比如,第一摄像头可以设置于预设路段的入口位置,第二摄像头可以设置于预设路段的出口位置。其中,本申请对第一摄像头和第二摄像头的个数不作限制,即第一摄像头和第二摄像头的个数可以为至少一个。应当理解的是,当在各预设路段的出入口分别设置多个第一摄像头和多个第二摄像头时,可以扩大取景范围,提升车辆信息采集的全面性。第一摄像头和第二摄像头可以实时采集图像,当目标车辆驶入预设路段的入口时,第一摄像头可以采集到包含该车辆驶入预设路段的图像,其中,车辆驶入预设路段的图像表示该车辆为预设时间段内第一次进入第一摄像头的取景范围,因此可以将预设时间段内,第一摄像头采集的各图像中,第一次出现该车辆的图像,作为对应的车辆驶入预设路段的图像,以及将该车辆驶入预设路段的图像的采集时刻,作为该车辆的通过时刻,记为第一时刻。
同理,当车辆从预设路段的入口行驶至出口时,第二摄像头连续采集的图像中可以包含该车辆,当车辆驶出预设路段的出口时,第二摄像头在连续多次采集包含该车辆的图像后,将无法未捕捉到该车辆,因此,可以将第二摄像头在可视范围内采集的连续多帧包含该车辆的图像中,最后一帧包含该车辆的图像,作为车辆驶出预设路段的图像,以及将该车辆驶出预设路段的图像的采集时刻,作为该车辆的通过时刻,记为第二时刻。根据车辆的行驶轨迹,确定第一时刻和第二时刻之间的行驶距离并以第一时刻和第二时刻之差计算改车辆的形式速度。
步骤S2,构建基于Memory Block的神经网络模型,将道路信息和车辆信息作为训练集导入神经网络模型,以使神经网络模型输出目标车辆的全局状态向量。
在本步骤中,神经网络模型包括输入层、隐藏层以及输出层,输入层用于接收道路信息和车辆信息,隐藏层对输入的道路信息和车辆信息进行特征向量提取,以获取车辆特征向量,输出层用于根据车辆特征向量输出目标车辆的全局状态向量。在提取特征向量时,可以采用模型计算、分组聚合或表达式计算的方式,模型计算过程中派生数据是以历史数据和模型数据的指标作为自变量,其中,历史数据包括历史车辆信息、历史道路信息以及历史交通信息,分组聚合是按照不同维度进行的分组聚合数据,聚合函数包括:合计、平均、最大值、最小值、加权平均值,表达式计算是以自变量在相同的维度背景下通过表达式对数据进行运算。
神经网络模型可以表示为:
输入层:
隐藏层:
输出层:
其中,表示处于t时刻输入层状态,表示激活函数,表示神经网络模型的输入数据,表示输入层中与对应的权重矩阵,表示t时刻隐藏层状态,表示t-1时刻隐藏层状态,表示输入层中与对应的权重矩阵,表示输入层的偏置项,表示双曲正切函数,表示两个向量的标量积,表示t时刻输出层状态,表示输出层中与对应阵,表示输出层中与对应的权重矩阵,表示t-1时刻输出层获取的特征向量,且,表示输出层中与对应的权重矩阵,表示输出层的偏置项。其中,激活函数可以表示为。
全局状态向量表示为:
其中,表示在一次行程i中,目标车辆j处于位置l和时间t时的全局状态向量,表示在一次行程i中,目标车辆j的静态固有因子,静态固有因子包含车辆的品牌、型号、轴距、购买时间、使用地,以及低频率变化因素,如车辆的维护状况和使用状况,在某次行程中这些因素保持不变,但从一次行程到另一次行程可能会发生改变;表示在一次行程i中,目标车辆j处于位置l和时间t时的动态因子,动态因子包括车辆的运动速度、加速度、胎压、油耗以及车辆采集设备收集的各项数据指标;表示在一次行程i中,目标车辆j处于位置l和时间t时的状态变量,状态变量表示目标车辆是否处于超载和失衡状态;表示在一次行程i中,目标车辆j处于位置l和时间t时的周围环境变量,周围环境变量包括道路状况变量、天气变量以及时间变量等信息。
在一个示例中,通过车联网采集目标车辆的历史数据、静态数据(静态固有因子)和动态数据(动态因子)。历史数据可以通过目标车辆的车载诊断系统(OBD-II)获取,通过车载诊断系统读取车辆的操作和维护历史,同时通过接入OBD-II接口车联网系统可以读取到车辆的故障码、维护记录等历史数据,车联网可以通过车辆信息管理系统的网络接口或数据共享协议读取记录车辆的销售、维修和保养历史。静态数据可以通过车辆注册信息进行读取,车联网系统可以通过访问政府机构或制造商的数据库获取静态数据如车型、制造商、VIN等通常数据,车联网系统可以直接从车辆内部系统中读取车载信息系统内置的信息,如车辆配置(辆的品牌、型号、轴距、购买时间、使用地等低频率变化数据)和用户设置等。动态数据采集可以通过车载传感器实时监测车速、加速度、转向角度、刹车力度、油耗、引擎温度等,这些车载传感器实时生成的数据被车载计算单元收集并传输至车联网系统,车联网系统通过GPS设备实时接收车辆的地理位置信息,车辆内置的通信模块(如4G/5G模块、Wi-Fi)允许车辆与车联网系统进行通信。
在一个示例中,天气变量可被划分成路段湿滑风险、路段结冰风险、路段积水风险、路段积雪风险、路段团雾风险、路段能见度过低风险和路段强风影响这7个风险变量,道路状况变量被划分成交通拥堵风险、流量异常激增风险、大车比例过高风险和客货混行严重风险4个风险变量。
步骤S3,设定车辆超载变量,并将全局状态向量与车辆超载变量进行映射,以获取与全局状态向量对应的多维数组。
