目标车辆的确定方法、装置、存储介质及电子装置与流程

1.本发明实施例涉及车辆管理技术领域，具体而言，涉及一种目标车辆的确定方法、装置、存储介质及电子装置。


背景技术：

2.随着城市化建设的快速发展，道路交通安全问题越来越严重，包括“两客一危一货一面”在内的重点车辆交通违规行为严重、交通安全隐患突出。重点车辆(或目标车辆)的管理涉及到人民群众的生命财产安全，是交通管理者的重点管控对象。但由于重点车辆数量的剧增，管理部门有限的人力资源己经无法对其进行全方位的严格管控，致使各类交通违法和乱象层出不穷，给人们的交通出行安全带来极大的隐患。虽然目前已有一些基于车辆特征评估车辆危险程度的方法，用于为交通管理部门提供重点管控车辆。但是，此类重点车辆的数量仍然很多，对于日常的监管工作作用较小。可见，相关技术中仅依据车辆特征来确定重点车辆，很难有效地从众多车辆中确定出重点车辆(或目标车辆)，即相关技术中对于重点车辆的确定方法比较单一，导致确定重点车辆的效率较低。
3.针对相关技术中存在的确定目标车辆的效率较低的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种目标车辆的确定方法、装置、存储介质及电子装置，以至少解决相关技术中存在的确定目标车辆的效率较低的问题。
5.根据本发明的一个实施例，提供了一种目标车辆的确定方法，包括：获取n个车辆中的各个车辆的危险度参数，得到n个危险度参数，其中，所述n个车辆中的各个车辆的危险度参数是基于所述各个车辆的一组属性进行计算得到的，n为大于或等于2的正整数；在所述n个车辆中选取m个车辆，并获取所述m个车辆中的各个车辆的活跃度参数，得到m个活跃度参数，其中，所述m个车辆是所述n个车辆中危险度参数从大到小排在前m位的车辆，m为大于或等于1、且小于n的正整数；根据所述n个危险度参数中与所述m个车辆对应的m个危险度参数和所述m个活跃度参数，确定所述m个车辆中的各个车辆的车辆特征向量，得到m个车辆特征向量，其中，所述m个车辆特征向量中的各个车辆特征向量包括所述m个车辆中对应车辆的危险度参数、活跃度参数；根据所述m个车辆特征向量，在所述m个车辆中确定作为被管控对象的目标车辆。
6.在一个示例性实施例中，所述根据所述m个车辆特征向量，在所述m个车辆中确定作为被管控对象的目标车辆，包括：根据所述m个车辆特征向量确定所述m个车辆中的各个车辆的支配特征向量，得到m个支配特征向量，其中，所述m个支配特征向量中的第i个支配特征向量包括与所述m个车辆特征向量中的第i个车辆特征向量对应的第i个支配数量和第i个被支配数量，所述第i个支配数量包括所述m个车辆特征向量中满足支配条件的车辆特征向量的数量，所述支配条件是指所述车辆特征向量中的各个向量成员的取值都比所述第
i个车辆特征向量中对应位置的向量成员的取值大；所述第i个被支配数量包括所述m个车辆特征向量中满足被支配条件的车辆特征向量的数量，所述被支配条件是指所述车辆特征向量中的各个向量成员的取值都比所述第i个车辆特征向量中对应位置的向量成员的取值小，i为小于或等于m的正整数；根据所述m个支配特征向量，在所述m个车辆中确定作为被管控对象的所述目标车辆。
7.在一个示例性实施例中，所述根据所述m个支配特征向量，在所述m个车辆中确定作为被管控对象的所述目标车辆，包括：按照所述m个支配特征向量中各个支配特征向量包括的所述支配数量从小到大的顺序，对所述m个支配特征向量进行排序，得到排序结果；在所述排序结果中确定排在前k位的支配特征向量，并在所述m个车辆中将与所述排在前k位的支配特征向量对应的k个车辆确定为所述目标车辆，其中，k为大于或等于1、且小于m的正整数。
8.在一个示例性实施例中，所述按照所述m个支配特征向量中各个支配特征向量包括的所述支配数量从小到大的顺序，对所述m个支配特征向量进行排序，得到排序结果，包括：在所述m个支配特征向量中的所述第i个支配特征向量包括的所述第i个支配数量与所述m个支配特征向量中的第j个支配特征向量包括的第j个支配数量相等、且所述第i个支配特征向量包括的第i个被支配数量大于所述第j个支配特征向量包括的第j个被支配数量的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的前面，j为大于或等于1、且小于或等于m的正整数；或者在所述第i个支配数量与所述第j个支配数量相等、所述第i个被支配数量等于所述第j个被支配数量、且与所述第i个支配特征向量对应的第i个车辆特征向量中的所述活跃度参数大于与所述第j个支配特征向量对应的第j个车辆特征向量中的所述活跃度参数的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的前面；在所述第i个支配数量与所述第j个支配数量相等、所述第i个被支配数量等于所述第j个被支配数量、且与所述第i个支配特征向量对应的第i个车辆特征向量中的所述活跃度参数小于与所述第j个支配特征向量对应的第j个车辆特征向量中的所述活跃度参数的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的后面。
9.在一个示例性实施例中，所述获取n个车辆中的各个车辆的危险度参数，得到n个危险度参数，包括：获取所述n个车辆中的各个车辆的一组属性，得到n组属性；根据所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定n个车辆中的各个车辆的危险度参数，得到n个危险度参数，其中，所述n组属性中的各个不同的属性被预先设置有对应的危险度子参数。
10.在一个示例性实施例中，所述根据所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定n个车辆中的各个车辆的危险度参数，得到n个危险度参数，包括：按照以下方式确定所述n个车辆中第i个车辆的所述危险度参数：第i个车辆的危险度参数＝第i个车辆的基本属性对应的危险度子参数*(其他属性所分别对应的危险度子参数之和)，其中，所述第i个车辆的一组属性中包括所述基本属性与所述其他属性，所述其他属性包括所述第i个车辆的一组属性中除所述基本属性除之外的属性，i为大于或等于1、且小于或等于n的正整数；其中，在所述第i个车辆的一组属性包括p个属性的情况下，所述第i个车辆的一组属性对应的p个危险度子参数的取值是预设的p个值，p为大于或等于2的正整数；或者，在所述第i个车辆的一组属性包括p个属性的情况下，所述第i个车辆的一组属性中的q个属
性对应的q个危险度子参数的取值比所述预设的p个值中对应的q个值大，所述第i个车辆的一组属性中除所述q个属性之外的属性对应的危险度子参数的取值为所述p个值中对应的值，所述q个属性是根据预设的车辆危险预测模型确定出的所述p个属性中对所述危险度参数贡献度最大的前q个属性，q为大于或等于1、且小于p的正整数。
11.在一个示例性实施例中，所述获取所述m个车辆中的各个车辆的活跃度参数，得到m个活跃度参数，包括：通过预定时段上目标区域内的车辆数据，确定所述m个车辆中的各个车辆的活跃时间数据，以及所述m个车辆中的各个车辆的活跃空间数据，其中，所述活跃时间数据用于表示所述m个车辆中的各个车辆在所述目标区域内的活动时间，所述活跃空间数据用于表示所述m个车辆中的各个车辆在所述目标区域内的活动距离；根据所述m个车辆中的各个车辆的活跃时间数据以及所述m个车辆中的各个车辆的活跃空间数据，确定所述m个车辆中的各个车辆的活跃度参数，得到所述m个活跃度参数。
12.在一个示例性实施例中，所述根据所述m个车辆中的各个车辆的活跃时间数据以及所述m个车辆中的各个车辆的活跃空间数据，确定所述m个车辆中的各个车辆的活跃度参数，得到所述m个活跃度参数，包括：确定所述m个车辆中的各个车辆的活跃时间数据的第一熵权值，以及所述m个车辆中的各个车辆的活跃空间数据的第二熵权值；根据所述m个车辆中的各个车辆的活跃时间数据、所述m个车辆中的各个车辆的活跃时间数据的第一熵权值、所述m个车辆中的各个车辆的活跃空间数据、以及所述m个车辆中的各个车辆的活跃空间数据的第二熵权值，确定所述m个车辆中的各个车辆的活跃度参数，得到所述m个活跃度参数。
13.在一个示例性实施例中，所述确定所述m个车辆中的各个车辆的活跃时间数据的第一熵权值，以及所述m个车辆中的各个车辆的活跃空间数据的第二熵权值，包括：构建所述m个车辆的活跃度评价参数矩阵x，其中，x中的元素x
i,j
用于表示所述m个车辆中的第i个车辆的第j项评价参数，当j等于1时，所述第i个车辆的第j项评价参数是所述第i个车辆的所述活跃时间数据，当j等于2时，所述第i个车辆的第j项评价参数是所述第i个车辆的所述活跃空间数据，其中，i为大于或等于1、小于或等于m的正整数，j等于1或2；对所述矩阵x进行标准化，得到标准化后的矩阵z，其中，矩阵z中的元素z
i,j
为：根据所述矩阵z，得到概率矩阵p，其中，所述概率矩阵p中的元素p
i,j
用于表示所述m个车辆中的所述第i个车辆的第j项评价参数在所述m个车辆的所述第j项评价参数中所占的比重；根据所述概率矩阵p按照以下公式计算所述第j项评价参数的信息熵：其中，ej表示所述第j项评价参数的信息熵；基于所述第j项评价参数的信息熵按照以下公式计算所述第j项评价参数的熵权值：其中，dj＝1-ej，w1为所述第一熵权值，w2为所述第二熵权值。
14.在一个示例性实施例中，所述获取所述n个车辆中的各个车辆的一组属性，得到n组属性，包括：根据接收到的目标配置参数，对所述n组属性中的部分属性对应的危险度子参数进行更新，得到更新后的所述n组属性中的各组属性中的各个属性对应的危险度子参数；所述根据所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定n个车辆中的各个车辆的危险度参数，得到n个危险度参数，包括：根据更新后的所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定所述n个车辆中的各个车辆的危险度参数，
得到所述n个危险度参数。
15.根据本发明的另一个实施例，还提供了一种目标车辆的确定装置，包括：第一获取模块，用于获取n个车辆中的各个车辆的危险度参数，得到n个危险度参数，其中，所述n个车辆中的各个车辆的危险度参数是基于所述各个车辆的一组属性进行计算得到的，n为大于或等于2的正整数；第二获取模块，用于在所述n个车辆中选取m个车辆，并获取所述m个车辆中的各个车辆的活跃度参数，得到m个活跃度参数，其中，所述m个车辆是所述n个车辆中危险度参数从大到小排在前m位的车辆，m为大于或等于1、且小于n的正整数；第一确定模块，用于根据所述n个危险度参数中与所述m个车辆对应的m个危险度参数和所述m个活跃度参数，确定所述m个车辆中的各个车辆的车辆特征向量，得到m个车辆特征向量，其中，所述m个车辆特征向量中的各个车辆特征向量包括所述m个车辆中对应车辆的危险度参数、活跃度参数；第二确定模块，用于根据所述m个车辆特征向量，在所述m个车辆中确定作为被管控对象的目标车辆。
16.根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
17.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
18.通过本发明，通过获取n个车辆中各个车辆的危险度参数，得到n个危险度参数，再从n个车辆中选取危险度参数排名前m位的m个车辆，并获取m个车辆中各个车辆的活跃度参数，得到m个活跃度参数，再根据n个危险度参数中与m个车辆对应的m个危险度参数和m个活跃度参数，确定m个车辆中的各个车辆的车辆特征向量，得到m个车辆特征向量，其中，m个车辆特征向量中的各个车辆特征向量包括m个车辆中对应车辆的危险度参数和活跃度参数，然后，根据m个车辆特征向量在m个车辆中确定作为被管控对象的目标车辆。实现了根据车辆的危险度参数及活跃度参数，在m个车辆中确定出作为被管控对象的目标车辆的目的，避免了相关技术中仅依据车辆特征来确定目标车辆的方法比较单一导致确定目标车辆的效率较低的问题。因此，解决了相关技术中存在的确定目标车辆的效率较低的问题。
附图说明
19.图1是本发明实施例的目标车辆的确定方法的移动终端硬件结构框图；
20.图2是根据本发明实施例的目标车辆的确定方法的流程图；
21.图3是根据本发明实施例的重点车辆研判推荐方法流程图；
22.图4是根据本发明实施例的活跃空间示例图；
23.图5是根据本发明实施例的车辆特征向量示例图；
24.图6是根据本发明实施例的支配特征向量示例图；
25.图7是根据本发明实施例的目标车辆的确定装置的结构框图。
具体实施方式
26.下文中将参考附图并结合实施例来详细说明本发明的实施例。
27.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
28.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的目标车辆的确定方法的移动终端硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
29.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的目标车辆的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
30.传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
31.在本实施例中提供了一种目标车辆的确定方法，图2是根据本发明实施例的目标车辆的确定方法的流程图，如图2所示，该流程包括如下步骤：
32.步骤s202，获取n个车辆中的各个车辆的危险度参数，得到n个危险度参数，其中，所述n个车辆中的各个车辆的危险度参数是基于所述各个车辆的一组属性进行计算得到的，n为大于或等于2的正整数；
33.步骤s204，在所述n个车辆中选取m个车辆，并获取所述m个车辆中的各个车辆的活跃度参数，得到m个活跃度参数，其中，所述m个车辆是所述n个车辆中危险度参数从大到小排在前m位的车辆，m为大于或等于1、且小于n的正整数；
34.步骤s206，根据所述n个危险度参数中与所述m个车辆对应的m个危险度参数和所述m个活跃度参数，确定所述m个车辆中的各个车辆的车辆特征向量，得到m个车辆特征向量，其中，所述m个车辆特征向量中的各个车辆特征向量包括所述m个车辆中对应车辆的危险度参数、活跃度参数；
35.步骤s208，根据所述m个车辆特征向量，在所述m个车辆中确定作为被管控对象的目标车辆。
36.通过上述步骤，通过获取n个车辆中各个车辆的危险度参数，得到n个危险度参数，再从n个车辆中选取危险度参数排名前m位的m个车辆，并获取m个车辆中各个车辆的活跃度参数，得到m个活跃度参数，再根据n个危险度参数中与m个车辆对应的m个危险度参数和m个
活跃度参数，确定m个车辆中的各个车辆的车辆特征向量，得到m个车辆特征向量，其中，m个车辆特征向量中的各个车辆特征向量包括m个车辆中对应车辆的危险度参数和活跃度参数，然后，根据m个车辆特征向量在m个车辆中确定作为被管控对象的目标车辆。实现了根据车辆的危险度参数及活跃度参数，在m个车辆中确定出作为被管控对象的目标车辆的目的，避免了相关技术中仅依据车辆特征来确定目标车辆的方法比较单一导致确定目标车辆的效率较低的问题。因此，解决了相关技术中存在的确定目标车辆的效率较低的问题。
37.其中，上述步骤的执行主体可以为终端，或应用程序，或车辆管控系统，或者为配置在存储设备上的具备人机交互能力的处理器，或者为具备类似处理能力的处理设备或处理单元等，但不限于此。
