一种车辆行为评估方法、控制装置及可读存储介质与流程

1.本发明涉及智能交通技术领域，具体提供一种车辆行为评估方法、控制装置及可读存储介质。


背景技术：

2.随着大数据人工智能时代的到来，机器学习和挖掘技术也得到了相应的发展，越来越多的数据科学技术被应用到工作和生活的各个场景。在一些工作场景中通过大数据分析技术可以实现对某些行为的预测，为生活和工作带来便利，例如对高速公路上的车辆行为进行评估分析。
3.高速公路的发展在推动经济发展的同时，也出现了一系列司机通过各种手段逃避缴纳高速公路通行费的问题。高速逃费问题一直是各地高速公路经营和管理部门亟待治理解决的重要难点问题。
4.相应地，本领域需要一种新的车辆行为评估方案来解决上述问题。


技术实现要素：

5.为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何高效实现对车辆行为进行评估的技术问题的一种车辆行为评估方法。
6.在第一方面，本发明提供一种车辆行为评估方法，包括：
7.将待评估车辆的行为信息输入已训练的神经网络模型；
8.根据所述神经网络模型获取所述行为信息对应的通过聚类算法预设的行为类的概率；
9.根据所述行为信息对应的行为类的概率，得到所述待评估车辆的行为评估结果。
10.在一个实施例中，所述神经网络模型采用径向基神经网络；
11.所述根据所述神经网络模型获取所述行为信息对应的通过聚类算法预设的行为类的概率，包括：
12.将通过聚类算法得到的聚类中心作为所述径向基神经网络模型的基函数中心。
13.在一个实施例中，所述聚类算法包括中心点聚类算法、支持向量机聚类算法或基于随机选择的聚类算法。
14.在一个实施例中，所述根据所述行为信息对应的行为类的概率，得到所述待评估车辆的行为评估结果，包括：
15.判断所述行为类的概率是否大于预设阈值；
16.若大于，则输出对应的行为类。
17.在一个实施例中，所述根据所述行为信息对应的行为类的概率，得到所述待评估车辆的行为评估结果，包括：
18.根据所述行为类的概率的大小对所述行为类进行排序，得到行为类概率序列；
19.根据预设数量，按照由大到小的顺序输出所述行为类概率序列中相应的行为类。
20.在一个实施例中，所述方法还包括：
21.对车辆行为信息数据样本进行数据清洗和整理，得到待分析数据样本；
22.通过聚类算法将分析数据样本进行聚类，得到多个行为类数据样本；
23.将多个行为类数据样本至少作为训练集的一部分对预设神经网络模型进行训练，从而得到所述已训练的神经网络模型。
24.在一个实施例中，所述通过聚类算法将分析数据样本进行聚类，得到多个行为类数据样本，包括：
25.根据人为初步行为类分析得到的k个行为类，对所述待分析数据样本进行聚类，得到k个行为类数据样本。
26.在一个实施例中，所述神经网络模型采用代数训练方法或监督训练方法。
27.在第三方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述车辆行为评估方法的技术方案中任一项技术方案所述的车辆行为评估方法。
28.在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述车辆行为评估方法的技术方案中任一项技术方案所述的车辆行为评估方法。
29.本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
30.在实施本发明的技术方案中，通过聚类算法预设车辆可能存在的行为类，并将聚类算法与神经网络模型结合，使得神经网络模型能够根据具体问题确定相应的网络拓扑，且具有自学习、自组织、自适应功能，同时学习速度更快，能够进行大范围的数据融合和并行高速地处理数据。
附图说明