通过全局状态向量与车辆超载变量进行映射,使得神经网络模型既能保有静态因素,也能保有动态因素,使得时间序列与事件变量构建同时具有静态因子和动态因子的多维数组,同时通过对多维数组进行概率求解,能够实时获取目标车辆的超载概率和超载种类,使得车辆超载概率评估更加及时、准确、可靠,提升了车辆超载概率预测的效果。
在本步骤中,在本实施例中,在一次行程j中,目标车辆i在位置l和时间t的超载状态可以用描述,取值为0,1和-1三类,分别为正常、超载和其它:
步骤S3还包括步骤S31~S32。
步骤S31,基于采样时间和高频时变变量,构建与全局状态向量对应的时间序列和事件变量。
在本步骤中,设定是恒定的时间步长(采样时间),并同时获取在采样时间内中目标车辆的动态因子,如运动速度、加速度、胎压、油耗等是高频时变变量,将该高频时变变量用时间序列来表示,同时目标车辆的静态固有因子和周围环境,如轴距和天气等变化较少,可以假设在短时间范围内不变,其中n是一定范围内的时间步长数或时间序列的长度,可以用事件变量来表示。
步骤S32,基于时间序列和事件变量,构建多维数组。
在本步骤中,车辆的全局状态向量可以重新定义为向量和标量数组。
时间序列、事件变量以及多维数组分别表示为:
其中,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的时间序列,表示在一次行程i中,目标车辆j在位置l与位置L之差以及时间t至时间T之差的动态因子,表示在一次行程i中,目标车辆j在位置l与位置L之差以及时间t至时间T之差的状态变量,表示在一次行程i中,目标车辆j处于位置l和时间t时的动态因子,表示在一次行程i中,目标车辆j处于位置l和时间t时的状态变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的事件变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的周围环境变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的全局状态向量,表示在一次行程i中,目标车辆j的静态固有因子。
步骤S4,基于多维数组、Logistic回归模型以及随机森林,分别获取目标车辆的超载概率和超载类别,并得到目标车辆的超载风险预测结果。
在本步骤中还包括S41~S42。
步骤S41,根据多维数组、车辆超载变量以及Logistic回归模型,获取目标车辆的超载风险概率。
在本步骤中,超载风险概率表示为:
其中,表示超载风险概率,pr( )表示概率分布函数,表示在一次行程i中,目标车辆j处于位置l和时间t时的超载状态,a表示目标车辆的超载类别, 表示数据驱动函数,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的全局状态向量,表示目标车辆的超载风险预测概率,表示返回最大值索引函数。
步骤S42,基于随机森林和车辆特征向量,获取目标车辆的超载类别。
在本步骤中,随机森林具体表示为:
在训练生成的随机森林模型时,采用函数计算不确定性测度:
其中,表示不确定性测度函数,x表示目标车辆的车辆特征向量,p( )表示条件概率分布函数,a表示车辆超载类别,不确定性测度函数引导各节点从二值测试候选库中选择最优的二值测试,以保证能不断将当前节点分裂为不确定性降低的两个子节点。
同时车辆超载类别以高斯模型的方式储于随机森林的每个叶子节点n上:
其中,n表示随机森林的单个叶子节点,表示叶子节点上的属性均值,表示叶子节点上的方差。
生成叶子节点后,车辆特征在随机森林上的超载类别概率可以通过投票方式获得:
其中,表示超载类别概率函数,m表示第m个决策树,表示第m个决策树对应的叶子节点,M为决策树的数量。
通过基于Memory Block的神经网络模型对预设路段中采集到的信息进行处理获取全局状态向量,并根据全局状态向量与车辆超载变量映射得到的多维数组进行随机森林分类,实现车辆超载风险评估模型的构建,使得车辆超载风险评估模型输出的超载概率和超载类别,既能根据所采集的动态数据和静态数据进行车辆超载类型预测,同时也能根据通过车辆超载风险评估模型提前预判车辆的超载行为,做针对性排查和风险解除,可以极大减少人力、物力和财力的同时提高交通通行效率,同时基于Memory Block的神经网络模型与随机森林的组合也能够提升超载车辆预测的准确度。
基于上述方法,本申请实施例公开一种面向车联网的车辆超载风险评估模型构建装置,参考图3,车辆超载风险评估模型构建装置1包括数据采集模块11、模型构建模块12以及数据处理模块13,其中,
数据采集模块11用于采集预设路段中的道路信息和车辆信息;
模型构建模块12用于构建基于Memory Block的神经网络模型,将道路信息和车辆信息作为训练集导入神经网络模型,以使神经网络模型输出目标车辆的全局状态向量;
数据处理模块13用于设定车辆超载变量,并将全局状态向量与车辆超载变量进行映射,以获取与全局状态向量对应的多维数组,基于多维数组、Logistic回归模型以及随机森林,分别获取目标车辆的超载概率和超载类别,并得到目标车辆的超载风险预测结果。
在一个示例中,神经网络模型包括输入层、隐藏层以及输出层,输入层用于接收道路信息和车辆信息,隐藏层对输入的道路信息和车辆信息进行特征向量提取,以获取车辆特征向量,输出层用于根据车辆特征向量输出目标车辆的全局状态向量。