38.在上述实施例中，获取n个车辆中的各个车辆的危险度参数，得到n个危险度参数，其中，n个车辆中的各个车辆的危险度参数是基于各个车辆的一组属性进行计算得到的，n为大于或等于2的正整数，例如，上述一组属性可以包括车辆的基本属性、危险属性、违章行为、事故行为及活跃情况等其中的部分或全部，基本属性可以是车辆的类型，例如大货车、小货车、危化品运输车、公交车、小汽车等，违章行为可以包括超速行为或超载行为或闯红灯行为等，危险度参数是基于每个车辆的一组属性进行计算得到的，例如，为一组属性中的每个属性或行为赋予不同的分值，便可构建车辆的安全积分体系，即计算每个车辆的安全积分；在n个车辆中选取m个车辆，并获取m个车辆中的各个车辆的活跃度参数，得到m个活跃度参数，例如，从n个车辆中选取危险度参数排在前m位的m个车辆，例如，从某个区域(如某行政区)的1万个车辆中选取危险度参数排在前100名的100个车辆；再根据n个危险度参数中与m个车辆对应的m个危险度参数和m个活跃度参数，确定m个车辆中的各个车辆的车辆特征向量，得到m个车辆特征向量，即建立m个车辆的车辆特征向量，其中，每个车辆特征向量中包括车辆的危险度参数和活跃度参数；然后，根据m个车辆特征向量，在m个车辆中确定作为被管控对象的目标车辆，例如，在m个车辆中将危险度参数和活跃度参数均靠前的车辆确定为被管控的目标车辆，在实际应用中，可将确定目标车辆的问题抽象成最小化多目标问题，例如，基于危险度参数和活跃度参数两个目标建立非支配排序算法，得出信息最可靠的、最需要及时被管控的目标车辆。实现了根据车辆的危险度参数及活跃度参数，在m个车辆中确定出作为被管控对象的目标车辆的目的，避免了相关技术中仅依据车辆特征来确定目标车辆的方法比较单一导致确定目标车辆的效率较低的问题。因此，解决了相关技术中存在的确定目标车辆的效率较低的问题。
39.在一个可选的实施例中，所述根据所述m个车辆特征向量，在所述m个车辆中确定作为被管控对象的目标车辆，包括：根据所述m个车辆特征向量确定所述m个车辆中的各个车辆的支配特征向量，得到m个支配特征向量，其中，所述m个支配特征向量中的第i个支配特征向量包括与所述m个车辆特征向量中的第i个车辆特征向量对应的第i个支配数量和第i个被支配数量，所述第i个支配数量包括所述m个车辆特征向量中满足支配条件的车辆特征向量的数量，所述支配条件是指所述车辆特征向量中的各个向量成员的取值都比所述第i个车辆特征向量中对应位置的向量成员的取值大；所述第i个被支配数量包括所述m个车辆特征向量中满足被支配条件的车辆特征向量的数量，所述被支配条件是指所述车辆特征向量中的各个向量成员的取值都比所述第i个车辆特征向量中对应位置的向量成员的取值小，i为小于或等于m的正整数；根据所述m个支配特征向量，在所述m个车辆中确定作为被管
控对象的所述目标车辆。在本实施例中，支配特征向量与车辆特征向量是一一对应的，在m个车辆特征向量中确定与每个车辆特征向量满足支配条件(或支配关系)、被支配条件(或被支配关系)的其它车辆特征向量，例如，第j个车辆特征向量支配第i个车辆特征向量，是指第j个车辆特征向量中的各个向量成员的取值都比第i个车辆特征向量中对应的向量成员的取值大，例如，车辆特征向量中包括车辆的危险度参数和活跃度参数，如果第j个车辆特征向量中的危险度参数、活跃度参数都比第i个车辆特征向量中的危险度参数、活跃度参数的取值大，则说明第j个车辆特征向量支配第i个车辆特征向量；在实际应用中，只要第j个车辆特征向量的一个向量成员(如危险度参数)大于第i个车辆特征向量的对应向量成员(如危险度参数)，而第j个车辆特征向量的其它向量成员(如活跃度参数)不小于第i个车辆特征向量的对应其它向量成员(如活跃度参数)，即可说明第j个车辆特征向量支配第i个车辆特征向量；为了更方便理解，如果在二维坐标系(假如车辆特征向量中包括危险度参数和活跃度参数，其中一个参数作为横坐标，另一个参数作为纵坐标)中将第i个车辆特征向量和第j个车辆特征向量标出，第j个车辆特征向量对应的坐标点在第i个车辆特征向量的右上角，或正右方，或正上方。支配特征向量中包括支配数量和被支配数量，例如，在m个车辆特征向量中确定出满足支配第i个车辆特征向量的其它车辆特征向量的数量，以及确定出满足被第i个车辆特征向量支配的其它车辆特征向量的数量，这样，可以得到与m个车辆特征向量分别对应的m个支配特征向量，然后根据m个支配特征向量，在m个车辆中确定出作为被管控对象的目标车辆，例如，若第i个车辆特征向量的支配数量为0，说明该第i个车辆特征向量所对应的车辆的危险度和活跃度都更优于其他车辆，因此，可以推荐该车辆作为被重点管控的目标对象，当然，在实际应用中，可根据m个支配特征向量选出多个车辆作为被管控对象的目标车辆。通过本实施例，实现了建立支配特征向量并根据支配特征向量在m个车辆中确定出目标车辆的目的。
40.在一个可选的实施例中，所述根据所述m个支配特征向量，在所述m个车辆中确定作为被管控对象的所述目标车辆，包括：按照所述m个支配特征向量中各个支配特征向量包括的所述支配数量从小到大的顺序，对所述m个支配特征向量进行排序，得到排序结果；在所述排序结果中确定排在前k位的支配特征向量，并在所述m个车辆中将与所述排在前k位的支配特征向量对应的k个车辆确定为所述目标车辆，其中，k为大于或等于1、且小于m的正整数。在本实施例中，按照m个支配特征向量中各个支配特征向量中包括的支配数量从小到大的顺序，对m(如m＝100，或其它)个支配特征向量进行排序，得到排序结果，然后在排序结果中确定出排在前k(如k＝10，或其它)位的支配特征向量，将排在前k位的支配特征向量所对应的k个车辆确定为目标车辆，说明排在前k位的车辆特征向量对应的危险度参数和活跃度参数比排在第k名之后的其它车辆特征向量对应的危险度参数和活跃度参数大，也说明排在前k位的车辆相对来说更危险。通过本实施例，通过对m个支配特征向量进行排序确定出排在前k位的支配特征向量，并将该前k位的支配特征向量对应的k个车辆确定为目标车辆的目的。
41.在一个可选的实施例中，所述按照所述m个支配特征向量中各个支配特征向量包括的所述支配数量从小到大的顺序，对所述m个支配特征向量进行排序，得到排序结果，包括：在所述m个支配特征向量中的所述第i个支配特征向量包括的所述第i个支配数量与所述m个支配特征向量中的第j个支配特征向量包括的第j个支配数量相等、且所述第i个支配
特征向量包括的第i个被支配数量大于所述第j个支配特征向量包括的第j个被支配数量的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的前面，j为大于或等于1、且小于或等于m的正整数；或者在所述第i个支配数量与所述第j个支配数量相等、所述第i个被支配数量等于所述第j个被支配数量、且与所述第i个支配特征向量对应的第i个车辆特征向量中的所述活跃度参数大于与所述第j个支配特征向量对应的第j个车辆特征向量中的所述活跃度参数的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的前面；在所述第i个支配数量与所述第j个支配数量相等、所述第i个被支配数量等于所述第j个被支配数量、且与所述第i个支配特征向量对应的第i个车辆特征向量中的所述活跃度参数小于与所述第j个支配特征向量对应的第j个车辆特征向量中的所述活跃度参数的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的后面。在本实施例中，当第i个支配特征向量包括的第i个支配数量与第j个支配特征向量包括的第j个支配数量相等时，比较第i个支配特征向量包括的第i个被支配数量和第j个支配特征向量包括的第j个被支配数量，若第i个被支配数量大于第j个被支配数量，则将第i个支配特征向量排在第j个支配特征向量的前面，相反，若第i个被支配数量小于第j个被支配数量，则将第i个支配特征向量排在第j个支配特征向量的后面；可选地，当第i个支配数量与第j个支配数量相等、第i个被支配数量与第j个被支配数量也相等时，比较第i个支配特征向量对应的第i个车辆特征向量中的活跃度参数与第j个支配特征向量对应的第j个车辆特征向量中的活跃度参数，若第i个车辆特征向量中的活跃度参数大于第j个车辆特征向量中的活跃度参数，则将第i个支配特征向量排在第j个支配特征向量的前面，否则将第i个支配特征向量排在第j个支配特征向量的后面。通过本实施例，实现了对m个支配特征向量进行排序的目的，进而可以确定出m个车辆中各个车辆的危险等级。
42.在一个可选的实施例中，所述获取n个车辆中的各个车辆的危险度参数，得到n个危险度参数，包括：获取所述n个车辆中的各个车辆的一组属性，得到n组属性；根据所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定n个车辆中的各个车辆的危险度参数，得到n个危险度参数，其中，所述n组属性中的各个不同的属性被预先设置有对应的危险度子参数。在本实施例中，可获取n个车辆中各个车辆的一组属性，得到n组属性，例如，上述一组属性可以包括车辆的基本属性、危险属性、违章行为、事故行为及活跃情况等其中的部分或全部，每种属性中还可包括一个或多个子属性，基本属性可以是车辆的类型，例如大货车、小货车、危化品运输车、公交车、小汽车等，违章行为可以包括超速行为或超载行为或闯红灯行为等，事故行为可以包括车辆是否发生过事故或发生事故的次数等，危险属性可以是车辆是否为报废车辆或车辆的使用年限等，可以预先为每个属性或子属性设置不同的危险度子参数(或分值)，这样即可确定n个车辆中的各个车辆的危险度参数，以得到n个危险度参数。通过本实施例，实现了根据预先设置的不同属性的危险度子参数确定出各个车辆的危险度参数的目的。
43.在一个可选的实施例中，所述根据所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定n个车辆中的各个车辆的危险度参数，得到n个危险度参数，包括：按照以下方式确定所述n个车辆中第i个车辆的所述危险度参数：第i个车辆的危险度参数＝第i个车辆的基本属性对应的危险度子参数*(其他属性所分别对应的危险度子参数之和)，其中，所述第i个车辆的一组属性中包括所述基本属性与所述其他属性，所述其他属性包括
所述第i个车辆的一组属性中除所述基本属性除之外的属性，i为大于或等于1、且小于或等于n的正整数；其中，在所述第i个车辆的一组属性包括p个属性的情况下，所述第i个车辆的一组属性对应的p个危险度子参数的取值是预设的p个值，p为大于或等于2的正整数；或者，在所述第i个车辆的一组属性包括p个属性的情况下，所述第i个车辆的一组属性中的q个属性对应的q个危险度子参数的取值比所述预设的p个值中对应的q个值大，所述第i个车辆的一组属性中除所述q个属性之外的属性对应的危险度子参数的取值为所述p个值中对应的值，所述q个属性是根据预设的车辆危险预测模型确定出的所述p个属性中对所述危险度参数贡献度最大的前q个属性，q为大于或等于1、且小于p的正整数。在本实施例中，对于n个车辆中的任一个车辆(如第i个车辆)，可按照公式：第i个车辆的危险度参数＝第i个车辆的基本属性对应的危险度子参数*(其他属性所分别对应的危险度子参数之和)计算出该车辆的危险度参数，可选地，第i个车辆的一组属性中包括的p个属性对应的p个危险度子参数的取值均为预先设置好的；或者，p个属性中部分属性(如q个属性)对应的q个危险度子参数的取值比预先设置的值更大，例如，该q个属性是根据车辆危险预测模型确定出的对车辆的危险度参数贡献度较大的属性，即此时可对该q个属性所对应的q个危险度子参数的取值进行调整(或修正)，再计算车辆的危险度参数。通过本实施例，实现了根据一组属性中各个属性对应的危险度子参数确定车辆的危险度参数的目的。
44.在一个可选的实施例中，所述获取所述m个车辆中的各个车辆的活跃度参数，得到m个活跃度参数，包括：通过预定时段上目标区域内的车辆数据，确定所述m个车辆中的各个车辆的活跃时间数据，以及所述m个车辆中的各个车辆的活跃空间数据，其中，所述活跃时间数据用于表示所述m个车辆中的各个车辆在所述目标区域内的活动时间，所述活跃空间数据用于表示所述m个车辆中的各个车辆在所述目标区域内的活动距离；根据所述m个车辆中的各个车辆的活跃时间数据以及所述m个车辆中的各个车辆的活跃空间数据，确定所述m个车辆中的各个车辆的活跃度参数，得到所述m个活跃度参数。在本实施例中，通过预定时段上目标区域内的车辆数据，确定m个车辆中各个车辆的活跃时间数据和活跃空间数据，例如，可对目标区域(如某行政区)近几周内的卡口过车数据进行统计分析，以确定各个车辆的活跃时间数据和活跃空间数据；然后，根据m个车辆的活跃时间数据和m个车辆的活跃空间数据，确定m个车辆中各个车辆的活跃度参数，得到m个活跃度参数。即根据车辆的活跃时间数据和活跃空间数据来综合评价车辆的活跃行为。
45.在一个可选的实施例中，所述根据所述m个车辆中的各个车辆的活跃时间数据以及所述m个车辆中的各个车辆的活跃空间数据，确定所述m个车辆中的各个车辆的活跃度参数，得到所述m个活跃度参数，包括：确定所述m个车辆中的各个车辆的活跃时间数据的第一熵权值，以及所述m个车辆中的各个车辆的活跃空间数据的第二熵权值；根据所述m个车辆中的各个车辆的活跃时间数据、所述m个车辆中的各个车辆的活跃时间数据的第一熵权值、所述m个车辆中的各个车辆的活跃空间数据、以及所述m个车辆中的各个车辆的活跃空间数据的第二熵权值，确定所述m个车辆中的各个车辆的活跃度参数，得到所述m个活跃度参数。在本实施例中，通过活跃时间数据和活跃空间数据两个维度来综合评价车辆的活跃程度，可采用熵权法来确定这两个指标(即活跃时间数据、活跃空间数据)的权重，即确定各个车辆的活跃时间数据的第一熵权值和活跃空间数据的第二熵权值，再根据各个车辆的活跃时间数据、第一熵权值、各个车辆的活跃空间数据、第二熵权值，确定各个车辆的活跃度参数。
46.在一个可选的实施例中，所述确定所述m个车辆中的各个车辆的活跃时间数据的第一熵权值，以及所述m个车辆中的各个车辆的活跃空间数据的第二熵权值，包括：构建所述m个车辆的活跃度评价参数矩阵x，其中，x中的元素x
i,j
用于表示所述m个车辆中的第i个车辆的第j项评价参数，当j等于1时，所述第i个车辆的第j项评价参数是所述第i个车辆的所述活跃时间数据，当j等于2时，所述第i个车辆的第j项评价参数是所述第i个车辆的所述活跃空间数据，其中，i为大于或等于1、小于或等于m的正整数，j等于1或2；对所述矩阵x进行标准化，得到标准化后的矩阵z，其中，矩阵z中的元素z
i,j
为：根据所述矩阵z，得到概率矩阵p，其中，所述概率矩阵p中的元素p
i,j
用于表示所述m个车辆中的所述第i个车辆的第j项评价参数在所述m个车辆的所述第j项评价参数中所占的比重；根据所述概率矩阵p按照以下公式计算所述第j项评价参数的信息熵：其中，ej表示所述第j项评价参数的信息熵；基于所述第j项评价参数的信息熵按照以下公式计算所述第j项评价参数的熵权值：其中，dj＝1-ej，w1为所述第一熵权值，w2为所述第二熵权值。在本实施例中，构建m个车辆的活跃度评价参数矩阵x，按照上述方法确定出各项评价参数的熵权值，例如，w1为活跃时间数据对应的熵权值(即第一熵权值)，w2为活跃空间数据对应的熵权值(即第二熵权值)。在确定第一熵权值和第二熵权值后，可按照公式：第i个车辆活跃度参数ai＝(w1*x
i,1
+w2*x
i,2
)。
47.在一个可选的实施例中，所述获取所述n个车辆中的各个车辆的一组属性，得到n组属性，包括：根据接收到的目标配置参数，对所述n组属性中的部分属性对应的危险度子参数进行更新，得到更新后的所述n组属性中的各组属性中的各个属性对应的危险度子参数；所述根据所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定n个车辆中的各个车辆的危险度参数，得到n个危险度参数，包括：根据更新后的所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定所述n个车辆中的各个车辆的危险度参数，得到所述n个危险度参数。在本实施例中，可根据目标配置参数对n组属性中的部分属性所对应的危险度子参数进行更新，再根据跟新后的各个属性对应的危险度子参数，确定n个车辆中各个车辆的危险度参数，以得到n个危险度参数。例如，上述目标配置参数可以是车辆管理部门所配置的参数，如车辆管理部门所管辖的区域范围、关注车辆所出现的次数约束，或者，上述目标配置参数可以是车辆管理部门对危险属性进行的修正或配置。通过本实施例，实现了结合用户配置的参数来综合确定出目标车辆目的，达到了提升用户使用体验的效果。
48.显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。现结合实施例对本发明进行具体说明。
49.本发明实施例提供了一种基于车辆危险特征和活跃行为的重点车辆研判推荐方法，图3是根据本发明实施例的重点车辆研判推荐方法流程图，包括以下步骤：
50.步骤1：高危险分数车辆
51.(1)车辆安全总积分
52.根据车辆的基本属性、危险属性、违法行为、事故行为、活跃情况等，构建车辆安全评价的标签体系。为不同的属性和行为都赋予不同的分值，便构建了车辆的安全积分。车辆
安全积分规则为z＝基本属性*(危险属性+违法行为+事故行为+活跃情况)。
53.(2)高危险分数车辆
54.对交警来说，需要区分需要重点管控车辆、重点关注车辆和日常关注车辆。而对于分数较高的车辆，便代表其危险程度越高，则可纳入高危险分数车辆中。
55.(3)分车型危险特征
56.对车辆的危险等级排序，从本质上是一个多属性决策的过程，根据车辆具有的多个标签，决策者根据自己的经验主观决定各个标签的重要度(积分值)，通过积分的方式，确定该车辆的危险程度和危险排序。
57.积分过程中，由于根据决策者主观经验确定积分值，可能会导致得到的危险车辆并不合理。因此，在研判推荐过程中，引入客观赋权的方法，对于每一种车型，根据数据表现中，若高危险分数车辆和非高危险分数车辆具有的标签的显著特征，来进一步加大车辆危险度的区分度，更好的将该种车型具有危险特征的车辆识别出来。
58.为了能够利用标签，将安全和危险的车辆区分出来，本质上是一个基于特征分类的过程。而分类树就是解决这一问题常用的方法。原理上是从根节点出发，利用递归的方法，对于训练样本集的数据(特征向量及其对应的分类结果)，根据叶子节点上特征不同的取值进行分裂。由于决策树算法容易过拟合，导致泛化能力不足，而且寻找到的决策树是局部最优，而非全局最优。因此引入随机森林bagging的思想，利用多个弱分类器的分类结果进行投票选择，从而组成一个强分类器。这样能够解决数据过拟合问题，提高准确性。
59.对于高危险分数车辆，其积分所用的标签和判定是否为高危险分数车辆属性即为其自变量，而标签的得分即为特征值。基于所述自变量数据中各个数据的相关性以及所述自变量数据中各个数据对所述高危车辆数据的重要程度，构建随机森林模型。以高危险分数车辆和非高危险分数车辆数据进行训练，得到高危车辆预测模型。当随机森林模型预测的准确性》0.8时，认为该类型的车辆具有高危特征，则选取贡献度较高的n个特征作为代表性特征。
60.(4)高危险分数车辆修正
61.在得到每一类型车辆的高危特征之后，对该类型车辆的危险分数进行修正。修正的方法包括但不限于：1)每具有一个危险特征，即增加x分；2)基于危险特征和危险特征的贡献度累计得分作为危险总分；3)基于危险特征和危险特征得到的分数对车辆进行排序，与原始的危险车辆排序进行对比，对于同一个车辆，选取排序较小的，作为其最终的车辆危险排名。
62.步骤2：车辆活跃行为
63.(1)活跃时段
64.根据车辆近n周的卡口过车数据今天统计分析，可以得到车辆总共在多少个小时内出现过，将次作为车辆的活跃时段数量(对应于前述活跃时间数据)。
65.(2)活跃空间范围
66.由于车辆可能存在较小空间范围内徘徊现象，导致其活跃路径较长，但是并非交警关注的活跃车辆，因此采用将空间划分为栅格网络，考虑车辆在栅格之间的活跃距离(对应于前述活跃空间数据)。
67.1)建立空间栅格：按照经度和纬度将城市区域划分为一个以上栅格；
68.2)栅格距离：基于车辆n周内的完整轨迹，将每个轨迹点落在空间栅格中，并连接成轨迹，栅格间的总距离记为空间活跃程度。图4是根据本发明实施例的活跃空间示例图，根据栅格距离可以确定车辆的活跃空间范围。
69.(3)时空活跃
70.为了能够客观的利用活跃时段、活跃时空范围两个维度来综合评价车辆的活跃程度。采用熵权法来确定这两个指标的权重。
71.1)数据标准化
72.n个车辆对象(对应于前述m个车辆)，m个活跃程度评价指标，m＝2，分别为活跃时段、活跃时空范围。
73.标准化前的矩阵为：
[0074][0075]
标准化后的矩阵为：
[0076][0077]
2)计算第j项指标下第i个样本所占的比重，并将其看作相对熵计算中用到的概率。在上一步的基础上计算概率矩阵p，p中的每一个元素如下：
[0078][0079]
3)计算每个指标的信息熵，并计算信息效用值，并归一化得到每个指标的熵权。对第j个指标而言，其信息熵的计算公式为：
[0080][0081]ej
越大，则第j个指标的信息熵越大，其对应的信息量越小。
[0082]
定义信息效用值dj，公式如下：
[0083]dj
＝1-ej[0084]
将信息效用值归一化，得到每个指标的熵权：
[0085][0086]
4)时空活跃度
[0087]
车辆的时空活跃度为：ai＝w1*x
i1
+w2*x
i2
。w1对应于前述第一熵权值，w2对应于前述第二熵权值。
[0088]
步骤3：潜在推荐车辆
[0089]
在未知交警用户的管理倾向时，推荐车辆是为了将同时满足危险和活跃条件的车辆信息更快速的推荐给交警用户。推荐车辆问题可以抽象成最小化多目标问题，设定危险度和活跃度两个目标建立非支配排序算法，得出信息最可靠的、最需要及时监管的重点车
辆(对应于前述目标车辆)。
[0090]
(1)构建全部车辆特征向量和排序车辆特征向量
[0091]
将全部t辆车v＝{v1，v1，
……
，vi}(i＝1,
…
,t)，车辆的特征包括危险度a以及活跃度p，则车辆的特征向量为vi(pi,ai)(i＝1,
…
,t)。由于不同的车辆所对应的数据可能具有相同的特征，因此，共存在不同的车辆特征向量x(pi,ai,si)(i＝1,
…
,x),si表示具有相同车辆特征的车辆数。
[0092]
(2)计算车辆特征的支配解数m和被支配解数n
[0093]
对于车辆特征向量xi(pi,ai,si)，若存在特征向量xj(pj,aj,sj)，若满足：
[0094]
pi≥pj[0095]ai
》aj[0096]
或者
[0097]
pi》pj[0098]ai
≥aj[0099]
如图5所示，车辆特征向量xi支配车辆特征向量xj，车辆特征向量xj被车辆特征向量xi支配；也就是说xi是xj的支配解,合计si个支配解数，xj是xi的被支配解，合计sj个被支配解数。
[0100]
据此可以计算车辆特征向量xi的支配解数和被支配解数记为支配特征向量xi(mi,ni)(i＝1,
…
,x)。
[0101]
(3)支配特征向量排序，计算排序等级r
[0102]
一次排序：
[0103]
对于车辆特征向量的支配向量xi(mi,ni)(i＝1,
…
,x)，首先以支配解数升序排序，特别的，若车辆特征支配解数为0表明车辆的危险度和活跃度都更优于其他车辆，即该车辆特征向量支配其他的所有辆特征向量(活动频繁且相对可靠)，其排序等级r应为1。
[0104]
二次排序：
[0105]
假设车辆特征xi与车辆特征xj的支配解数mi＝mj，表明车辆特征之间互不支配，如图6所示，xi的危险度ai高于xj的危险度aj，但是活跃度pi《pj，此时需要考虑这两个车辆特征的被支配解数n进行降序二次排序；
[0106]
当ni》nj时，则表明车辆的特征数据集更倾向于分布在活跃度指标上。车辆特征xj朝着数据更集中的方向递进，需要优先关注。xi的排序等级xi(ri)高于xj(rj)。
[0107]
三次排序：
[0108]
假设车辆特征xi与车辆特征xj的被支配解数ni＝nj，则需要再次根据车辆的活跃度进行三次排序，这里默认活跃度p较高的，信息更为可靠，需要被优先推荐。
[0109]
最终得到车辆特征x的排序等级ri(i＝1,
…
,x)，整合成排序车辆特征向量xi(pi,ai,ri)(i＝1,
…
,x)。
[0110]
(4)计算全部车辆的推荐排序
[0111]
根据危险度和活跃度，若车辆vi(pi,ai)(i＝1,
…
,t)和排序车辆数据集中车辆x满足，排序车辆特征向量xj(pj,aj,rj)(j＝1,
…
,x)
[0112]
若满足：
[0113]
[0114][0115]
则
[0116][0117]
其中，若存在多辆车危险度和活跃度相同，则标记相同序号，最终得到全部车辆推荐排序数据集t(pi,ai,ri)(i＝1,
…
,t)。
[0118]
步骤4：基于民警日常工作的推荐车辆
[0119]
前序步骤是基于危险维度和活跃维度进行推荐车辆的，为了更加满足交警的日常工作需要，此步骤考虑交警配置的参数。
[0120]
(1)辖区交警潜在关注车辆
[0121]
交警支持配置参数为：交警所管辖区范围、关注车辆出现的次数约束。
[0122]
基于这两个配置，在全部车辆中过滤出符合条件的车辆，作为当日工作潜在关注的车辆集合。
[0123]
(2)修正危险程度分数
[0124]
交警支持配置参数为：危险程度标签。前序的高危险分数车辆修正基于随机森林算法挖掘各个车型的重要标签，而当民警明确该车辆类型关注的特征时，将其作为修正危险程度标签，对潜在关注车辆的危险程度进行修正。
[0125]
(3)推荐车辆
[0126]
参考步骤3中潜在推荐车辆的方法，对于修正过危险程度的车辆，进行支配排序，得到潜在关注车辆的推荐顺序。
[0127]
交警支持配置参数为：每日推荐车辆数。基于每日推荐车辆数，按序推荐最终符合民警要求的推荐车辆。
[0128]
在上述实施例中，通过活跃维度和危险维度两个角度综合判定，利用支配排序的方法，推荐出重点车辆的管控顺序；车辆的危险程度，基于车辆各种危险子特征累加得到的总分，利用随机森林算法，提取贡献程度较高的重要特征，并基于这些特征，修正车辆的危险程度；考虑车辆的空间活跃程度，利用了栅格距离的理论，排除车辆在较短空间范围内徘徊的现象，更好的发现空间上活跃的车辆；车辆的活跃程度，对于时间活跃和空间活跃，采用熵权法，得到时空综合活跃程度；基于用户配置的关注危险标签，与原有的危险总分综合对比，得到融合了用户关注、本身更加危险的车辆列表。
[0129]
与相关技术相比，本发明实施例具有以下优点：1)本发明实施例基于交警实际的重点车监管场景，充分考虑车辆的危险特征和活跃情况，为其推荐出每日的管控车辆，是能真正解决交警车辆管理问题的重要手段；2)本发明实施例在考虑车辆的危险特征时，不仅考虑车辆各种危险子特征累加得到的总分，还充分考虑了对于该类重点车型，哪些子特征对于危险程度的贡献更大，从而在危险维度上对车辆进行修正；3)本发明实施例在考虑车辆的活跃行为时，同时考虑车辆在时间和空间两个维度的活跃状态；4)本发明实施例基于融合用户关注的危险特征、期望关注的车辆数量、活跃状态等，综合得到符合交警每日管理工作的重点车。
[0130]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有
技术做出贡献的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介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0131]
在本实施例中还提供了一种目标车辆的确定装置，图7是根据本发明实施例的目标车辆的确定装置的结构框图，如图7所示，该装置包括：
[0132]
第一获取模块702，用于获取n个车辆中的各个车辆的危险度参数，得到n个危险度参数，其中，所述n个车辆中的各个车辆的危险度参数是基于所述各个车辆的一组属性进行计算得到的，n为大于或等于2的正整数；
[0133]
第二获取模块704，用于在所述n个车辆中选取m个车辆，并获取所述m个车辆中的各个车辆的活跃度参数，得到m个活跃度参数，其中，所述m个车辆是所述n个车辆中危险度参数从大到小排在前m位的车辆，m为大于或等于1、且小于n的正整数；
[0134]
第一确定模块706，用于根据所述n个危险度参数中与所述m个车辆对应的m个危险度参数和所述m个活跃度参数，确定所述m个车辆中的各个车辆的车辆特征向量，得到m个车辆特征向量，其中，所述m个车辆特征向量中的各个车辆特征向量包括所述m个车辆中对应车辆的危险度参数、活跃度参数；
[0135]
第二确定模块708，用于根据所述m个车辆特征向量，在所述m个车辆中确定作为被管控对象的目标车辆。
[0136]
在一个可选的实施例中，上述第二确定模块708包括：第一确定子模块，用于根据所述m个车辆特征向量确定所述m个车辆中的各个车辆的支配特征向量，得到m个支配特征向量，其中，所述m个支配特征向量中的第i个支配特征向量包括与所述m个车辆特征向量中的第i个车辆特征向量对应的第i个支配数量和第i个被支配数量，所述第i个支配数量包括所述m个车辆特征向量中满足支配条件的车辆特征向量的数量，所述支配条件是指所述车辆特征向量中的各个向量成员的取值都比所述第i个车辆特征向量中对应位置的向量成员的取值大；所述第i个被支配数量包括所述m个车辆特征向量中满足被支配条件的车辆特征向量的数量，所述被支配条件是指所述车辆特征向量中的各个向量成员的取值都比所述第i个车辆特征向量中对应位置的向量成员的取值小，i为小于或等于m的正整数；第二确定子模块，用于根据所述m个支配特征向量，在所述m个车辆中确定作为被管控对象的所述目标车辆。
[0137]
在一个可选的实施例中，上述第二确定子模块包括：排序单元，用于按照所述m个支配特征向量中各个支配特征向量包括的所述支配数量从小到大的顺序，对所述m个支配特征向量进行排序，得到排序结果；第一确定单元，用于在所述排序结果中确定排在前k位的支配特征向量，并在所述m个车辆中将与所述排在前k位的支配特征向量对应的k个车辆确定为所述目标车辆，其中，k为大于或等于1、且小于m的正整数。
[0138]
在一个可选的实施例中，上述排序单元包括：第一排序子单元，用于在所述m个支配特征向量中的所述第i个支配特征向量包括的所述第i个支配数量与所述m个支配特征向量中的第j个支配特征向量包括的第j个支配数量相等、且所述第i个支配特征向量包括的第i个被支配数量大于所述第j个支配特征向量包括的第j个被支配数量的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的前面，j为大于或等于1、且小于或等于m的正整数；或者第二排序子单元，用于在所述第i个支配数量与所述第j个支配数量相等、所
述第i个被支配数量等于所述第j个被支配数量、且与所述第i个支配特征向量对应的第i个车辆特征向量中的所述活跃度参数大于与所述第j个支配特征向量对应的第j个车辆特征向量中的所述活跃度参数的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的前面；第三排序子单元，用于在所述第i个支配数量与所述第j个支配数量相等、所述第i个被支配数量等于所述第j个被支配数量、且与所述第i个支配特征向量对应的第i个车辆特征向量中的所述活跃度参数小于与所述第j个支配特征向量对应的第j个车辆特征向量中的所述活跃度参数的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的后面。
[0139]
在一个可选的实施例中，上述第一获取模块702包括：第一获取子模块，用于获取所述n个车辆中的各个车辆的一组属性，得到n组属性；第三确定子模块，用于根据所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定n个车辆中的各个车辆的危险度参数，得到n个危险度参数，其中，所述n组属性中的各个不同的属性被预先设置有对应的危险度子参数。
[0140]
在一个可选的实施例中，上述第三确定子模块包括：第二确定单元，用于按照以下方式确定所述n个车辆中第i个车辆的所述危险度参数：第i个车辆的危险度参数＝第i个车辆的基本属性对应的危险度子参数*(其他属性所分别对应的危险度子参数之和)，其中，所述第i个车辆的一组属性中包括所述基本属性与所述其他属性，所述其他属性包括所述第i个车辆的一组属性中除所述基本属性除之外的属性，i为大于或等于1、且小于或等于n的正整数；其中，在所述第i个车辆的一组属性包括p个属性的情况下，所述第i个车辆的一组属性对应的p个危险度子参数的取值是预设的p个值，p为大于或等于2的正整数；或者，在所述第i个车辆的一组属性包括p个属性的情况下，所述第i个车辆的一组属性中的q个属性对应的q个危险度子参数的取值比所述预设的p个值中对应的q个值大，所述第i个车辆的一组属性中除所述q个属性之外的属性对应的危险度子参数的取值为所述p个值中对应的值，所述q个属性是根据预设的车辆危险预测模型确定出的所述p个属性中对所述危险度参数贡献度最大的前q个属性，q为大于或等于1、且小于p的正整数。
[0141]
在一个可选的实施例中，上述第二获取模块704包括：第四确定子模块，用于通过预定时段上目标区域内的车辆数据，确定所述m个车辆中的各个车辆的活跃时间数据，以及所述m个车辆中的各个车辆的活跃空间数据，其中，所述活跃时间数据用于表示所述m个车辆中的各个车辆在所述目标区域内的活动时间，所述活跃空间数据用于表示所述m个车辆中的各个车辆在所述目标区域内的活动距离；第五确定子模块，用于根据所述m个车辆中的各个车辆的活跃时间数据以及所述m个车辆中的各个车辆的活跃空间数据，确定所述m个车辆中的各个车辆的活跃度参数，得到所述m个活跃度参数。
[0142]
在一个可选的实施例中，上述第五确定子模块包括：第三确定单元，用于确定所述m个车辆中的各个车辆的活跃时间数据的第一熵权值，以及所述m个车辆中的各个车辆的活跃空间数据的第二熵权值；第四确定单元，用于根据所述m个车辆中的各个车辆的活跃时间数据、所述m个车辆中的各个车辆的活跃时间数据的第一熵权值、所述m个车辆中的各个车辆的活跃空间数据、以及所述m个车辆中的各个车辆的活跃空间数据的第二熵权值，确定所述m个车辆中的各个车辆的活跃度参数，得到所述m个活跃度参数。
[0143]
在一个可选的实施例中，上述第三确定单元包括：构建子单元，用于构建所述m个
车辆的活跃度评价参数矩阵x，其中，x中的元素x
i,j
用于表示所述m个车辆中的第i个车辆的第j项评价参数，当j等于1时，所述第i个车辆的第j项评价参数是所述第i个车辆的所述活跃时间数据，当j等于2时，所述第i个车辆的第j项评价参数是所述第i个车辆的所述活跃空间数据，其中，i为大于或等于1、小于或等于m的正整数，j等于1或2；标准化子单元，用于对所述矩阵x进行标准化，得到标准化后的矩阵z，其中，矩阵z中的元素z
i,j
为：获得子单元，用于根据所述矩阵z，得到概率矩阵p，其中，所述概率矩阵p中的元素p
i,j
用于表示所述m个车辆中的所述第i个车辆的第j项评价参数在所述m个车辆的所述第j项评价参数中所占的比重；第一计算子单元，用于根据所述概率矩阵p按照以下公式计算所述第j项评价参数的信息熵：价参数的信息熵：其中，ej表示所述第j项评价参数的信息熵；第二计算子单元，用于基于所述第j项评价参数的信息熵按照以下公式计算所述第j项评价参数的熵权值：其中，dj＝1-ej，w1为所述第一熵权值，w2为所述第二熵权值。
[0144]
在一个可选的实施例中，上述第一获取子模块包括：更新单元，用于根据接收到的目标配置参数，对所述n组属性中的部分属性对应的危险度子参数进行更新，得到更新后的所述n组属性中的各组属性中的各个属性对应的危险度子参数；上述第三确定子模块包括：第五确定单元，用于根据更新后的所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定所述n个车辆中的各个车辆的危险度参数，得到所述n个危险度参数。
[0145]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0146]
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0147]
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
[0148]
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0149]
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0150]
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
[0151]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作
成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0152]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，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。

技术特征：
1.一种目标车辆的确定方法，其特征在于，包括：获取n个车辆中的各个车辆的危险度参数，得到n个危险度参数，其中，所述n个车辆中的各个车辆的危险度参数是基于所述各个车辆的一组属性进行计算得到的，n为大于或等于2的正整数；在所述n个车辆中选取m个车辆，并获取所述m个车辆中的各个车辆的活跃度参数，得到m个活跃度参数，其中，所述m个车辆是所述n个车辆中危险度参数从大到小排在前m位的车辆，m为大于或等于1、且小于n的正整数；根据所述n个危险度参数中与所述m个车辆对应的m个危险度参数和所述m个活跃度参数，确定所述m个车辆中的各个车辆的车辆特征向量，得到m个车辆特征向量，其中，所述m个车辆特征向量中的各个车辆特征向量包括所述m个车辆中对应车辆的危险度参数、活跃度参数；根据所述m个车辆特征向量，在所述m个车辆中确定作为被管控对象的目标车辆。2.根据权利要求1所述的方法，其特征在于，所述根据所述m个车辆特征向量，在所述m个车辆中确定作为被管控对象的目标车辆，包括：根据所述m个车辆特征向量确定所述m个车辆中的各个车辆的支配特征向量，得到m个支配特征向量，其中，所述m个支配特征向量中的第i个支配特征向量包括与所述m个车辆特征向量中的第i个车辆特征向量对应的第i个支配数量和第i个被支配数量，所述第i个支配数量包括所述m个车辆特征向量中满足支配条件的车辆特征向量的数量，所述支配条件是指所述车辆特征向量中的各个向量成员的取值都比所述第i个车辆特征向量中对应位置的向量成员的取值大；所述第i个被支配数量包括所述m个车辆特征向量中满足被支配条件的车辆特征向量的数量，所述被支配条件是指所述车辆特征向量中的各个向量成员的取值都比所述第i个车辆特征向量中对应位置的向量成员的取值小，i为小于或等于m的正整数；根据所述m个支配特征向量，在所述m个车辆中确定作为被管控对象的所述目标车辆。3.根据权利要求2所述的方法，其特征在于，所述根据所述m个支配特征向量，在所述m个车辆中确定作为被管控对象的所述目标车辆，包括：按照所述m个支配特征向量中各个支配特征向量包括的所述支配数量从小到大的顺序，对所述m个支配特征向量进行排序，得到排序结果；在所述排序结果中确定排在前k位的支配特征向量，并在所述m个车辆中将与所述排在前k位的支配特征向量对应的k个车辆确定为所述目标车辆，其中，k为大于或等于1、且小于m的正整数。4.根据权利要求3所述的方法，其特征在于，所述按照所述m个支配特征向量中各个支配特征向量包括的所述支配数量从小到大的顺序，对所述m个支配特征向量进行排序，得到排序结果，包括：在所述m个支配特征向量中的所述第i个支配特征向量包括的所述第i个支配数量与所述m个支配特征向量中的第j个支配特征向量包括的第j个支配数量相等、且所述第i个支配特征向量包括的第i个被支配数量大于所述第j个支配特征向量包括的第j个被支配数量的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的前面，j为大于或等于1、且小于或等于m的正整数；或者在所述第i个支配数量与所述第j个支配数量相等、所述第i个被支配数量等于所述第j
