CN108573198A - 一种根据车架号识别车型信息的方法及装置 - Google Patents
一种根据车架号识别车型信息的方法及装置 Download PDFInfo
- Publication number
- CN108573198A CN108573198A CN201710149934.5A CN201710149934A CN108573198A CN 108573198 A CN108573198 A CN 108573198A CN 201710149934 A CN201710149934 A CN 201710149934A CN 108573198 A CN108573198 A CN 108573198A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- identify number
- information
- vehicle identify
- feature
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/23—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on positionally close patterns or neighbourhood relationships
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开一种根据车架号识别车型信息的方法及装置。该方法中,首先获取各个已知车型信息的车架号构成的车架号集合;对所述车架号分别进行分割,获取构建所述车架号的各个特征,其中,每个特征包括一个字符和所述字符在所述车架号中所处的位置信息;分别计算各个特征的信息参数,并根据所述信息参数构建决策树,其中,所述决策树中的决策节点为所述特征;将待识别车架号按照所述决策树的决策节点进行判断,根据判断结果确定所述待识别车架号的车型信息。通过该方案,能够创建决策树,根据决策树实现车型信息的识别,不再需要人工创建车架号与车型信息的对应关系,因此与现有技术相比,能够减少人力的浪费。
Description
技术领域
本申请涉及车型识别领域,尤其涉及一种根据车架号识别车型信息的方法及装置。
背景技术
车架号(Vehicle Identification Number,VIN)又被称为车辆识别码,在美国机动车工程师学会标准中,规定车架号由17位字符组成,因此车架号俗称十七位码。车架号中包含了车辆的车型信息,其中,所述车型信息通常包括车辆的生产厂家、年代、车身型式和发动机代码等。
车型信息对车辆性能的评估,以及对车辆的诊断和维修具有重要意义,因此,在实际应用中,经常需要通过车架号识别车型信息。在现有技术中,根据车架号识别车型信息时,通常采用人为进行数据统计的方法。该方法中,由工作人员查看各台车辆的车架号,并统计车型信息,创建车架号与车型信息的对应关系并存储,当需要通过车架号识别车型信息时,根据存储的对应关系和待识别的车架号,即可获取相应的车型信息。
但是,发明人在本申请的研究过程中发现,采用现有技术识别车型信息时,由于需要人工创建车架号与车型信息的对应关系,往往需要耗费大量人力才能完成。
发明内容
本申请提供了一种根据车架号识别车型信息的方法及装置,以解决现有技术进行车型信息识别时,需要耗费大量人力的问题。
第一方面,本申请提供了一种根据车架号识别车型信息的方法,包括:
获取各个已知车型信息的车架号构成的车架号集合;
对所述车架号分别进行分割,获取构建所述车架号的各个特征,其中,每个特征包括一个字符和所述字符在所述车架号中所处的位置信息;
分别计算各个特征的信息参数,并根据所述信息参数构建决策树,其中,所述决策树中的决策节点为所述特征;
将待识别车架号按照所述决策树的决策节点进行判断,根据判断结果确定所述待识别车架号的车型信息。
可选的,所述分别计算各个特征的信息参数,并根据所述信息参数构建决策树,包括:
21)统计在同一车架号集合中,车型信息相同的车架号的数量,并计算所述车型信息相同的车架号的数量占所述车架号集合的比例;
22)比较所述比例与预设阈值;
23)若所述比例小于所述预设阈值,根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算各个特征的信息参数;
24)根据所述信息参数,查找目标特征;
25)将所述目标特征作为一个决策节点,并通过所述决策节点对所述车架号集合中的各个车架号进行划分,获取符合所述决策节点的车架号集合和不符合所述决策节点的车架号集合;
26)分别获取划分后的各个车架号集合中,除去目标特征之后的剩余特征集合,若所述剩余特征集合不为空,返回执行步骤21)的操作。
可选的,所述信息参数为条件熵或信息增益;
若所述信息参数为条件熵,所述根据所述信息参数,查找目标特征包括:
查找条件熵最小的特征,并将所述条件熵最小的特征作为目标特征;
若所述信息参数为信息增益,所述根据所述信息参数,查找目标特征包括:
查找信息增益最大的特征,并将所述信息增益最大的特征作为目标特征。
可选的,若所述信息参数为信息增益,所述根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算各个特征的信息参数,包括:
根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算所述车架号集合对应的车型信息的信息熵;
计算所述各个特征的条件熵;
根据所述车架号集合对应的车型信息的信息熵,以及所述特征的条件熵,依次计算各个特征的信息增益。
可选的,通过以下公式计算所述车架号集合对应的车型信息的信息熵:
其中,H(X)为所述车架号集合对应的车型信息的信息熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;P(x)为x发生的概率。
可选的,通过以下公式计算各个特征的条件熵:
其中,H(X/Y)为所述特征的条件熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;Y为用于表示所述特征是否发生的条件集合;y为条件集合中的元素;P(x,y)用于表示x和y同时发生的概率;P(x/y)用于表示y发生时x发生的概率。
可选的,通过以下公式计算各个特征的信息增益:
G(Y)=H(X)-H(X|Y);
其中,G(Y)为所述特征的信息增益;H(X)为所述车架号集合对应的车型信息的信息熵;H(X/Y)为所述特征的条件熵。
第二方面,本申请还提供了一种根据车架号识别车型信息的装置,包括:
获取模块,用于获取各个已知车型信息的车架号构成的车架号集合;
分割模块,用于对所述车架号分别进行分割,获取构建所述车架号的各个特征,其中,每个特征包括一个字符和所述字符在所述车架号中所处的位置信息;