在一个示例中,神经网络模型的表达式为:
其中,表示处于t时刻输入层状态,表示激活函数,表示神经网络模型的输入数据,表示输入层中与对应的权重矩阵,表示t时刻隐藏层状态,表示t-1时刻隐藏层状态,表示输入层中与对应的权重矩阵,表示输入层的偏置项,表示双曲正切函数,表示两个向量的标量积,表示t时刻输出层状态,表示输出层中与对应阵,表示输出层中与对应的权重矩阵,表示t-1时刻输出层获取的特征向量,表示输出层中与对应的权重矩阵,表示输出层的偏置项。
在一个示例中,全局状态向量表示为:
其中,表示在一次行程i中,目标车辆j处于位置l和时间t时的全局状态向量,表示在一次行程i中,目标车辆j的静态固有因子,表示在一次行程i中,目标车辆j处于位置l和时间t时的动态因子,表示在一次行程i中,目标车辆j处于位置l和时间t时的状态变量,表示在一次行程i中,目标车辆j处于位置l和时间t时的周围环境变量。
在一个示例中,将全局状态向量与车辆超载变量进行映射,以获取与全局状态向量对应的多维数组,具体包括:基于采样时间和高频时变变量,构建与全局状态向量对应的时间序列和事件变量;基于时间序列和事件变量,构建多维数组。
在一个示例中,时间序列、事件变量以及多维数组分别表示为:
其中,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的时间序列,表示在一次行程i中,目标车辆j在位置l与位置L之差以及时间t至时间T之差的动态因子,表示在一次行程i中,目标车辆j在位置l与位置L之差以及时间t至时间T之差的状态变量,表示在一次行程i中,目标车辆j处于位置l和时间t时的动态因子,表示在一次行程i中,目标车辆j处于位置l和时间t时的状态变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的事件变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的周围环境变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的全局状态向量,表示在一次行程i中,目标车辆j的静态固有因子。
在一个示例中,基于多维数组、Logistic回归模型以及随机森林,分别获取目标车辆的超载概率和超载类别,具体包括:
根据多维数组、车辆超载变量以及Logistic回归模型,获取目标车辆的超载风险概率;
基于随机森林和车辆特征向量,获取目标车辆的超载类别。
在一个示例中,超载风险概率表示为:
其中,表示超载风险概率,pr( )表示概率分布函数,表示在一次行程i中,目标车辆j处于位置l和时间t时的超载状态,a表示目标车辆的超载类别,表示数据驱动函数,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的全局状态向量,表示目标车辆的超载风险预测概率,表示返回最大值索引函数。
在一个示例中,随机森林具体表示为:
其中,表示不确定性测度函数,p( )表示条件概率分布函数,x表示目标车辆的车辆特征向量,n表示随机森林的单个叶子节点,表示叶子节点上的属性均值,表示叶子节点上的方差,m表示第m个决策树,表示第m个决策树对应的叶子节点,M为决策树的数量。
请参见图3,为本申请实施例提供了一种电子设备的结构示意图。如图3所示,电子设备2可以包括:至少一个处理器21,至少一个网络接口24,用户接口23,存储器25,至少一个通信总线22。
其中,通信总线22用于实现这些组件之间的连接通信。
其中,用户接口23可以包括显示屏(Display)、摄像头(Camera),可选用户接口23还可以包括标准的有线接口、无线接口。
其中,网络接口24可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器21可以包括一个或者多个处理核心。处理器21利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器25内的指令、程序、代码集或指令集,以及调用存储在存储器25内的数据,执行服务器的各种功能和处理数据。可选的,处理器21可以采用数字信号处理(DigitalSignalProcessing,DSP)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)、可编程逻辑阵列(ProgrammableLogicArray,PLA)中的至少一种硬件形式来实现。处理器21可集成中央处理器(CentralProcessingUnit,CPU)、图像处理器(GraphicsProcessingUnit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器21中,单独通过一块芯片进行实现。