31.参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
32.图1是根据本发明的一个实施例的一种车辆行为评估方法的主要步骤流程示意图；
33.图2是根据本发明的一个实施例的径向基神经网络主要结构示意图；
34.图3是根据本发明的一个实施例的第一种得到待评估车辆的行为评估结果的主要步骤流程示意图；
35.图4是根据本发明的一个实施例的第二种得到所述待评估车辆的行为评估结果的主要步骤流程示意图；
36.图5是根据本发明的一个实施例的数据样本处理及神经网络训练的主要步骤流程示意图；
37.图6是根据本发明的一个实施例的控制装置主要结构框图示意图。
具体实施方式
38.下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这
些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
39.在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“a和/或b”表示所有可能的a与b的组合，比如只是a、只是b或者a和b。术语“至少一个a或b”或者“a和b中的至少一个”含义与“a和/或b”类似，可以包括只是a、只是b或者a和b。单数形式的术语“一个”、“这个”也可以包含复数形式。
40.这里先解释本发明涉及到的一些术语。
41.聚类：聚类就是按照一个特定的标准(一般是距离)把一个数据集划分成不同的代表不同类别的子集，其准则就是同一类域内的样本点的相似性尽可能大，不同类域内的样本点的差异性尽可能的大。
42.参阅附图1，图1是根据本发明的一个实施例的一种车辆行为评估方法的主要步骤流程示意图。如图1所示，主要包括下列步骤s10-步骤s30：
43.s10，将待评估车辆的行为信息输入已训练的神经网络模型。
44.在本实施例中，首先获取待评估车辆的行为信息。例如，在高速公路上，车辆行驶至高速公路收费入口时，通过入口设置的摄像头读取车牌信息，通过互联网系统即可获得车辆的行为信息。具体的，行为信息包括但不限于实际重量、计费重量、超重重量、超重比例、实收金额、应收金额、支付卡金额、支付卡余额、车辆出行次数、总里程。
45.在一个具体实施例中，所述神经网络模型采用径向基神经网络。如图2所示，径向基神经网络是一种性能良好、具有单隐层的三层前向网络。输入层由信号源节点组成(图中由x表示)，第二层为隐含层(图中由h(x))，第三层为输出层。从输入空间到隐含层空间的变换是非线性的，而从隐含层空间到输出层空间的变换是线性的，隐单元的变换函数是径向基函数，输出层神经元采用线性单元。径向基神经网络训练算法支持在线和离线训练，可以动态确定网络结构和隐层单元的数据中心和扩展常数，学习速度快。
46.s20，根据所述神经网络模型获取所述行为信息对应的通过聚类算法预设的行为类的概率。
47.在本实施例中，通过聚类算法对车辆行为进行大数据分析处理，得到了车辆行为可能存在的行为类。待评估车辆的行为信息输入神经网络模型后，神经网络模型根据聚类算法预先得到的行为类，计算待评估车辆的行为信息对应的行为类，以及相对应行为类发生的概率。车辆行为信息包含有多个字段，即存在多种数据。不同字段对应的行为类不同，因此，一辆待评估车辆的行为信息会对应多个行为类，同时行为类对应的可能发生的概率也不同。从大的方面来讲，行为类包括正常行为类、异常行为类。通常在数据分析处理时会只对异常行为类做出筛选，在高速道路车辆是否存在逃费行为的应用场景中，异常行为类包括但不限于出入口车牌不一致、出入口车型不一致、出入口车种不一致、重量异常、其它异常。
48.在一个实施例中，所述根据所述神经网络模型获取所述行为信息对应的通过聚类