个被支配数量、且与所述第i个支配特征向量对应的第i个车辆特征向量中的所述活跃度参数大于与所述第j个支配特征向量对应的第j个车辆特征向量中的所述活跃度参数的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的前面；在所述第i个支配数量与所述第j个支配数量相等、所述第i个被支配数量等于所述第j个被支配数量、且与所述第i个支配特征向量对应的第i个车辆特征向量中的所述活跃度参数小于与所述第j个支配特征向量对应的第j个车辆特征向量中的所述活跃度参数的情况下，将所述第i个支配特征向量排在所述第j个支配特征向量的后面。5.根据权利要求1所述的方法，其特征在于，所述获取n个车辆中的各个车辆的危险度参数，得到n个危险度参数，包括：获取所述n个车辆中的各个车辆的一组属性，得到n组属性；根据所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定n个车辆中的各个车辆的危险度参数，得到n个危险度参数，其中，所述n组属性中的各个不同的属性被预先设置有对应的危险度子参数。6.根据权利要求5所述的方法，其特征在于，所述根据所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定n个车辆中的各个车辆的危险度参数，得到n个危险度参数，包括：按照以下方式确定所述n个车辆中第i个车辆的所述危险度参数：第i个车辆的危险度参数＝第i个车辆的基本属性对应的危险度子参数*(其他属性所分别对应的危险度子参数之和)，其中，所述第i个车辆的一组属性中包括所述基本属性与所述其他属性，所述其他属性包括所述第i个车辆的一组属性中除所述基本属性除之外的属性，i为大于或等于1、且小于或等于n的正整数；其中，在所述第i个车辆的一组属性包括p个属性的情况下，所述第i个车辆的一组属性对应的p个危险度子参数的取值是预设的p个值，p为大于或等于2的正整数；或者，在所述第i个车辆的一组属性包括p个属性的情况下，所述第i个车辆的一组属性中的q个属性对应的q个危险度子参数的取值比所述预设的p个值中对应的q个值大，所述第i个车辆的一组属性中除所述q个属性之外的属性对应的危险度子参数的取值为所述p个值中对应的值，所述q个属性是根据预设的车辆危险预测模型确定出的所述p个属性中对所述危险度参数贡献度最大的前q个属性，q为大于或等于1、且小于p的正整数。7.根据权利要求1所述的方法，其特征在于，所述获取所述m个车辆中的各个车辆的活跃度参数，得到m个活跃度参数，包括：通过预定时段上目标区域内的车辆数据，确定所述m个车辆中的各个车辆的活跃时间数据，以及所述m个车辆中的各个车辆的活跃空间数据，其中，所述活跃时间数据用于表示所述m个车辆中的各个车辆在所述目标区域内的活动时间，所述活跃空间数据用于表示所述m个车辆中的各个车辆在所述目标区域内的活动距离；根据所述m个车辆中的各个车辆的活跃时间数据以及所述m个车辆中的各个车辆的活跃空间数据，确定所述m个车辆中的各个车辆的活跃度参数，得到所述m个活跃度参数。8.根据权利要求7所述的方法，其特征在于，所述根据所述m个车辆中的各个车辆的活跃时间数据以及所述m个车辆中的各个车辆的活跃空间数据，确定所述m个车辆中的各个车辆的活跃度参数，得到所述m个活跃度参数，包括：
确定所述m个车辆中的各个车辆的活跃时间数据的第一熵权值，以及所述m个车辆中的各个车辆的活跃空间数据的第二熵权值；根据所述m个车辆中的各个车辆的活跃时间数据、所述m个车辆中的各个车辆的活跃时间数据的第一熵权值、所述m个车辆中的各个车辆的活跃空间数据、以及所述m个车辆中的各个车辆的活跃空间数据的第二熵权值，确定所述m个车辆中的各个车辆的活跃度参数，得到所述m个活跃度参数。9.根据权利要求8所述的方法，其特征在于，所述确定所述m个车辆中的各个车辆的活跃时间数据的第一熵权值，以及所述m个车辆中的各个车辆的活跃空间数据的第二熵权值，包括：构建所述m个车辆的活跃度评价参数矩阵x，其中，x中的元素x
i,j
用于表示所述m个车辆中的第i个车辆的第j项评价参数，当j等于1时，所述第i个车辆的第j项评价参数是所述第i个车辆的所述活跃时间数据，当j等于2时，所述第i个车辆的第j项评价参数是所述第i个车辆的所述活跃空间数据，其中，i为大于或等于1、小于或等于m的正整数，j等于1或2；对所述矩阵x进行标准化，得到标准化后的矩阵z，其中，矩阵z中的元素z
i,j
为：根据所述矩阵z，得到概率矩阵p，其中，所述概率矩阵p中的元素p
i,j
用于表示所述m个车辆中的所述第i个车辆的第j项评价参数在所述m个车辆的所述第j项评价参数中所占的比重；根据所述概率矩阵p按照以下公式计算所述第j项评价参数的信息熵：其中，e
j
表示所述第j项评价参数的信息熵；基于所述第j项评价参数的信息熵按照以下公式计算所述第j项评价参数的熵权值：其中，d
j
＝1-e
j
，w1为所述第一熵权值，w2为所述第二熵权值。10.根据权利要求5中所述的方法，其特征在于，所述获取所述n个车辆中的各个车辆的一组属性，得到n组属性，包括：根据接收到的目标配置参数，对所述n组属性中的部分属性对应的危险度子参数进行更新，得到更新后的所述n组属性中的各组属性中的各个属性对应的危险度子参数；所述根据所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定n个车辆中的各个车辆的危险度参数，得到n个危险度参数，包括：根据更新后的所述n组属性中的各组属性中的各个属性对应的危险度子参数，确定所述n个车辆中的各个车辆的危险度参数，得到所述n个危险度参数。11.一种目标车辆的确定装置，其特征在于，包括：第一获取模块，用于获取n个车辆中的各个车辆的危险度参数，得到n个危险度参数，其中，所述n个车辆中的各个车辆的危险度参数是基于所述各个车辆的一组属性进行计算得到的，n为大于或等于2的正整数；第二获取模块，用于在所述n个车辆中选取m个车辆，并获取所述m个车辆中的各个车辆的活跃度参数，得到m个活跃度参数，其中，所述m个车辆是所述n个车辆中危险度参数从大到小排在前m位的车辆，m为大于或等于1、且小于n的正整数；
第一确定模块，用于根据所述n个危险度参数中与所述m个车辆对应的m个危险度参数和所述m个活跃度参数，确定所述m个车辆中的各个车辆的车辆特征向量，得到m个车辆特征向量，其中，所述m个车辆特征向量中的各个车辆特征向量包括所述m个车辆中对应车辆的危险度参数、活跃度参数；第二确定模块，用于根据所述m个车辆特征向量，在所述m个车辆中确定作为被管控对象的目标车辆。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至10任一项中所述的方法的步骤。13.一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述权利要求1至10任一项中所述的方法的步骤。

技术总结
本发明实施例提供了一种目标车辆的确定方法、装置、存储介质及电子装置，其中，该方法包括：获取N个车辆中各个车辆的危险度参数，得到N个危险度参数，其中，危险度参数是基于车辆的一组属性进行计算得到的；在N个车辆中选取危险度参数排在前M位的M个车辆，并获取M个车辆中各个车辆的活跃度参数，得到M个活跃度参数；根据M个车辆对应的M个危险度参数和M个活跃度参数，确定M个车辆中各个车辆的车辆特征向量，得到M个车辆特征向量，各个车辆特征向量包括对应车辆的危险度参数、活跃度参数；根据M个车辆特征向量在M个车辆中确定作为被管控对象的目标车辆。通过本发明实施例，解决了相关技术中存在的确定目标车辆的效率较低的问题。技术中存在的确定目标车辆的效率较低的问题。技术中存在的确定目标车辆的效率较低的问题。


技术研发人员：刘丽娜 周俊昊 庄亚军
受保护的技术使用者：浙江大华技术股份有限公司
技术研发日：2023.02.20
技术公布日：2023/5/30