其中,存储器25可以包括随机存储器(RandomAccessMemory,RAM),也可以包括只读存储器(Read-OnlyMemory)。可选的,该存储器25包括非瞬时性计算机可读介质(non-transitorycomputer-readablestoragemedium)。存储器25可用于存储指令、程序、代码、代码集或指令集。存储器25可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器25可选的还可以是至少一个位于远离前述处理器21的存储装置。如图3所示,作为一种计算机存储介质的存储器25中可以包括操作系统、网络通信模块、用户接口模块以及面向车联网的车辆超载风险评估模型构建方法的应用程序。
在图3所示的电子设备2中,用户接口23主要用于为用户提供输入的接口,获取用户输入的数据;而处理器21可以用于调用存储器25中存储面向车联网的车辆超载风险评估模型构建方法的应用程序,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个方法。
一种计算机可读存储介质,计算机可读存储介质存储有指令。当由一个或多个处理器执行时,使得计算机执行如实上述施例中一个或多个方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所披露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种面向车联网的车辆超载风险评估模型构建方法,其特征在于,所述方法包括:
采集预设路段中的道路信息和车辆信息;
构建基于Memory Block的神经网络模型,将所述道路信息和所述车辆信息作为训练集导入所述神经网络模型,以使所述神经网络模型输出目标车辆的全局状态向量;
所述神经网络模型包括输入层、隐藏层以及输出层,所述输入层用于接收所述道路信息和所述车辆信息,所述隐藏层对输入的所述道路信息和所述车辆信息进行特征向量提取,以获取车辆特征向量,所述输出层用于根据所述车辆特征向量输出目标车辆的全局状态向量;
设定车辆超载变量,并将所述全局状态向量与所述车辆超载变量进行映射,以获取与所述全局状态向量对应的多维数组;
所述全局状态向量表示为:
;
其中,表示在一次行程i中,目标车辆j处于位置l和时间t时的全局状态向量,表示在一次行程i中,目标车辆j的静态固有因子,表示的权重矩在一次行程i中,目标车辆j处于位置l和时间t时的动态因子,表示在一次行程i中,目标车辆j处于位置l和时间t时的状态变量,所述状态变量表示目标车辆是否处于超载和失衡状态,表示在一次行程i中,目标车辆j处于位置l和时间t时的周围环境变量;
所述将所述全局状态向量与所述车辆超载变量进行映射,以获取与所述全局状态向量对应的多维数组,具体包括:
基于采样时间和高频时变变量,构建与所述全局状态向量对应的时间序列和事件变量,其中,所述时间序列表示在恒定的采样时间T s 内获取到的目标车辆的动态因子,所述事件变量表示在短时间nT s 内获取到的目标车辆的静态固有因子和周围环境,n表示一定范围内的时间步长数或时间序列的长度;
基于所述时间序列和所述事件变量,构建所述多维数组;
基于所述多维数组、Logistic回归模型以及随机森林,分别获取所述目标车辆的超载概率和超载类别,并得到所述目标车辆的超载风险预测结果;
所述时间序列、所述事件变量以及所述多维数组分别表示为:
;
;
;
其中,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的时间序列,表示在一次行程i中,目标车辆j在位置l与位置L之差以及时间t至时间T之差的动态因子,表示在一次行程i中,目标车辆j在位置l与位置L之差以及时间t至时间T之差的状态变量,表示在一次行程i中,目标车辆j处于位置l和时间t时的动态因子,表示在一次行程i中,目标车辆j处于位置l和时间t时的状态变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的事件变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的周围环境变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的全局状态向量,表示在一次行程i中,目标车辆j的静态固有因子;
所述基于所述多维数组、Logistic回归模型以及随机森林,分别获取所述目标车辆的超载概率和超载类别,具体包括:
根据所述多维数组、所述车辆超载变量以及Logistic回归模型,获取所述目标车辆的超载风险概率;
基于所述随机森林和所述车辆特征向量,获取所述目标车辆的超载类别,其中,所述超载类别可以表示为在一次行程j中,目标车辆i在位置l和时间t的超载状态用描述,取值为0,1和-1三类,所述超载类别包括正常、超载和其它:
。
2.如权利要求1所述的方法,其特征在于,所述神经网络模型的表达式为:
;
;
;
其中,表示处于t时刻输入层状态,表示激活函数,表示所述神经网络模型的输入数据,表示输入层中与对应的权重矩阵,表示t时刻隐藏层状态,表示t-1时刻隐藏层状态,表示输入层中与对应的权重矩阵,表示输入层的偏置项,表示双曲正切函数,表示两个向量的标量积,表示t时刻输出层状态,表示输出层中与对应的权重矩阵,表示输出层中与对应的权重矩阵,表示t-1时刻输出层获取的特征向量,表示输出层中与对应的权重矩阵,表示输出层的偏置项。
3.如权利要求1所述的方法,其特征在于,所述超载风险概率表示为:
;
;