算法预设的行为类的概率，包括：
49.将通过聚类算法得到的聚类中心作为所述径向基神经网络模型的基函数中心。
50.在本实施例中，径向基神经网络在训练的时候，需要确定基函数中心，根据基函数中心对网络进行收敛。聚类算法是根据行为类进行聚类的，即一个聚类中心表示一种行为类。将通过聚类算法得到的聚类中心作为径向基神经网络模型的基函数中心。为训练径向基神经网络提供基函数中心相关参数。为此，当待评估车辆的行为信息输入神经网络模型后，能够输出待评估车辆行为信息属于那些行为类以及属于这些行为类的概率。概率越大，待评估车辆会发生行为类对应的行为的概率越大。将聚类算法融合进神经网络模型中，在面对不同类型的数据时，神经网络模型可以根据具体问题确定相应的网络拓扑，学习速度更快，并且可以进行大范围的数据融合和并行高速地处理数据。
51.在一个具体实施例中，所述聚类算法包括中心点聚类算法、支持向量机聚类算法或基于随机选择的聚类算法。优选的，采用中心点聚类算法，具体的采用围绕中线点划分算法，即pam(partitioning around medoids)算法。pam聚类算法对噪声和孤立点不敏感，即对于十分偏离聚类中心的点不敏感，避免偏离的异常数值对聚类结果的影响。在数据量特别大的时候可以采用基于随机选择的聚类算法即clarans聚类算法。
52.s30，根据所述行为信息对应的行为类的概率，得到所述待评估车辆的行为评估结果。
53.在本实施例中，待评估车辆的行为信息可能会对应多种行为类，同时，对应的行为类的概率也不同。行为类概率越大，表示待评估车辆越有可能发生行为类所指的行为。为此，通过行为信息属于行为类的概率能够对待评估车辆的行为进行评估。
54.在一个实施例中，如图3所示，所述根据所述行为信息对应的行为类的概率，得到所述待评估车辆的行为评估结果，包括步骤s311-s312：
55.s311，判断所述行为类的概率是否大于预设阈值；
56.s312，若大于，则输出对应的行为类。
57.在本实施例中，由于一些行为类的概率比较低，为此不需要对这些行为类进行评估和记录。可以通过预设阈值，输出超出阈值的行为类以及对应的概率。即对输出数据做进一步的筛选。去除对于当前待评估车辆没有参考价值的行为类即对应概率。
58.进一步的，如图4所示，所述根据所述行为信息对应的行为类的概率，得到所述待评估车辆的行为评估结果，包括步骤s321-s322：
59.s321，根据所述行为类的概率的大小对所述行为类进行排序，得到行为类概率序列；
60.s322，根据预设数量，按照由大到小的顺序输出所述行为类概率序列中相应的行为类。
61.在本实施例中，除了通过设置阈值的方式对输出数据做筛选外，还能根据概率的大小，对行为类进行排序，得到行为类概率序列。通过设置输出数量，按照由大到小的顺序输出行为类概率序列中相应的行为类。
62.在一个实施例中，如图5所示，所述方法还包括步骤s01-s03：
63.s01，对车辆行为信息数据样本进行数据清洗和整理，得到待分析数据样本。
64.在本实施例中，为了提高训练模型的效率与精度，对数据样本进行数据清洗以及
整理。其中数据清洗指的是对无关字段下的数据进行删除。以及对于出现缺失值或异常值中的一组数据。即车辆出现一次的行为信息包含有多个字段，一个字段对应的数据如果是缺失值或者异常值，则将该车辆此次出现的所有行为信息都删除。