构建模块,用于分别计算各个特征的信息参数,并根据所述信息参数构建决策树,其中,所述决策树中的决策节点为所述特征;
判断模块,用于将待识别车架号按照所述决策树的决策节点进行判断,根据判断结果确定所述待识别车架号的车型信息。
可选的,所述构建模块包括:
比例计算单元,用于统计在同一车架号集合中,车型信息相同的车架号的数量,并计算所述车型信息相同的车架号的数量占所述车架号集合的比例;
比较单元,用于比较所述比例与预设阈值;
信息参数计算单元,用于若所述比例小于所述预设阈值,根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算各个特征的信息参数;
目标特征查找单元,用于根据所述信息参数,查找目标特征;
划分单元,用于将所述目标特征作为一个决策节点,并通过所述决策节点对所述车架号集合中的各个车架号进行划分,获取符合所述决策节点的车架号集合和不符合所述决策节点的车架号集合;
剩余特征集合获取单元,用于分别获取划分后的各个车架号集合中,除去目标特征之后的剩余特征集合,若所述剩余特征集合不为空,返回由所述比例计算单元执行操作。
可选的,所述信息参数为条件熵或信息增益;
若所述信息参数为条件熵,所述目标特征查找单元用于查找条件熵最小的特征,并将所述条件熵最小的特征作为目标特征;
若所述信息参数为信息增益,所述目标特征查找单元用于查找信息增益最大的特征,并将所述信息增益最大的特征作为目标特征。
可选的,若所述信息参数为信息增益,所述信息参数计算单元包括:
信息熵计算单元,用于根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算所述车架号集合对应的车型信息的信息熵;
条件熵计算单元,用于计算所述各个特征的条件熵;
信息增益计算单元,用于根据所述车架号集合对应的车型信息的信息熵,以及所述特征的条件熵,依次计算各个特征的信息增益。
可选的,所述信息熵计算单元通过以下公式计算所述车架号集合对应的车型信息的信息熵:
其中,H(X)为所述车架号集合对应的车型信息的信息熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;P(x)为x发生的概率。
可选的,所述条件熵计算单元通过以下公式计算各个特征的条件熵:
其中,H(X/Y)为所述特征的条件熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;Y为用于表示所述特征是否发生的条件集合;y为条件集合中的元素;P(x,y)用于表示x和y同时发生的概率;P(x/y)用于表示y发生时x发生的概率。
可选的,所述信息增益计算单元通过以下公式计算各个特征的信息增益:
G(Y)=H(X)-H(X|Y);
其中,G(Y)为所述特征的信息增益;H(X)为所述车架号集合对应的车型信息的信息熵;H(X/Y)为所述特征的条件熵。
本申请实施例公开一种根据车架号识别车型信息的方法及装置,通过本申请,能够根据各个已知车型信息的车架号创建决策树,继而将待识别车架号按照该决策树的决策节点进行判断,根据判断结果确定所述待识别车架号的车型信息,实现车型信息的识别。该方法不再需要人工创建车架号与车型信息的对应关系,因此与现有技术相比,能够减少人力的浪费。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请公开的一种根据车架号识别车型信息的方法的工作流程示意图;
图2为本申请公开的一种根据车架号识别车型信息的方法中,根据信息参数构建决策树的工作流程示意图;
图3为本申请公开的一种根据车架号识别车型信息的方法中的决策树的示意图;
图4(1)为本申请公开的又一种根据车架号识别车型信息的方法中的决策树的示意图;
图4(2)为本申请公开的又一种根据车架号识别车型信息的方法中的决策树的示意图;
图5为本申请公开的一种根据车架号识别车型信息的装置的结构示意图。
具体实施方式
为了解决现有技术进行车型信息识别时,需要耗费大量人力的问题,本申请公开一种根据车架号识别车型信息的方法及装置。
本申请的第一实施例公开一种根据车架号识别车型信息的方法,参见图1,所述根据车架号识别车型信息的方法包括以下步骤:
步骤S11、获取各个已知车型信息的车架号构成的车架号集合。
步骤S12、对所述车架号分别进行分割,获取构建所述车架号的各个特征,其中,每个特征包括一个字符和所述字符在所述车架号中所处的位置信息。
车架号由排列组合的字符构成,本申请实施例公开的根据车架号识别车型信息的方法中,根据车架号中各个字符所处的位置分别进行分割,分割后的得到的各个特征包括一个字符和所述字符在所述车架号中所处的位置信息。
另外,在本申请实施例中,所述特征可设置为多种形式。在其中一种形式中,所述特征为位置-字符对的形式。例如,若某一个车架号为“LGG7B2D15DZ034463”,在对其进行分割后,得到的各个特征组成的集合可表示为{1-L,2-G,3-G,4-7…}。其中,“1-L”、“2-G”、“3-G”和“4-7”均为“位置-字符对”的形式,“1-L”这一特征中包括构建车架号的字符“L”,并且通过位置信息“1”表示该字符处于该车架号中第一的位置,“2-G”这一特征表示字符“2”处于该车架号中第二的位置。
当然,所述特征也可以设置为其他形式,例如,可以设置为位置/字符对的形式等,本申请对此不做限定。
步骤S13、分别计算各个特征的信息参数,并根据所述信息参数构建决策树,其中,所述决策树中的决策节点为所述特征。
本申请实施例中,根据各个特征的信息参数,确定能够作为决策节点的特征,并通过决策节点构建决策树。
步骤S14、将待识别车架号按照所述决策树的决策节点进行判断,根据判断结果确定所述待识别车架号的车型信息。
当需要对待识别车架号进行车型信息的识别时,在本申请实施例中,将待识别车架号遍历决策树,按照所述决策树的决策节点进行判断,根据判断结果确定所述待识别车架号所匹配的各个决策节点,然后获取所述待识别车架号所匹配的各个决策节点所对应的车型信息,该车型信息即为所述待识别车架号的车型信息,从而实现车型信息的识别。
本申请实施例公开一种根据车架号识别车型信息的方法,通过该方法,能够根据各个已知车型信息的车架号创建决策树,继而将待识别车架号按照该决策树的决策节点进行判断,根据判断结果确定所述待识别车架号的车型信息,实现车型信息的识别。该方法不再需要人工创建车架号与车型信息的对应关系,因此与现有技术相比,能够减少人力的浪费。
作为图1方法的细化,在本申请提供的第二实施例中,如图2所示,步骤S13中所述分别计算各个特征的信息参数,并根据所述信息参数构建决策树,包括以下步骤:
步骤S21、统计在同一车架号集合中,车型信息相同的车架号的数量,并计算所述车型信息相同的车架号的数量占所述车架号集合的比例。
例如,在同一个车架号集合中,有10个车架号,其中6个车架号的车型信息相同,则车型信息相同的车架号的数量在该车架号集合的比例为0.6。
步骤S22、比较所述比例与预设阈值,判断所述比例是否小于所述预设阈值,若是,执行步骤S23的操作,若否,执行步骤S27的操作。
其中,所述预设阈值为一个小于1的数值,例如,可将所述预设阈值设置为0.7。
步骤S23、若所述比例小于所述预设阈值,根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算各个特征的信息参数。
步骤S24、根据所述信息参数,查找目标特征。
本申请实施例中,信息参数是一种用于衡量样本特征重要性的参数,可以为多种形式。例如,所述信息参数可以为条件熵或信息参数。
步骤S25、将所述目标特征作为一个决策节点,并通过所述决策节点对所述车架号集合中的各个车架号进行划分,获取符合所述决策节点的车架号集合和不符合所述决策节点的车架号集合。
其中,符合所述决策节点的车架号集合指的是包含目标特征的车架号集合,不符合所述决策节点的车架号集合指的是不包含所述目标特征的车架号集合。
步骤S26、分别获取划分后的各个车架号集合中,除去目标特征之后的剩余特征集合,并判断所述剩余特征集合是否为空,若否,返回执行步骤S21的操作,若是,执行步骤S27的操作。
若除去目标特征之后,剩余的特征构成的剩余特征集合不为空,则返回执行步骤S21的操作。由于通过步骤S25的操作,已经划分了符合所述决策节点的车架号集合和不符合所述决策节点的车架号集合。若设定符合所述决策节点的车架号集合为第一集合,不符合所述决策节点的车架号集合为第二集合,这种情况下,返回执行步骤S21的操作时,则需要统计在第一集合中,车型信息相同的车架号的数量,并计算车型信息相同的车架号的数量占第一集合的比例,以及统计在第二集合中,车型信息相同的车架号的数量,并计算车型信息相同的车架号的数量占第二集合的比例。
步骤S27、结束为所述车架集合查找决策节点。
设定在某一车架号集合中,车型信息相同的车架号所属的车型信息为目标车型信息。若通过步骤S22的判断,确定所述比例不小于所述预设阈值,则表明在该车架号集合中,车架号为目标车型信息的可能性较大,相应的,待识别车架号属于目标车型信息的可能性较大。这种情况下,执行步骤S27的操作,不再为该车架号集合查找决策节点,若获取到的待识别车架号属于该车架号集合,则认为该车架号的车型信息为目标车型信息。
另外,若所述比例小于预设阈值,则表明在该车架号集合中,各个车型信息的分布比较分散,这种情况下,则进一步执行步骤S23的操作,以进一步根据特征确定决策节点。
若通过步骤S26的操作,确定划分后的某一车架号集合中,除去目标特征之后的剩余特征集合为空,则说明该车架号集合中不包含可作为决策节点的特征,则结束为所述车架集合查找决策节点。
步骤S21至步骤S27公开一种分别计算各个特征的信息参数,并根据所述信息参数构建决策树的方法。该方法中,能够计算得到车型信息相同的车架号的数量占车架号集合的比例,若该比例不小于预设阈值,则认为该车架号中车型信息的分布比较集中,不再为该车架号集合查找决策节点;若该比例小于预设阈值,则根据各个特征的信息参数,得到决策节点,并构建相应的决策树。
其中,所述信息参数为条件熵或信息增益。若所述信息参数为条件熵,所述根据所述信息参数,查找目标特征包括:查找条件熵最小的特征,并将所述条件熵最小的特征作为目标特征。若所述信息参数为信息增益,所述根据所述信息参数,查找目标特征包括:查找信息增益最大的特征,并将所述信息增益最大的特征作为目标特征。
本申请的第二实施例公开了根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算各个特征的信息参数的操作,若所述信息参数为信息增益,该操作通常包括以下步骤:
首先,根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算所述车架号集合对应的车型信息的信息熵。
然后,计算所述各个特征的条件熵。
最后,根据所述车架号集合对应的车型信息的信息熵,以及所述特征的条件熵,依次计算各个特征的信息增益。
在信息理论里面,熵是对不确定性的测量,熵越高,则能传输越多的信息,熵越低,则意味着传输的信息越少,熵度衡量了***的不确定性。
在本申请实施例中,通常通过以下公式计算所述车架号集合对应的车型信息的信息熵:
其中,H(X)为所述车架号集合对应的车型信息的信息熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;P(x)为x发生的概率。在公式(1)中,logP((x)的底数通常为2。
另外,在本申请实施例中,通常通过以下公式计算各个特征的条件熵:
其中,H(X/Y)为所述特征的条件熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;Y为用于表示所述特征是否发生的条件集合;y为条件集合中的元素;P(x,y)用于表示x和y同时发生的概率;P(x/y)用于表示y发生时x发生的概率。另外在公式(2)中,logP(x/y)的底数通常为2。
信息增益是一种用于衡量样本特征重要性的参数。在本申请实施例中,通常可通过以下公式计算各个特征的信息增益:
G(Y)=H(X)-H(X|Y) (3);
其中,G(Y)为所述特征的信息增益;H(X)为所述车架号集合对应的车型信息的信息熵;H(X/Y)为所述特征的条件熵。
另外,若所述信息参数为条件熵,所述根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算各个特征的信息参数的操作,可直接通过公式(2)实现。
为了明确本申请所公开的方案,以下通过一个具体的示例对本申请所公开的根据车架号识别车型信息的方法进行详细的阐述。
在该示例中,通过步骤S11获取到的车架号集合可通过表1表示:
表1
车架号 | 车型信息 |
AABBCCDD | M |
CAVVDEFC | N |
ACBCDEFC | M |
ABBCDEFC | M |
BAVCDEFC | N |
其中,该车架号中的各个已知车型信息的车架号分别为:“AABBCCDD”(该车架号的车型信息为M)、“CAVVDEFC”(该车架号的车型信息为N)、“ACBCDEFC”(该车架号的车型信息为M)、“ABBCDEFC”(该车架号的车型信息为M)和“BAVCDEFC”(该车架号的车型信息为N)。
通过上表可知,在公式(1)中,X为所述车架号集合中各个车架号对应的车型信息的集合,则X为车型信息M和车型信息N构成的集合。而x为X中的元素,则x为车型信息M或车型信息N。由于上表中包含5个车架号,车型信息M出现3次,车型信息N出现2次,则x为车型信息M时,P(x)为0.6,x为车型信息N时,P(x)为0.4。这种情况下,根据公式(1)计算车型信息的信息熵为:
另外,在对表1中的各个车架号进行分割后,获取到的构建车架号的各个特征分别为:1-A,1-B,1-C,2-A,2-B,2-C,3-B,3-V,4-B,4-V,4-C,5-D,5-C,6-C,6-E,7-D,7-F,8-D和8-C。
在获取构建车架号的各个特征之后,根据公式(2)计算各个特征的条件熵。公式(2)为:
其中,H(X/Y)表示某一特征的条件熵;X为所述车架号集合中各个车架号对应的车型信息的集合,则X为车型信息M和车型信息N构成的集合。而x为X中的元素,则x为车型信息M或车型信息N。另外,Y为用于表示所述特征是否发生的条件集合,y为条件集合中的元素,则为该特征发生或该特征不发生。另外,P(x,y)用于表示x和y同时发生的概率;P(x/y)用于表示y发生时x发生的概率。
这种情况下,若要计算1-A这一特征的条件熵,则可通过以下方式进行计算:
根据上式计算得到条件熵后,根据公式(3)进一步计算得到各个特征的信息增益。在该示例中,根据计算结果,可确定信息增益最大的特征为1-A,因此将1-A这一特征作为目标特征,将目标特征1-A作为一个决策节点,并通过该决策节点对车架号集合中的各个车架号进行划分,从而得到符合目标特征1-A与不符合目标特征1-A的两组车架号集合。
将符合目标特征1-A的车架号集合作为第一集合,将不符合目标特征1-A的车架号集合作为第二集合。在本示例中,可以看出,在第一集合中的各个车架号的车型信息均为车型信息M,即车型信息相同的车架号的数量占第一集合的比例为1,由于预设阈值小于1,则车型信息相同的车架号的数量占第一集合的比例肯定会大于预设阈值,则结束为所述第一集合查找决策节点。而且,在第二集合中的各个车架号的车型信息均为车型信息N,即车型信息相同的车架号的数量占第二集合的比例为1,由于预设阈值小于1,则车型信息相同的车架号的数量占第二集合的比例肯定会大于预设阈值,则结束为所述第二集合查找决策节点。该示例最终得到的决策树中,只包含特征1-A这一决策节点,据此构建的决策树如图3所示。
若获取到的待识别车架号为CJJKSDDF,将其按照决策树的决策节点进行判断,也就是说,判断该待识别车架号是否符合特征1-A。由于该待识别车架号第一个字符为C,则该待识别车架号不符合特征1-A。通过决策树可知,不符合特征1-A的车架号的车型信息为N,则可确定待识别车架号的车型信息为N,实现对该待识别车架号的识别。
在另一示例中,设定获取到的各个已知车型信息的车架号构成的车架号集合如表2所示:
表2
其中,上表中各个车架号的后六位为数字编号,通常与车型信息的识别无关。去除各个车架号的后六位,并对各个车架号进行分割,获取到的特征包括:1-L、2-S、3-G、4-J、5-A、5-S、5-T、6-5、7-2、8-H、8-U、9-D、9-E、9-C、9-5、9-6、9-7、9-8、10-H和10-S。
经过计算,上表的车架号集合中,车型信息相同的车架号的数量占车架号集合的比例均小于预设阈值,则继续计算各个特征的信息参数。
根据公式(2),计算得到的各个特征的条件熵如表3所示:
表3
特征 | 条件熵 | 特征 | 条件熵 |
1-L | 2 | 8-U | 1.188721876 |
2-S | 2 | 9-D | 1.387710777 |
3-G | 2 | 9-E | 1.935268786 |
4-J | 2 | 9-C | 1.188721876 |
5-A | 1 | 9-5 | 1.886668333 |
5-S | 1.188721876 | 9-6 | 1.730730038 |
5-T | 1.188721876 | 9-7 | 1.865529464 |
6-5 | 2 | 9-8 | 1.619618368 |
7-2 | 2 | 10-H | 1.912246333 |
8-H | 1.188721876 | 10-S | 1.912246333 |
根据上表可知,特征5-A的条件熵最小,则该特征为目标特征,该特征可作为一个决策节点。据此构建的决策树如图4(1)所示,并根据该决策树对车架号进行划分,从而得到符合特征5-A的车架号集合,以及不符合特征5-A的车架号集合。
另外,去除目标特征,即去除特征5-A后,该决策树的左节点数据,即符合特征5-A的车架号集合如表4所示:
表4
相应的,去除目标特征,即去除特征5-A后,该决策树的右节点数据,即不符合特征5-A的车架号集合如表5所示:
表5
根据上述步骤,分别计算左节点数据(即符合特征5-A的车架号集合)和右节点数据(即不符合特征5-A的车架号集合)的信息参数。经过计算可知,在左节点数据中,信息增益最大(即条件熵最小)的特征为8-H,则左节点数据的决策节点为8-H。另外,在右节点数据中,信息增益最大(即条件熵最小)的特征为5-S,则右节点数据的决策节点为5-S。
根据决策节点8-H和决策节点5-S继续对左节点数据和右节点数据进行划分。划分后,可知符合决策节点8-H的车架号的车型信息均为别克/凯越/2013款1.5自动经典型,也就是说,在符合决策节点8-H的车架号构建的车架号集合中,车型信息为别克/凯越/2013款1.5自动经典型的车架号的数量占该车架号集合的比例为1,该比例必定大于预设阈值,则结束为符合决策节点8-H的车架号构建的车架号集合查找决策节点。另外,划分后不符合决策节点8-H的车架号的车型信息均为别克/凯越/2011款1.6自动LX,也就是说,在不符合决策节点8-H的车架号构建的车架号集合中,车型信息为别克/凯越/2011款1.6自动LX的车架号的数量占该车架号集合的比例为1,该比例必定大于预设阈值,则结束为不符合决策节点8-H的车架号构建的车架号集合查找决策节点。
另外,在划分后,可知符合决策节点5-S的车架号的车型信息均为别克/凯越/2005款1.6手动LE舒适型,也就是说,在符合决策节点5-S的车架号构建的车架号集合中,车型信息为别克/凯越/2005款1.6手动LE舒适型的车架号的数量占该车架号集合的比例为1,该比例必定大于预设阈值,则结束为符合决策节点5-S的车架号构建的车架号集合查找决策节点。另外,划分后不符合决策节点5-S的车架号的车型信息均为别克/凯越/2006款1.6自动LE舒适型,也就是说,在不符合决策节点5-S的车架号构建的车架号集合中,车型信息为别克/凯越/2006款1.6自动LE舒适型的车架号的数量占该车架号集合的比例为1,该比例必定大于预设阈值,则结束为不符合决策节点5-S的车架号构建的车架号集合查找决策节点。
根据上述步骤,构建的决策树如图4(2)所示。在获取待识别车架号之后,通过将待识别车架号按照该决策树的决策节点进行判断,即可确定所述待识别车架号的车型信息。
相应的,在本申请另一实施例中,还公开一种根据车架号识别车型信息的装置。参见图5所示的结构示意图,所述根据车架号识别车型信息的装置包括:获取模块100、分割模块200、构建模块300和判断模块400。
其中,所述获取模块100,用于获取各个已知车型信息的车架号构成的车架号集合。
所述分割模块200,用于对所述车架号分别进行分割,获取构建所述车架号的各个特征,其中,每个特征包括一个字符和所述字符在所述车架号中所处的位置信息。
车架号由排列组合的字符构成,本申请实施例公开的根据车架号识别车型信息的方法中,根据车架号中各个字符所处的位置分别进行分割,分割后的得到的各个特征包括一个字符和所述字符在所述车架号中所处的位置信息。
另外,在本申请实施例中,所述特征可设置为多种形式。在其中一种形式中,所述特征为位置-字符对的形式。例如,若某一个车架号为“LGG7B2D15DZ034463”,在对其进行分割后,得到的各个特征组成的集合可表示为{1-L,2-G,3-G,4-7…}。其中,“1-L”、“2-G”、“3-G”和“4-7”均为“位置-字符对”的形式,“1-L”这一特征中包括构建车架号的字符“L”,并且通过位置信息“1”表示该字符处于该车架号中第一的位置,“2-G”这一特征表示字符“2”处于该车架号中第二的位置。
当然,所述特征也可以设置为其他形式,例如,可以设置为位置/字符对的形式等,本申请对此不做限定。
所述构建模块300,用于分别计算各个特征的信息参数,并根据所述信息参数构建决策树,其中,所述决策树中的决策节点为所述特征。
所述判断模块400,用于将待识别车架号按照所述决策树的决策节点进行判断,根据判断结果确定所述待识别车架号的车型信息。
当需要对待识别车架号进行车型信息的识别时,在本申请实施例中,将待识别车架号遍历决策树,按照所述决策树的决策节点进行判断,根据判断结果确定所述待识别车架号所匹配的各个决策节点,然后获取所述待识别车架号所匹配的各个决策节点所对应的车型信息,该车型信息即为所述待识别车架号的车型信息,从而实现车型信息的识别。
本申请实施例公开一种根据车架号识别车型信息的装置,通过该装置,能够根据各个已知车型信息的车架号创建决策树,继而将待识别车架号按照该决策树的决策节点进行判断,根据判断结果确定所述待识别车架号的车型信息,实现车型信息的识别,从而不再需要人工创建车架号与车型信息的对应关系,因此与现有技术相比,能够减少人力的浪费。
进一步的,在所述根据车架号识别车型信息的装置中,所述构建模块300包括:
比例计算单元,用于统计在同一车架号集合中,车型信息相同的车架号的数量,并计算所述车型信息相同的车架号的数量占所述车架号集合的比例;
比较单元,用于比较所述比例与预设阈值,其中,所述预设阈值为一个小于1的数值,例如,可将所述预设阈值设置为0.7;
信息参数计算单元,用于若所述比例小于所述预设阈值,根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算各个特征的信息参数;
目标特征查找单元,用于根据所述信息参数,查找目标特征;
划分单元,用于将所述目标特征作为一个决策节点,并通过所述决策节点对所述车架号集合中的各个车架号进行划分,获取符合所述决策节点的车架号集合和不符合所述决策节点的车架号集合,其中,符合所述决策节点的车架号集合指的是包含目标特征的车架号集合,不符合所述决策节点的车架号集合指的是不包含所述目标特征的车架号集合;
剩余特征集合获取单元,用于分别获取划分后的各个车架号集合中,除去目标特征之后的剩余特征集合,若所述剩余特征集合不为空,返回由所述比例计算单元执行操作。
通过上述单元,能够分别计算各个特征的信息参数,并根据所述信息参数构建决策树。其中,能够计算得到车型信息相同的车架号的数量占车架号集合的比例,若该比例不小于预设阈值,则认为该车架号中车型信息的分布比较集中,不再为该车架号集合查找决策节点;若该比例小于预设阈值,则根据各个特征的信息增益信息参数,得到决策节点,并构建相应的决策树。
在本申请实施例公开的所述根据车架号识别车型信息的装置中,所述信息参数为条件熵或信息增益。
若所述信息参数为条件熵,所述目标特征查找单元用于查找条件熵最小的特征,并将所述条件熵最小的特征作为目标特征;若所述信息参数为信息增益,所述目标特征查找单元用于查找信息增益最大的特征,并将所述信息增益最大的特征作为目标特征。
进一步的,在本申请实施例公开的根据车架号识别车型信息的装置中,若所述信息参数为信息增益,所述信息参数计算单元包括:
信息熵计算单元,用于根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算所述车架号集合对应的车型信息的信息熵;
条件熵计算单元,用于计算所述各个特征的条件熵;
信息增益计算单元,用于根据所述车架号集合对应的车型信息的信息熵,以及所述特征的条件熵,依次计算各个特征的信息增益。
在本申请实施例中,所述信息熵计算单元通过以下公式计算所述车架号集合对应的车型信息的信息熵:
其中,H(X)为所述车架号集合对应的车型信息的信息熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;P(x)为x发生的概率。
另外,在本申请实施例中,所述条件熵计算单元通过以下公式计算各个特征的条件熵:
其中,H(X/Y)为所述特征的条件熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;Y为用于表示所述特征是否发生的条件集合;y为条件集合中的元素;P(x,y)用于表示x和y同时发生的概率;P(x/y)用于表示y发生时x发生的概率。
另外,在本申请实施例中,所述信息增益计算单元通过以下公式计算各个特征的信息增益:
G(Y)=H(X)-H(X|Y) (3);
其中,G(Y)为所述特征的信息增益;H(X)为所述车架号集合对应的车型信息的信息熵;H(X/Y)为所述特征的条件熵。
进一步的,若所述信息参数为条件熵,本申请实施例还公开一种信息参数计算单元,该信息参数计算单元通过公式(2)计算条件熵。
具体实现中,本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的呼叫方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中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,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于……实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (14)
1.一种根据车架号识别车型信息的方法,其特征在于,包括:
获取各个已知车型信息的车架号构成的车架号集合;
对所述车架号分别进行分割,获取构建所述车架号的各个特征,其中,每个特征包括一个字符和所述字符在所述车架号中所处的位置信息;
分别计算各个特征的信息参数,并根据所述信息参数构建决策树,其中,所述决策树中的决策节点为所述特征;
将待识别车架号按照所述决策树的决策节点进行判断,根据判断结果确定所述待识别车架号的车型信息。
2.根据权利要求1所述的根据车架号识别车型信息的方法,其特征在于,所述分别计算各个特征的信息参数,并根据所述信息参数构建决策树,包括:
21)统计在同一车架号集合中,车型信息相同的车架号的数量,并计算所述车型信息相同的车架号的数量占所述车架号集合的比例;
22)比较所述比例与预设阈值;
23)若所述比例小于所述预设阈值,根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算各个特征的信息参数;
24)根据所述信息参数,查找目标特征;
25)将所述目标特征作为一个决策节点,并通过所述决策节点对所述车架号集合中的各个车架号进行划分,获取符合所述决策节点的车架号集合和不符合所述决策节点的车架号集合;
26)分别获取划分后的各个车架号集合中,除去目标特征之后的剩余特征集合,若所述剩余特征集合不为空,返回执行步骤21)的操作。
3.根据权利要求2所述的根据车架号识别车型信息的方法,其特征在于,
所述信息参数为条件熵或信息增益;
若所述信息参数为条件熵,所述根据所述信息参数,查找目标特征包括:
查找条件熵最小的特征,并将所述条件熵最小的特征作为目标特征;
若所述信息参数为信息增益,所述根据所述信息参数,查找目标特征包括:
查找信息增益最大的特征,并将所述信息增益最大的特征作为目标特征。
4.根据权利要求3所述的根据车架号识别车型信息的方法,其特征在于,若所述信息参数为信息增益,所述根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算各个特征的信息参数,包括:
根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算所述车架号集合对应的车型信息的信息熵;
计算所述各个特征的条件熵;
根据所述车架号集合对应的车型信息的信息熵,以及所述特征的条件熵,依次计算各个特征的信息增益。
5.根据权利要求4所述的根据车架号识别车型信息的方法,其特征在于,通过以下公式计算所述车架号集合对应的车型信息的信息熵:
其中,H(X)为所述车架号集合对应的车型信息的信息熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;P(x)为x发生的概率。
6.根据权利要求4所述的根据车架号识别车型信息的方法,其特征在于,通过以下公式计算各个特征的条件熵:
其中,H(X/Y)为所述特征的条件熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;Y为用于表示所述特征是否发生的条件集合;y为条件集合中的元素;P(x,y)用于表示x和y同时发生的概率;P(x/y)用于表示y发生时x发生的概率。
7.根据权利要求4所述的根据车架号识别车型信息的方法,其特征在于,通过以下公式计算各个特征的信息增益:
G(Y)=H(X)-H(X|Y);
其中,G(Y)为所述特征的信息增益;H(X)为所述车架号集合对应的车型信息的信息熵;H(X/Y)为所述特征的条件熵。
8.一种根据车架号识别车型信息的装置,其特征在于,包括:
获取模块,用于获取各个已知车型信息的车架号构成的车架号集合;
分割模块,用于对所述车架号分别进行分割,获取构建所述车架号的各个特征,其中,每个特征包括一个字符和所述字符在所述车架号中所处的位置信息;
构建模块,用于分别计算各个特征的信息参数,并根据所述信息参数构建决策树,其中,所述决策树中的决策节点为所述特征;
判断模块,用于将待识别车架号按照所述决策树的决策节点进行判断,根据判断结果确定所述待识别车架号的车型信息。
9.根据权利要求8所述的根据车架号识别车型信息的装置,其特征在于,所述构建模块包括:
比例计算单元,用于统计在同一车架号集合中,车型信息相同的车架号的数量,并计算所述车型信息相同的车架号的数量占所述车架号集合的比例;
比较单元,用于比较所述比例与预设阈值;
信息参数计算单元,用于若所述比例小于所述预设阈值,根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算各个特征的信息参数;
目标特征查找单元,用于根据所述信息参数,查找目标特征;
划分单元,用于将所述目标特征作为一个决策节点,并通过所述决策节点对所述车架号集合中的各个车架号进行划分,获取符合所述决策节点的车架号集合和不符合所述决策节点的车架号集合;
剩余特征集合获取单元,用于分别获取划分后的各个车架号集合中,除去目标特征之后的剩余特征集合,若所述剩余特征集合不为空,返回由所述比例计算单元执行操作。
10.根据权利要求9所述的根据车架号识别车型信息的装置,其特征在于,
所述信息参数为条件熵或信息增益;
若所述信息参数为条件熵,所述目标特征查找单元用于查找条件熵最小的特征,并将所述条件熵最小的特征作为目标特征;
若所述信息参数为信息增益,所述目标特征查找单元用于查找信息增益最大的特征,并将所述信息增益最大的特征作为目标特征。
11.根据权利要求9所述的根据车架号识别车型信息的装置,其特征在于,若所述信息参数为信息增益,所述信息参数计算单元包括:
信息熵计算单元,用于根据各个车架号的车型信息,以及所述车架号所属的车架号集合,计算所述车架号集合对应的车型信息的信息熵;
条件熵计算单元,用于计算所述各个特征的条件熵;
信息增益计算单元,用于根据所述车架号集合对应的车型信息的信息熵,以及所述特征的条件熵,依次计算各个特征的信息增益。
12.根据权利要求11所述的根据车架号识别车型信息的装置,其特征在于,所述信息熵计算单元通过以下公式计算所述车架号集合对应的车型信息的信息熵:
其中,H(X)为所述车架号集合对应的车型信息的信息熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;P(x)为x发生的概率。
13.根据权利要求11所述的根据车架号识别车型信息的装置,其特征在于,所述条件熵计算单元通过以下公式计算各个特征的条件熵:
其中,H(X/Y)为所述特征的条件熵;X为所述车架号集合中各个车架号对应的车型信息的集合;x为X中的元素;Y为用于表示所述特征是否发生的条件集合;y为条件集合中的元素;P(x,y)用于表示x和y同时发生的概率;P(x/y)用于表示y发生时x发生的概率。
14.根据权利要求11所述的根据车架号识别车型信息的装置,其特征在于,所述信息增益计算单元通过以下公式计算各个特征的信息增益:
G(Y)=H(X)-H(X|Y);
其中,G(Y)为所述特征的信息增益;H(X)为所述车架号集合对应的车型信息的信息熵;H(X/Y)为所述特征的条件熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710149934.5A CN108573198A (zh) | 2017-03-14 | 2017-03-14 | 一种根据车架号识别车型信息的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710149934.5A CN108573198A (zh) | 2017-03-14 | 2017-03-14 | 一种根据车架号识别车型信息的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108573198A true CN108573198A (zh) | 2018-09-25 |
Family
ID=63578344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710149934.5A Pending CN108573198A (zh) | 2017-03-14 | 2017-03-14 | 一种根据车架号识别车型信息的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573198A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070092A (zh) * | 2019-03-15 | 2019-07-30 | 平安科技(深圳)有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
CN110334586A (zh) * | 2019-05-22 | 2019-10-15 | 深圳壹账通智能科技有限公司 | 一种汽车识别方法、装置、计算机***及可读存储介质 |
CN112634066A (zh) * | 2020-12-25 | 2021-04-09 | 明觉科技(北京)有限公司 | 通过车辆识别号解析销售车型的方法及装置 |
CN115408580A (zh) * | 2022-08-31 | 2022-11-29 | 广东数鼎科技有限公司 | 一种车源型号的识别方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261722A (zh) * | 2008-01-17 | 2008-09-10 | 北京航空航天大学 | 电子警察后台智能管理和自动实施*** |
CN102509090A (zh) * | 2011-11-29 | 2012-06-20 | 冷明 | 一种基于天网工程中公共安全视频图像的车辆特征识别装置 |
CN202563521U (zh) * | 2011-11-29 | 2012-11-28 | 冷明 | 一种基于天网工程中公共安全视频图像的车辆特征识别装置 |
CN103049498A (zh) * | 2012-12-07 | 2013-04-17 | 王志欣 | 一种通过vin码识别车型的方法 |
CN104216391A (zh) * | 2013-05-31 | 2014-12-17 | 广州汽车集团股份有限公司 | 汽车解码器及其识别车型的方法 |
CN104488004A (zh) * | 2012-05-23 | 2015-04-01 | 实耐宝公司 | 用于提供车辆维修信息的方法和*** |
CN104537010A (zh) * | 2014-12-17 | 2015-04-22 | 温州大学 | 基于决策树的网构软件中的构件分类方法 |
CN104572854A (zh) * | 2014-12-17 | 2015-04-29 | 语联网(武汉)信息技术有限公司 | 一种基于决策树的译员分类方法 |
CN105205468A (zh) * | 2015-09-24 | 2015-12-30 | 上海车音网络科技有限公司 | 自动识别车型的洗车装置、***及洗车方法 |
CN105320708A (zh) * | 2014-08-05 | 2016-02-10 | 北京大学 | 车型数据库的建立方法及服务器 |
CN105335760A (zh) * | 2015-11-16 | 2016-02-17 | 南京邮电大学 | 一种图像数字字符识别方法 |
CN106021545A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 用于车辆远程诊断与备件检索的方法 |
CN106054858A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 |
CN106056221A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于FP‑Tree序列模式挖掘和故障码分类的车辆远程诊断与备件检索的方法 |
-
2017
- 2017-03-14 CN CN201710149934.5A patent/CN108573198A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261722A (zh) * | 2008-01-17 | 2008-09-10 | 北京航空航天大学 | 电子警察后台智能管理和自动实施*** |
CN102509090A (zh) * | 2011-11-29 | 2012-06-20 | 冷明 | 一种基于天网工程中公共安全视频图像的车辆特征识别装置 |
CN202563521U (zh) * | 2011-11-29 | 2012-11-28 | 冷明 | 一种基于天网工程中公共安全视频图像的车辆特征识别装置 |
CN104488004A (zh) * | 2012-05-23 | 2015-04-01 | 实耐宝公司 | 用于提供车辆维修信息的方法和*** |
CN103049498A (zh) * | 2012-12-07 | 2013-04-17 | 王志欣 | 一种通过vin码识别车型的方法 |
CN104216391A (zh) * | 2013-05-31 | 2014-12-17 | 广州汽车集团股份有限公司 | 汽车解码器及其识别车型的方法 |
CN105320708A (zh) * | 2014-08-05 | 2016-02-10 | 北京大学 | 车型数据库的建立方法及服务器 |
CN104572854A (zh) * | 2014-12-17 | 2015-04-29 | 语联网(武汉)信息技术有限公司 | 一种基于决策树的译员分类方法 |
CN104537010A (zh) * | 2014-12-17 | 2015-04-22 | 温州大学 | 基于决策树的网构软件中的构件分类方法 |
CN105205468A (zh) * | 2015-09-24 | 2015-12-30 | 上海车音网络科技有限公司 | 自动识别车型的洗车装置、***及洗车方法 |
CN105335760A (zh) * | 2015-11-16 | 2016-02-17 | 南京邮电大学 | 一种图像数字字符识别方法 |
CN106021545A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 用于车辆远程诊断与备件检索的方法 |
CN106054858A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 |
CN106056221A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于FP‑Tree序列模式挖掘和故障码分类的车辆远程诊断与备件检索的方法 |
Non-Patent Citations (4)
Title |
---|
K. YING等: "Decision tree-based machine learning algorithm for in-node vehicle classification", 《2015 IEEE GREEN ENERGY AND SYSTEMS CONFERENCE (IGESC)》 * |
WAN HUI SONG等: "Vehicle Identification and Classification System Based on Decision Tree", 《APPLIED MECHANICS AND MATERIALS》 * |
张洪明等: "基于决策树的车型识别技术研究", 《数字技术与应用》 * |
风筝疯了: "决策树", 《CSDN: HTTPS://BLOG.CSDN.NET/KITE_CRAZY/ARTICLE/DETAILS/45250791》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070092A (zh) * | 2019-03-15 | 2019-07-30 | 平安科技(深圳)有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
CN110334586A (zh) * | 2019-05-22 | 2019-10-15 | 深圳壹账通智能科技有限公司 | 一种汽车识别方法、装置、计算机***及可读存储介质 |
CN112634066A (zh) * | 2020-12-25 | 2021-04-09 | 明觉科技(北京)有限公司 | 通过车辆识别号解析销售车型的方法及装置 |
CN112634066B (zh) * | 2020-12-25 | 2021-12-10 | 明觉科技(北京)有限公司 | 通过车辆识别号解析销售车型的方法及装置 |
CN115408580A (zh) * | 2022-08-31 | 2022-11-29 | 广东数鼎科技有限公司 | 一种车源型号的识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573198A (zh) | 一种根据车架号识别车型信息的方法及装置 | |
CN109103878B (zh) | 电动汽车群有序充电方法及配电网用电优化方法 | |
CN103514201B (zh) | 一种非关系型数据库的数据查询方法和装置 | |
CN105389713A (zh) | 基于用户历史数据的移动流量套餐推荐算法 | |
CN106096727A (zh) | 一种基于机器学习的网络模型构造方法及装置 | |
CN104346444B (zh) | 一种基于路网反空间关键字查询的最佳选址方法 | |
CN104392010A (zh) | 一种子图匹配的查询方法 | |
CN102750286B (zh) | 一种处理缺失数据的新型决策树分类器方法 | |
CN103064970A (zh) | 优化译员的检索方法 | |
CN101482876B (zh) | 基于权重的链接多属性的实体识别方法 | |
CN110502509A (zh) | 一种基于Hadoop与Spark框架的交通大数据清洗方法及相关装置 | |
CN107145516A (zh) | 一种文本聚类方法及*** | |
CN105005584A (zh) | 一种多子空间Skyline查询计算方法 | |
CN101477552A (zh) | 网站用户等级划分方法 | |
CN112200471B (zh) | 充电桩的数量配置方法、装置和充电桩的分布*** | |
CN106547864A (zh) | 一种基于查询扩展的个性化信息检索方法 | |
CN113886587A (zh) | 一种基于深度学习的数据分类方法以及图谱的建立方法 | |
CN101894129A (zh) | 基于在线视频分享网站结构及视频描述文本信息的视频主题发现的方法 | |
CN106874506A (zh) | 基于统计模型的社区挖掘方法及*** | |
CN110162716A (zh) | 一种基于社区检索的影响力社区搜索方法和*** | |
CN110275868A (zh) | 一种智能工厂中多模态制造数据预处理的方法 | |
CN109635998A (zh) | 一种求解带时间窗车辆路径问题的自适应多目标优化方法 | |
CN112052405A (zh) | 一种基于司机经验的寻客区域推荐方法 | |
CN113902220B (zh) | 一种基于自适应密度聚类算法车辆轨迹预测方法 | |
CN109918661A (zh) | 同义词获取方法及装置 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20180925 Assignee: Beijing May 8th clapping Information Technology Co.,Ltd. Assignor: YOUXIN HULIAN (BEIJING) INFORMATION TECHNOLOGY Co.,Ltd. Contract record no.: X2020990000157 Denomination of invention: Method and device for identifying vehicle type information according to vehicle frame numbers License type: Common License Record date: 20200402 |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180925 |