其中,表示超载风险概率,pr( )表示概率分布函数, 表示在一次行程i中,目标车辆j处于位置l和时间t时的超载状态,a表示所述目标车辆的超载类别, 表示数据驱动函数,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的全局状态向量, 表示所述目标车辆的超载风险预测概率,表示返回最大值索引函数。
4.如权利要求3所述的方法,其特征在于,所述随机森林具体表示为:
;
;
;
其中,表示不确定性测度函数,p( )表示条件概率分布函数,x表示所述目标车辆的车辆特征向量,n表示所述随机森林的单个叶子节点,表示叶子节点上的属性均值,表示叶子节点上的方差,m表示第m个决策树,表示第m个决策树对应的叶子节点,M为决策树的数量。
5.一种面向车联网的车辆超载风险评估模型构建装置,其特征在于,所述车辆超载风险评估模型构建装置(1)包括数据采集模块(11)、模型构建模块(12)以及数据处理模块(13),其中,
所述数据采集模块(11)用于采集预设路段中的道路信息和车辆信息;
所述模型构建模块(12)用于构建基于Memory Block的神经网络模型,将所述道路信息和所述车辆信息作为训练集导入所述神经网络模型,以使所述神经网络模型输出目标车辆的全局状态向量;
所述神经网络模型包括输入层、隐藏层以及输出层,所述输入层用于接收所述道路信息和所述车辆信息,所述隐藏层对输入的所述道路信息和所述车辆信息进行特征向量提取,以获取车辆特征向量,所述输出层用于根据所述车辆特征向量输出目标车辆的全局状态向量;
所述全局状态向量表示为:
;
其中,表示在一次行程i中,目标车辆j处于位置l和时间t时的全局状态向量,表示在一次行程i中,目标车辆j的静态固有因子,表示的权重矩在一次行程i中,目标车辆j处于位置l和时间t时的动态因子,表示在一次行程i中,目标车辆j处于位置l和时间t时的状态变量,所述状态变量表示目标车辆是否处于超载和失衡状态,表示在一次行程i中,目标车辆j处于位置l和时间t时的周围环境变量;
基于采样时间和高频时变变量,构建与所述全局状态向量对应的时间序列和事件变量,其中,所述时间序列表示在恒定的采样时间T s 内获取到的目标车辆的动态因子,所述事件变量表示在短时间nT s 内获取到的目标车辆的静态固有因子和周围环境,n表示一定范围内的时间步长数或时间序列的长度;
基于所述时间序列和所述事件变量,构建所述多维数组;
所述数据处理模块(13)用于设定车辆超载变量,并将所述全局状态向量与所述车辆超载变量进行映射,以获取与所述全局状态向量对应的多维数组,基于所述多维数组、Logistic回归模型以及随机森林,分别获取所述目标车辆的超载概率和超载类别,并得到所述车辆的超载风险预测结果;
所述时间序列、所述事件变量以及所述多维数组分别表示为:
;
;
;
其中,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的时间序列,表示在一次行程i中,目标车辆j在位置l与位置L之差以及时间t至时间T之差的动态因子,表示在一次行程i中,目标车辆j在位置l与位置L之差以及时间t至时间T之差的状态变量,表示在一次行程i中,目标车辆j处于位置l和时间t时的动态因子,表示在一次行程i中,目标车辆j处于位置l和时间t时的状态变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的事件变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的周围环境变量,表示在一次行程i中,目标车辆j处于位置l至L之间以及时间t至T之间时的全局状态向量,表示在一次行程i中,目标车辆j的静态固有因子;
根据所述多维数组、所述车辆超载变量以及Logistic回归模型,获取所述目标车辆的超载风险概率;
基于所述随机森林和所述车辆特征向量,获取所述目标车辆的超载类别,其中,所述超载类别可以表示为在一次行程j中,目标车辆i在位置l和时间t的超载状态用描述,取值为0,1和-1三类,所述超载类别包括正常、超载和其它:。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410496137.4A CN118097970B (zh) | 2024-04-24 | 一种面向车联网的车辆超载风险评估模型构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410496137.4A CN118097970B (zh) | 2024-04-24 | 一种面向车联网的车辆超载风险评估模型构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118097970A CN118097970A (zh) | 2024-05-28 |
CN118097970B true CN118097970B (zh) | 2024-07-12 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