65.具体的，以西安市高速公路收费站为例，对车辆是否存在逃费行为进行评估。原始数据是收费站入口和出口的流水数据，其中入口数据有48个字段，出口数据有92个字段。首先对原始数据的连续性字段进行正态性检验，筛选出异常值，并删除异常值所对应的车辆当前的行为信息。做数据的清洗，将ic卡卡箱号、图像号、流水库文件名、出口记录流水顺序号等32个与是否逃费无关的变量删除。筛选出异常数值并删除。删除方差为零的字段；删除存在缺失值的行为信息。其次对剩下的数据进行数据整理，即将剩下的60个字段根据实际意义转换为对应的变量类型，其中实际重量、计费重量、超重重量、超重比例、实收金额、应收金额、支付卡金额、支付卡余额、非现金卡前台优惠折扣率、车辆出行次数、入口轴数、入口总轴重、限载吨位修改前轴数、修改前重量、交易前余额、开放式金额、总里程这18个变量为连续型，其余均为离散型变量。区分连续型和离散型的目的在于，在输入神经网络模型对其进行训练时，不同类型数据需要进行的处理不同，为此需要整理数据对数据进行分类。
66.s02，通过聚类算法将分析数据样本进行聚类，得到多个行为类数据样本。
67.在一个实施例中，所述通过聚类算法将分析数据样本进行聚类，得到多个行为类数据样本，包括：
68.根据人为初步行为类分析得到的k个行为类，对所述待分析数据样本进行聚类，得到k个行为类数据样本。
69.具体的，根据西安高速收费数据，对逃费行为进行人为分析。划分为5个行为类，分别为出入口车牌不一致、出入口车型不一致、出入口车种不一致、重量异常、其它异常。对每个行为类的异常行为进行描述性统计分析，发现车牌不一致的车辆最多，车种不一致的车辆次之，其次是车型不一致的车辆，超重车辆最少；且每类异常行为背后的车辆省份与通行路段分布具有显著差异，各类异常行为对车辆通行时间、通行费用以及行驶里程也有不同程度的影响。
70.进一步的，一辆车出现一次所产生的行为信息数据为一个样本点，在得到5个行为类之后，通过pam聚类算法对待分析数据样本进行聚类，包括：
71.(1)在总体n个样本点中任意选取5个样本点(因为人为分析中有5个行为类)作为初始聚类中心；
72.(2)按照与初始中心最近的原则，将剩余的(n-5)样本点分配到当前最佳的初始中心代表的类中(实现了初始的聚类)；
73.(3)对于第i个类中其他样本点(除初始聚类中心样本点外)，按顺序计算当其为新的聚类中心时的准则函数的值，遍历当前类中所有的其它样本点，选取准则函数最小时对应的样本点作为新的聚类中心；
74.(4)遍历所有行为类，选取准则函数最小时对应的样本点作为当前行为类的新的聚类中心；
75.(5)重复(2)-(4)的过程，直到所有的聚类中心的样本点不再发生变化或已达到设定的最大迭代次数；
76.(6)最终得到聚类完成的5个行为类。
77.s03，将多个行为类数据样本至少作为训练集的一部分对预设神经网络模型进行训练，从而得到所述已训练的神经网络模型。
78.在一个实施例中，关于径向基神经网络训练的过程，在此进一步的举例说明。包括：
79.(1)选取选取径向基函数，对于径向基神经网络采用的径向基函数包括高斯函数、反演s函数、逆多二次函数。优选的，采用高斯函数作为径向基函数。
80.(2)将pam聚类算法结果的每个聚类中心作为每个基函数的中心。
81.假设径向基神经网络的输入样本为x＝[x1,x2,...,xk,...,xn]
t
，其中任意一个训练样本xk＝[x
k1
,x
k2
,...,x
km
,...,x
km
]，(k＝1,2,...,n)，其中x
km
表示第k个样本的第m个输入，径向基神经网络所对应的网络实际输出为yk＝[y
k1
,y
k2
,...,y
kj
,...,y
kj
]，(k＝1,2,...,n)，其中，神经元的激活函数记为
[0082]
利用pam算法完成聚类的过程可以从集合论的角度做出如下解释：设s是容量为n(n≠0)有限集合，它的非空子集族s1,s2,...,sn满足：且则称s1,s2,...,sn为s的一个划分，记作：par(s)＝{s1,s2,...,sn}。
[0083]
设第i个聚类域si中的样本个数为ni，则每个聚类域又可以用划分表示为：
[0084][0085][0086]
...
[0087][0088]
其中，z是打乱了标号的x。有了以上定义，我们不难算出第i个类域的聚类中心：其中zj是si内的第j个样本。
[0089]
(3)计算径向基函数的宽度：设其它聚类中心到与第i个聚类中心距离的最小值di，即di＝min(||c
i-cj||),(j≠i)，按照公式σi＝λdi计算每个径向基函数的宽度σi，其中λ称作重叠系数，重叠系数能够控制各个基函数的平滑程度，重叠系数的值越大，基函数的图像就越平滑。
[0090]
(4)训练径向基神经网络，采用梯度下降法确定径向基神经网络隐含层与输出层之间的权值。径向基神经网络权值的计算包括代数训练方法或监督训练法。优选的，采用采用监督训练法。
[0091]
(5)模型的评估与使用，检验径向基神经网络的效果并部署使用。
[0092]
在实施本发明的技术方案中，通过聚类算法预设车辆可能存在的行为类，并将聚类算法与神经网络模型结合，使得神经网络模型能够根据具体问题确定相应的网络拓扑，且具有自学习、自组织、自适应功能，同时学习速度更快，能够进行大范围的数据融合和并行高速地处理数据。
[0093]
需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这
样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
[0094]
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
[0095]
进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的车辆行为评估方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的车辆行为评估方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
[0096]
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的车辆行为评估方法的程序，该程序可以由处理器加载并运行以实现上述车辆行为评估方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
[0097]
进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
[0098]
本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
[0099]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

技术特征：
1.一种车辆行为评估方法，其特征在于，包括：将待评估车辆的行为信息输入已训练的神经网络模型；根据所述神经网络模型获取所述行为信息对应的通过聚类算法预设的行为类的概率；根据所述行为信息对应的行为类的概率，得到所述待评估车辆的行为评估结果。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型采用径向基神经网络；所述根据所述神经网络模型获取所述行为信息对应的通过聚类算法预设的行为类的概率，包括：将通过聚类算法得到的聚类中心作为所述径向基神经网络模型的基函数中心。3.根据权利要求1所述的方法，其特征在于，所述聚类算法包括中心点聚类算法、支持向量机聚类算法或基于随机选择的聚类算法。4.根据权利要求1所述的方法，其特征在于，所述根据所述行为信息对应的行为类的概率，得到所述待评估车辆的行为评估结果，包括：判断所述行为类的概率是否大于预设阈值；若大于，则输出对应的行为类。5.根据权利要求1所述的方法，其特征在于，所述根据所述行为信息对应的行为类的概率，得到所述待评估车辆的行为评估结果，包括：根据所述行为类的概率的大小对所述行为类进行排序，得到行为类概率序列；根据预设数量，按照由大到小的顺序输出所述行为类概率序列中相应的行为类。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：对车辆行为信息数据样本进行数据清洗和整理，得到待分析数据样本；通过聚类算法将分析数据样本进行聚类，得到多个行为类数据样本；将多个行为类数据样本至少作为训练集的一部分对预设神经网络模型进行训练，从而得到所述已训练的神经网络模型。7.根据权利要求6所述的方法，其特征在于，所述通过聚类算法将分析数据样本进行聚类，得到多个行为类数据样本，包括：根据人为初步行为类分析得到的k个行为类，对所述待分析数据样本进行聚类，得到k个行为类数据样本。8.根据权利要求1所述的方法，其特征在于，所述神经网络模型采用代数训练方法或监督训练方法。9.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至8中任一项所述的方法。10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的方法。

技术总结
本发明涉及智能交通技术领域，具体提供一种车辆行为评估方法、控制装置及可读存储介质，旨在解决如何高效实现对车辆行为进行评估的问题。为此目的，本发明的车辆行为评估方法包括：将待评估车辆的行为信息输入已训练的神经网络模型；根据所述神经网络模型获取所述行为信息对应的通过聚类算法预设的行为类的概率；根据所述行为信息对应的行为类的概率，得到所述待评估车辆的行为评估结果。在本发明通过聚类算法预设车辆可能存在的行为类，并将聚类算法与神经网络模型结合，使得神经网络模型能够根据具体问题确定相应的网络拓扑，且具有自学习、自组织、自适应功能，同时学习速度更快，能够进行大范围的数据融合和并行高速地处理数据。理数据。理数据。


技术研发人员：吴志辉
受保护的技术使用者：芜湖云从科技有限公司
技术研发日：2023.07.13
技术公布日：2023/10/11