CN116798009A (zh) * | 2023-06-26 | 2023-09-22 | 天津大学 | 一种基于人工智能技术的货车超载判别方法 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
CN116798009A (zh) * | 2023-06-26 | 2023-09-22 | 天津大学 | 一种基于人工智能技术的货车超载判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A graphical modeling method for individual driving behavior and its application in driving safety analysis using GPS data | |
Osafune et al. | Analysis of accident risks from driving behaviors | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
US20160284214A1 (en) | Vehicle-based abnormal travel event detecting and reporting | |
US20210117451A1 (en) | Programmatically identifying a personality of an autonomous vehicle | |
CN109670970B (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
US11106969B2 (en) | Method and apparatus for driver identification leveraging telematics data | |
CN105303197A (zh) | 一种基于机器学习的车辆跟车安全自动评估方法 | |
CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
CN111415533A (zh) | 弯道安全预警监控方法、装置以及系统 | |
CN114970705A (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
Gao et al. | What can we learn from telematics car driving data: A survey | |
Chen et al. | A context-aware nonnegative matrix factorization framework for traffic accident risk estimation via heterogeneous data | |
Padarthy et al. | Identification and classification of slippery winter road conditions using commonly available vehicle variables | |
Trirat et al. | Df-tar: a deep fusion network for citywide traffic accident risk prediction with dangerous driving behavior | |
Teke et al. | The design and implementation of road condition warning system for drivers | |
CN109791677A (zh) | 用于在社区中对交通工具数据进行地理参考和评分的系统和方法 | |
Zhai et al. | A context-aware evaluation method of driving behavior | |
CN118097970B (zh) | 一种面向车联网的车辆超载风险评估模型构建方法及装置 | |
CN116384844B (zh) | 基于地理信息云平台的决策方法及装置 | |
Sitanayah et al. | A Low Cost Vehicle Counting System Based On The Internet of Things | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN118097970A (zh) | 一种面向车联网的车辆超载风险评估模型构建方法及装置 | |
Hu et al. | An image-based crash risk prediction model using visual attention mapping and a deep convolutional neural network | |
Gerber et al. | Impact of road grade on the risk profile of driver behavior |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |