CN112687099A - 一种超载嫌疑车辆判定方法和装置 - Google Patents

Abstract

本发明公开了一种超载嫌疑车辆判定方法和装置，应用于车辆诊断AI平台，该方法包括：获取待判定车辆的多项数据源；从待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于行车数据识别待判定车辆的异常行为；经识别后确定待判定车辆发生异常行为时，确定待判定车辆的异常行为嫌疑指数；根据待判定车辆的多项数据源确定待判定车辆的超重嫌疑指数以及绕行嫌疑指数；根据异常行为嫌疑指数、超重嫌疑指数以及绕行嫌疑指数计算待判定车辆的超载嫌疑指数；根据超载嫌疑指数判定待判定车辆是否为超载嫌疑车辆，以便重点检查。因此，采用本申请实施例，可以精准预警行车途中额外装载货物导致超载超限的货车车辆，为超载超限治理的执法人员精准执法提供数据支撑。

Description

一种超载嫌疑车辆判定方法和装置

技术领域

本发明涉及计算机技术和智能交通技术领域，特别涉及一种超载嫌疑车辆判定方法和装置。

背景技术

国内的超载超限治理一直是公路运输行业的重大问题，超载超限的车辆可能由于车辆制动失灵导致交通事故，也可能由于超过桥梁最大承载率带来桥梁垮塌等问题。交通运输部多年来持续出台相关管理规定、启动有关信息化***建设，公路超载超限工作取得了重要成果。2018年4月，交通运输部印发《2018年全国治理车辆超载超限工作要点》，提出要“源头治超、信用治超、科技治超”来提升对超载超限行为的源头治理，充分利用科技手段来实现超载超限行为检测和认定，以及实现非现场处罚等。

在目前实现超载超限行为检测和认定中，从2018年逐步在高速公路、普通公路上推广非现场称重检测、超限车辆引导处理等方法来减少固定治超站的设置，进而提升正常装载车辆的通行速度和通行效率。2019年，随着全国高速公路拆站行动的推进，高速公路上的运输车辆以车型收费、分段收费等政策也逐步得到推行，超载超限检测已经成为高速公路入口的标准配置，由此带来的货运车辆在高速公路入口排队等问题给高速公路运营公司、货运司机都带来了新的困扰。同时在国家相关部门的大力推动下，全国各地纷纷采用源头企业车辆出场称重监控、超载超限车辆限制出场等方式来减少源头点的超载超限行为。以上检测方式由于缺少车辆出场后全程运输过程的跟踪手段，司机可能会在中途进行额外装载并采取绕行非现场治超点、固定治超站等方式来规避超载超限检测和处罚，此类车辆的无监管上路存在严重的安全隐患，从而降低了超载超限车辆的识别精度，进一步降低了执法人员的执法效率。

发明内容

本申请实施例提供了一种超载嫌疑车辆判定方法和装置。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种超载嫌疑车辆判定方法，应用于车辆诊断AI平台，该方法包括：

获取待判定车辆的多项数据源；

从待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于行车数据识别待判定车辆的异常行为；

经识别后确定待判定车辆发生异常行为时，确定待判定车辆的异常行为嫌疑指数；

根据待判定车辆的多项数据源确定待判定车辆的超重嫌疑指数以及绕行嫌疑指数；

根据异常行为嫌疑指数、超重嫌疑指数以及绕行嫌疑指数计算待判定车辆的超载嫌疑指数；

根据超载嫌疑指数判定待判定车辆是否为超载嫌疑车辆。

可选的，根据待判定车辆的多项数据源确定待判定车辆的超重嫌疑指数以及绕行嫌疑指数，包括：

从多项数据源中获取发生异常行为前后的行车速度，并根据发生异常行为前后的行车速度确定超重嫌疑指数；

从待判定车辆的多项数据源中提取待判定车辆的实际行车轨迹；

并基于行车数据计算理想行车轨迹；

根据实际行车轨迹和理想行车轨迹确定待判定车辆的绕行嫌疑指数。

可选的，根据超载嫌疑指数判定待判定车辆是否为超载嫌疑车辆，包括：

当超载嫌疑指数大于等于预设阈值时，判定待判定车辆为超载嫌疑车辆，并将待判定车辆的行车数据发送至超载预警终端；以及

当超载嫌疑指数小于预设阈值时，判定待判定车辆为非超载嫌疑车辆并继续执行从待判定车辆的多项数据源中提取待判定车辆的行车数据的步骤。

可选的，从待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于行车数据识别待判定车辆的异常行为，包括：

从待判定车辆的多项数据源中提取待判定车辆的行车轨迹数据，将所述行车轨迹数据匹配至实际道路，生成待判定车辆的实际行驶轨迹；

确定出待判定车辆的实际行驶轨迹中各轨迹点的行车速度；

剔除各轨迹点中的行车速度中异常的轨迹点，并将剔除后剩余的轨迹点按照预设方式分组后生成多组轨迹点集合，其中，所述预设方式是指将所述剔除后剩余的轨迹点按照预设时间周期或连续轨迹点数量分组；

基于所述多组轨迹点集合确定待判定车辆的异常行为。

可选的，根据所述实际行车轨迹和理想行车轨迹确定所述待判定车辆的绕行嫌疑指数，包括：

加载预设治超站点数量的敏感函数；

将所述实际行车轨迹和理想行车轨迹输入所述敏感函数中，生成待判定车辆的绕行嫌疑指数。

所述基于所述多组轨迹点集合确定待判定车辆的异常行为，包括：

计算所述多组轨迹点集合中各组内平均行车速度；

统计所述多组轨迹点集合中各组内平均行车速度小于预设阈值的分组，并将平均行车速度小于预设阈值分组确定为嫌疑装货分组，获取所述嫌疑装货分组的个数N_sa；

统计所述多组轨迹点集合中轨迹点数据全部缺失的分组，并将所述轨迹点数据缺失的分组确定为故意遮挡，获取所述故意遮挡分组的个数N_sb；

当所述嫌疑装货分组的个数N_sa与所述故意遮挡分组的个数N_sb之和大于预设的行为嫌疑分组阈值N_ha时，判定所述车辆出现异常行为。

可选的，所述经所述识别后判定待判定车辆发生异常行为时，确定所述待判定车辆的异常行为嫌疑指数包括：

根据所述所述嫌疑装货分组的个数Nsa、故意遮挡分组个数N_sb、所述嫌疑装货分组与所述故意遮挡分组的出现规律计算该车辆的行为嫌疑指数Ia，其中，Ia＝f₁(N_s,N_sa,N_sb)，N_s为所述多组轨迹点集合的轨迹点的总的组数。

可选的，所述根据所述发生异常行为前后的行车速度确定超重嫌疑指数，包括：

从所述多组轨迹点集合中统计出嫌疑装货分组、故意遮挡分组；

获取所述嫌疑装货分组与故意遮挡分组之前的分组，作为第一目标分组集合；

获取所述嫌疑装货分组与故意遮挡分组之后的分组，作为第二目标分组集合；

计算所述第一目标分组集合中轨迹点的平均速度，作为第一平均速度

计算所述第二目标分组集合中轨迹点的平均速度，作为第二平均速度

将所述第一平均速度

和第二平均速度

预设载重嫌疑指数计算公式中，生成超重嫌疑指数；其中，所述载重嫌疑指数计算公式为：

可选的，待判定车辆的超载嫌疑指数计算公式为：I_ow＝I_a(αI_w+βI_e)，(α+β＝1)；

其中，I_a为异常行为嫌疑指数，I_w为载重嫌疑指数，I_e为绕行嫌疑指数，α和β为权重参数。

第二方面，本申请实施例提供了一种超载嫌疑车辆判定方法，该方法包括：

接收来自车辆诊断AI平台发送的待判定车辆的行车数据，并将待判定车辆的嫌疑行为进行显示；

接收检查结果，并将检查结果发送至车辆诊断AI平台。

第三方面，本申请实施例提供了一种超载嫌疑车辆判定装置，该装置包括：

数据源采集模块，用于获取待判定车辆的多项数据源；

异常行为识别模块，用于从待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于行车数据识别待判定车辆的异常行为；

异常行为嫌疑指数确定模块，用于经识别后确定待判定车辆发生异常行为时，确定待判定车辆的异常行为嫌疑指数；

超重嫌疑指数以及绕行嫌疑指数确定模块，用于根据待判定车辆的多项数据源确定待判定车辆的超重嫌疑指数以及绕行嫌疑指数；

超载嫌疑指数计算模块，用于根据异常行为嫌疑指数、超重嫌疑指数以及绕行嫌疑指数计算待判定车辆的超载嫌疑指数；

超载嫌疑判定模块，用于根据超载嫌疑指数判定待判定车辆是否为超载嫌疑车辆。

本申请实施例提供的技术方案可以包括以下有益效果：

在本申请实施例中，车辆诊断AI平台首先获取待判定车辆的多项数据源，再从待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于行车数据识别待判定车辆的异常行为，然后经识别后确定待判定车辆发生异常行为时，确定待判定车辆的异常行为嫌疑指数，再根据待判定车辆的多项数据源确定待判定车辆的超重嫌疑指数以及绕行嫌疑指数，再根据异常行为嫌疑指数、超重嫌疑指数以及绕行嫌疑指数计算待判定车辆的超载嫌疑指数，最后根据超载嫌疑指数判定待判定车辆是否为超载嫌疑车辆。由于本申请使用大数据技术，在汇聚公路路网、路况、源头治超数据、车辆定位及行驶速度等相关数据的基础上，对车辆的规划路径、实际行驶路径、中途停留情况、停留前后的行驶特征变化等进行计算和评估，根据评估结果判定车辆在行驶途中额外装载货物行为的嫌疑度，从而引导超载超限人员在该车辆预计途经地点进行设卡检查，以针对行车途中额外装载货物的行为进行精准检查和执法，从而提升了嫌疑车辆识别精度，进一步提升了执法人员的执法效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本申请实施例提供的一种超载嫌疑车辆判定方法的流程示意图；

图2是本申请实施例提供的一种超载嫌疑车辆诊断AI***功能结构简图；

图3是本申请实施例提供的一种超载嫌疑车辆诊断原理流程图；

图4是本申请实施例提供的一种超载嫌疑车辆判定方法场景示意图；

图5是本申请实施例提供的另一种超载嫌疑车辆判定方法的流程示意图；

图6是本申请实施例提供的一种超载嫌疑车辆判定装置的装置示意图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的***和方法的例子。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

目前对超载超限的车辆进行识别时，由于缺少车辆出场后全程运输过程的跟踪手段，司机可能会在中途进行额外装载并采取绕行非现场治超点、固定治超站等方式来规避超载超限检测和处罚，此类车辆的无监管上路存在严重的安全隐患，从而降低了超载超限车辆的识别精度，进一步降低了执法人员的执法效率。为此，本申请提供了一种超载嫌疑车辆判定方法和装置，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请使用大数据技术，在汇聚公路路网、路况、源头治超数据、车辆定位及行驶速度等相关数据的基础上，对车辆的规划路径、实际行驶路径、中途停留情况、停留前后的行驶特征变化等进行计算和评估，根据评估结果判定车辆在行驶途中额外装载货物行为的嫌疑度，从而引导超载超限人员在该车辆预计途经地点进行设卡检查，以针对行车途中额外装载货物的行为进行精准检查和执法，从而提升了嫌疑车辆识别精度，进一步提升了执法人员的执法效率，下面采用示例性的实施例进行详细说明。

下面将结合附图1-附图5，对本申请实施例提供的超载车辆判定方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的超载车辆判定***上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。

请参见图1，为本申请实施例提供了一种超载嫌疑车辆判定方法的流程示意图，应用于车辆诊断AI平台。如图1所示，本申请实施例的方法可以包括以下步骤：

S101，获取待判定车辆的多项数据源；

其中，多项数据源包括待判定车辆的基础数据、行车数据、所在区域的非现场治超检测点数据、固定治超站数据、区域公路路网数据、公路网实时路况数据。

通常，在数据采集前还包括依据预先确定的专业经验数据，设置车辆诊断AI平台中的AI模型基础参数，如：轨迹点分组参数(轨迹点数量C_t或轨迹点持续时间长度T_c)、行为嫌疑分组阈值N_ha、超载嫌疑时的速度偏差阈值

超载嫌疑计算权重α和β，超限嫌疑指数门限

车辆诊断AI平台的AI***功能结构简图例如图2所示，包括载重嫌疑指数计算、行为嫌疑指数计算、绕行嫌疑指数计算以及超载嫌疑指数计算、***内还包括治超专题数据库、以及数据汇集接口和数据推送接口。

在一种可能的实现方式中，在进行超载车辆判定时，首先根据预先确定的经验数据初始化车辆诊断AI平台中的AI模型基础参数，然后车辆诊断AI平台接收待判定车辆的基础数据、行车数据、所在区域的非现场治超检测点数据、固定治超站数据、区域公路路网数据、公路网实时路况数据等。

需要说明的是，AI模型是一个与业务有关的计算模型，可以用神经网络等具体方式来实现，但不限于神经网络。

S102，从待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于行车数据识别待判定车辆的异常行为；

其中，行车数据包括车辆的位置数据、速度、时间信息等。异常行为至少包括异常停留行为、卫星定位设备的遮挡行为。

在本申请实施例中，首先从待判定车辆的多项数据源中提取待判定车辆的行车轨迹数据，并从行车轨迹数据中定位出待判定车辆的经纬度坐标点，然后将待判定车辆的经纬度坐标点匹配至实际道路，生成待判定车辆的实际行驶轨迹，再确定出待判定车辆的实际行驶轨迹中各轨迹点的行车速度，再剔除各轨迹点中的行车速度中异常的轨迹点，再将剔除后剩余的轨迹点按照预设方式分组后生成多组轨迹点集合，其中，预设方式是指将所述剔除后剩余的轨迹点按照预设时间周期或连续轨迹点数量分组，最后基于多组轨迹点集合确定待判定车辆的异常行为。

进一步地，在基于多组轨迹点集合确定待判定车辆的异常行为时，首先根据分组后的各轨迹点以及实际行车轨迹中的轨迹点计算待判定车辆的综合距离最短的行车轨迹，并将综合距离最短的行车轨迹确定为待判定车辆的理想行车轨迹，再根据理想行车轨迹和实际行车轨迹计算多组轨迹点集合中各组内平均行车速度，再统计所述多组轨迹点集合中存在GPS数据缺失的分组，并将所述GPS数据缺失的分组确定为故意遮挡，然后根据所述多组轨迹点集合中各组内平均行车速度计算嫌疑装货分组，并将所述嫌疑装货分组确定为故意停留，最后将所述故意遮挡和所述故意停留确定为所述待判定车辆的异常行为。

在一种可能的实现方式中，统计所述多组轨迹点集合中各组内平均行车速度小于预设阈值的分组，并将平均行车速度小于预设阈值分组确定为嫌疑装货分组，获取所述嫌疑装货分组的个数N_sa；统计所述多组轨迹点集合中轨迹点数据全部缺失的分组，并将所述轨迹点数据缺失的分组确定为故意遮挡，获取所述故意遮挡分组的个数N_sb；当所述嫌疑装货分组的个数N_sa与所述故意遮挡分组的个数N_sb之和大于预设的行为嫌疑分组阈值N_ha时，判定所述车辆出现异常行为。

需要说明的是，在识别嫌疑装货分组和故意遮挡分组时，如果某个分组中车辆位置停留在服务区或路况数据中标注的拥堵地点，则剔除该组数据，不识别为异常。

在一种可能的实现方式中，首先收集待判定车辆多项数据源，再从收集的多项数据源中获取行车轨迹数据，采用网格定位、行车路径延迟定位等方法进行车辆定位后获得车辆的原始经纬度坐标点，并把车辆原始经纬度坐标点匹配到道路上，还原以道路为基础的车辆实际行驶轨迹，同时确定出每个轨迹点及车辆在该轨迹点上的行车速度。再结合路网结构，剔除一些正常行驶过程中的异常速度点(如路口处车辆的正常减速、停车等红灯等)，按有效轨迹点数量C_t(默认取20个点)或一定周期T_c(如，默认5分钟)对剔除后剩下的轨迹点进行分组，得到分组后的多个组的轨迹点。

进一步地，在得到分组后的多个组的轨迹点后，需要计算理想行车轨迹Ls，在计算理想行车轨迹Ls时，首先获取分组后的多个组中每个分组内的最后一个轨迹点，有几个分组就有几个最后轨迹点。然后将待判定车辆的实际行驶轨迹中距离当前时间最久的轨迹点，确定为第一个轨迹点，最后按照Dijistra算法并结合路况(路况指平均行车速度或平均行车时间)计算综合距离最短的理想行车轨迹L_s。计算理想行车轨迹的实际长度l_s、预计行驶时间t_s等。然后将该时间段内车辆的实际行驶轨迹L_a，并与前续完成计算的实际行驶轨迹，按首尾相连方式合并为车辆的实际行车路线。计算该轨迹的实际长度l_a、行驶时间t_a，最后根据以上参数计算平均行驶速度

S103，经识别后确定待判定车辆发生异常行为时，确定待判定车辆的异常行为嫌疑指数；

在一种可能的实现方式中，如果某组内行车速度

低于预设阈值，预设阈值为正常行驶速度

乘以系数k，比如k为0.5，当

时，则把该分组记录为嫌疑装货分组，同时累积嫌疑装货分组的个数N_sa。

如果某组内卫星定位数据完全缺失(T_c时间内没有有效轨迹点数据)，则标记该分组记录为故意遮挡分组，并累积故意遮挡分组的个数N_sb。

根据嫌疑装货分组和故意遮挡分组的个数，以及这两个分组的出现规律计算该车辆的行为嫌疑指数I_a＝f₁(N_s,N_sa,N_sb)，f₁(·)是车辆轨迹数据异常波动相关的敏感函数，取值范围为[0,10]。行为嫌疑指数越高，表明司机运输途中故意加装货物的可能性越大。

S104，根据待判定车辆的多项数据源确定待判定车辆的超重嫌疑指数以及绕行嫌疑指数；

在本申请实施例中，首先从多项数据源中获取发生异常行为前后的行车速度，并根据发生异常行为前后的行车速度确定超重嫌疑指数，然后从待判定车辆的多项数据源中提取待判定车辆的实际行车轨迹，并基于行车数据计算理想行车轨迹，最后根据实际行车轨迹和理想行车轨迹确定待判定车辆的绕行嫌疑指数。

在一种可能的实现方式中，车辆理想行车轨迹L_s和实际行车轨迹L_a，按照两条轨迹的行车距离l、行驶时间t和平均行驶速度

之间的差异，结合两条轨迹是否通过治超检测点(非现场监测点或固定治超站)，计算司机的绕行嫌疑指数I_e＝f₂(L_s,L_a)。f₂(·)是行车轨迹(L_s、L_a)针对治超站点数量的敏感函数，值域范围[0,1]，数值越大，表示两条链路在超限检测维度方面的价值差异越大，其中行车轨迹L_s和L_a由三元组<N_i,l_i,t_i>(i＝s或a)标识，其中N_i是轨迹所途经的治超检测点数量，l_i是轨迹的实际长度(即行车距离)，t_i是车辆在该轨迹上的行驶时间。

在本申请实施例中，计算载重嫌疑指数时，首先从所述多组轨迹点集合中统计出嫌疑装货分组、故意遮挡分组，然后获取所述嫌疑装货分组与故意遮挡分组之前的分组，作为第一目标分组集合，再获取所述嫌疑装货分组与故意遮挡分组之后的分组，作为第二目标分组集合，再计算所述第一目标分组集合中轨迹点的平均速度，作为第一平均速度

再计算所述第二目标分组集合中轨迹点的平均速度，作为第二平均速度

最后将所述第一平均速度

和第二平均速度

预设载重嫌疑指数计算公式中，生成超重嫌疑指数；其中，所述载重嫌疑指数计算公式为：

例如，针对第三步已经完成计算的实际行车轨迹中的多个分组数据，以出现的嫌疑装货分组、故意遮挡分组为边界，采用滑动平均方式计算之前分组的平均速度

之后分组的平均速度

(嫌疑装货分组、故意遮挡分组不纳入计算)，并据此计算载重嫌疑指数

f₃(·)，f₃(·)是车辆在相同条件下装载货物增量对行驶速度的影响函数，取值范围[0,1]，数值越大表示超过一定载重量后，货车行驶速度的差异越大。

S105，根据异常行为嫌疑指数、超重嫌疑指数以及绕行嫌疑指数计算待判定车辆的超载嫌疑指数；

在一种可能的实现方式中，计算车辆自第一个轨迹点开始后的超载嫌疑指数：I_ow＝I_a(αI_w+βI_e)，(α+β＝1)；

其中，I_a为异常行为嫌疑指数，I_w为绕行嫌疑指数，I_e为载重嫌疑指数，α和β为权重参数。I_ow取值范围[0,10]，数值越大，表示该车辆在本时间段内出现运输途中加载货物导致超载的嫌疑越大。如果算出来的超载嫌疑指数超过预设的阈值

(默认为6)，则把该车辆的相关信息发送到就近执法人员的超载预警小程序，同时把该车辆的理想行驶轨迹、实际行驶轨迹、嫌疑分组所在的时段和平均车速等作为附件一起推送给超载预警小程序，其中理想行车轨迹、实际行驶轨迹均可以作为电子证据附件。

S106，根据超载嫌疑指数判定待判定车辆是否为超载嫌疑车辆。

在一种可能的实现方式中，经所述超载嫌疑指数大于等于预设阈值时，判定待判定车辆为超载嫌疑车辆，并将待判定车辆的行车数据发送至超载预警终端，以及当超载嫌疑指数小于预设阈值时，判定待判定车辆为非超载嫌疑车辆并继续执行从待判定车辆的多项数据源中提取待判定车辆的行车数据的步骤。

需要说明的是，在实际的超载治理执法场景中，采用本方法主要是通过超载嫌疑指数来判定车辆是否为超载嫌疑车辆，进而确定是否应重点检查，从而可以预警或提示超载治理执法主体如治超检测站的执法人员重点检查该超载嫌疑车辆，本办法的判定结果可以从海量待判定车辆中初步筛选出超载嫌疑车辆，提升了超载治理的效率，本领域技术人员可以理解的是，本方法的判定结果结合执法人员实地检查的结果才能作为判定结果。

可选的，可以采用一些技术手段实现运输车辆与司机手机的绑定，并以司机手机的定位数据(如手机信令或者高频应用程序)来替代运输车辆的周期性定位数据。

可选的，可以进一步聚合公安交警的卡口数据，通过卡口数据来采集车辆的实际位置，并依托多个卡口完成车辆实际行车轨迹的提取。

可选的，可以采集当地的货源点数据，并对运输车辆在货源点附近停留一定时间作为该车辆发生装货行为的标志点，来代替源头治超监测数据来触发本算法的运行。

可选的，可以采集该车辆的历史定位数据，结合车辆当时行驶的道路技术等级，聚类分析该车辆的历史行车特征，以提升车辆行车速度与装载货物情况的关联关系，即优化f₃(·)的算法参数。

例如图3所示，图3为本申请提供的超载车辆判定过程的过程示意图，首先车辆诊断AI平台接收数据并对数据预处理，再对预处理后的车辆轨迹数据分组以及行驶轨迹还原，探后进行车辆行驶参数计算，根据车辆行驶参数计算行为嫌疑指数和载重嫌疑指数，然后根据计算的车辆理想轨迹计算绕行嫌疑指数，最后基于行为嫌疑指数、载重嫌疑指数以及绕行嫌疑指数计算超载嫌疑指数，并根据超载嫌疑指数确定出是否为超载嫌疑车辆，超载嫌疑车辆判定方法场景示意图例如图4所示。

在本申请实施例中，车辆诊断AI平台首先获取待判定车辆的多项数据源，再从待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于行车数据识别待判定车辆的异常行为，然后当识别后确定待判定车辆发生异常行为时，确定待判定车辆的异常行为嫌疑指数，再根据待判定车辆的多项数据源确定待判定车辆的超重嫌疑指数以及绕行嫌疑指数，再根据异常行为嫌疑指数、超重嫌疑指数以及绕行嫌疑指数计算待判定车辆的超载嫌疑指数，最后根据超载嫌疑指数判定待判定车辆是否为超载嫌疑车辆。由于本申请使用大数据技术，在汇聚公路路网、路况、源头治超数据、车辆定位及行驶速度等相关数据的基础上，对车辆的规划路径、实际行驶路径、中途停留情况、停留前后的行驶特征变化等进行计算和评估，根据评估结果判定车辆在行驶途中额外装载货物行为的嫌疑度，从而引导超载超限人员在该车辆预计途经地点进行设卡检查，以针对行车途中额外装载货物的行为进行精准检查和执法，从而提升了嫌疑车辆识别精度，进一步提升了执法人员的执法效率。

请参见图5，为本申请实施例提供了一种超载嫌疑车辆判定方法的流程示意图，应用于超载预警终端。如图5所示，本申请实施例的方法可以包括以下步骤：

S201，接收来自车辆诊断AI平台发送的待判定车辆的行车数据，并将待判定车辆的嫌疑行为进行显示；

S202，接收检查结果，并将检查结果发送至车辆诊断AI平台。

在一种可能的实现方式中，执法人员接收到嫌疑车辆推送数据后，显示车辆的嫌疑活动详情，也可以联网获得该车辆的超载查获历史数据，并据此决定是否设卡检查。

如果执法人员进行了实地检查，相关检查结果将反馈给嫌疑车辆诊断AI***，以便其根据执法人员的检查数据(相当于一个完成了数据标定的训练记录)进行更多的训练和学习，以持续优化AI模型的基础参数。

在本申请实施例中，车辆诊断AI平台首先获取待判定车辆的多项数据源，再从待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于行车数据识别待判定车辆的异常行为，然后经识别后确定待判定车辆发生异常行为时，确定待判定车辆的异常行为嫌疑指数，再根据待判定车辆的多项数据源确定待判定车辆的超重嫌疑指数以及绕行嫌疑指数，再根据异常行为嫌疑指数、超重嫌疑指数以及绕行嫌疑指数计算待判定车辆的超载嫌疑指数，最后根据超载嫌疑指数判定待判定车辆是否为超载嫌疑车辆。由于本申请使用大数据技术，在汇聚公路路网、路况、源头治超数据、车辆定位及行驶速度等相关数据的基础上，对车辆的规划路径、实际行驶路径、中途停留情况、停留前后的行驶特征变化等进行计算和评估，根据评估结果判定车辆在行驶途中额外装载货物行为的嫌疑度，从而引导超载超限人员在该车辆预计途经地点进行设卡检查，以针对行车途中额外装载货物的行为进行精准检查和执法，从而提升了嫌疑车辆识别精度，进一步提升了执法人员的执法效率。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

请参见图6，其示出了本发明一个示例性实施例提供的超载车辆判定装置的结构示意图。该超载车辆判定***可以通过软件、硬件或者两者的结合实现成为智能机器人的全部或一部分。该装置1包括数据源采集模块10、异常行为识别模块20、异常行为嫌疑指数确定模块30、超重嫌疑指数以及绕行嫌疑指数确定模块40、超载嫌疑指数计算模块50、超载嫌疑判定模块60。

数据源采集模块10，用于获取待判定车辆的多项数据源；

异常行为识别模块20，用于从待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于行车数据识别待判定车辆的异常行为；

异常行为嫌疑指数确定模块30，用于经识别后确定待判定车辆发生异常行为时，确定待判定车辆的异常行为嫌疑指数；

超重嫌疑指数以及绕行嫌疑指数确定模块40，用于根据待判定车辆的多项数据源确定待判定车辆的超重嫌疑指数以及绕行嫌疑指数；

超载嫌疑指数计算模块50，用于根据异常行为嫌疑指数、超重嫌疑指数以及绕行嫌疑指数计算待判定车辆的超载嫌疑指数；

超载嫌疑判定模块60，用于根据超载嫌疑指数判定待判定车辆是否为超载嫌疑车辆。

需要说明的是，上述实施例提供的超载车辆判定***在执行超载车辆判定方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的超载车辆判定***与超载车辆判定方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请实施例中，车辆诊断AI平台首先获取待判定车辆的多项数据源，再从待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于行车数据识别待判定车辆的异常行为，然后经识别后确定待判定车辆发生异常行为时，确定待判定车辆的异常行为嫌疑指数，再根据待判定车辆的多项数据源确定待判定车辆的超重嫌疑指数以及绕行嫌疑指数，再根据异常行为嫌疑指数、超重嫌疑指数以及绕行嫌疑指数计算待判定车辆的超载嫌疑指数，最后根据超载嫌疑指数判定待判定车辆是否为超载嫌疑车辆。由于本申请使用大数据技术，在汇聚公路路网、路况、源头治超数据、车辆定位及行驶速度等相关数据的基础上，对车辆的规划路径、实际行驶路径、中途停留情况、停留前后的行驶特征变化等进行计算和评估，根据评估结果判定车辆在行驶途中额外装载货物行为的嫌疑度，从而引导超载超限人员在该车辆预计途经地点进行设卡检查，以针对行车途中额外装载货物的行为进行精准检查和执法，从而提升了嫌疑车辆识别精度，进一步提升了执法人员的执法效率。

本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的超载车辆判定方法。

本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的超载车辆判定方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (11)

1.一种超载车辆嫌疑判定方法，应用于车辆诊断AI平台，其特征在于，所述方法包括：

获取待判定车辆的多项数据源；

从所述待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于所述行车数据识别所述待判定车辆的异常行为；

经所述识别后判定待判定车辆发生异常行为时，确定所述待判定车辆的异常行为嫌疑指数；

根据所述待判定车辆的多项数据源确定所述待判定车辆的超重嫌疑指数以及绕行嫌疑指数；

根据所述异常行为嫌疑指数、超重嫌疑指数以及绕行嫌疑指数计算所述待判定车辆的超载嫌疑指数；

根据所述超载嫌疑指数判定所述待判定车辆是否为超载嫌疑车辆。

2.根据权利要求1所述的方法，其特征在于，所述根据所述待判定车辆的多项数据源确定所述待判定车辆的超重嫌疑指数以及绕行嫌疑指数，包括：

从所述多项数据源中获取所述发生异常行为前后的行车速度，并根据所述发生异常行为前后的行车速度确定超重嫌疑指数；

从所述待判定车辆的多项数据源中提取待判定车辆的实际行车轨迹；

基于所述行车数据计算理想行车轨迹；

根据所述实际行车轨迹和理想行车轨迹确定所述待判定车辆的绕行嫌疑指数。

3.根据权利要求1所述的方法，其特征在于，所述根据所述超载嫌疑指数判定所述待判定车辆是否为超载嫌疑车辆，包括：

当所述超载嫌疑指数大于等于预设阈值时，判定所述待判定车辆为超载嫌疑车辆，并将所述待判定车辆的行车数据发送至超载预警终端；以及

当所述超载嫌疑指数小于预设阈值时，判定所述待判定车辆为非超载嫌疑车辆并继续执行从所述待判定车辆的多项数据源中提取待判定车辆的行车数据的步骤。

4.根据权利要求1所述的方法，其特征在于，所述从所述待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于所述行车数据识别所述待判定车辆的异常行为，包括：

从所述待判定车辆的多项数据源中提取待判定车辆的行车轨迹数据，将所述行车轨迹数据匹配至实际道路，生成待判定车辆的实际行驶轨迹；

确定出所述待判定车辆的实际行驶轨迹中各轨迹点的行车速度；

剔除所述各轨迹点中的行车速度异常的轨迹点，并将所述剔除后剩余的轨迹点按照预设方式分组后生成多组轨迹点集合，其中，所述预设方式是指将所述剔除后剩余的轨迹点按照预设时间周期或连续轨迹点数量分组；

基于所述多组轨迹点集合确定待判定车辆的异常行为。

5.根据权利要求1所述的方法，其特征在于，根据所述实际行车轨迹和理想行车轨迹确定所述待判定车辆的绕行嫌疑指数，包括：

加载预设治超站点数量的敏感函数；

将所述实际行车轨迹和理想行车轨迹输入所述敏感函数中，生成待判定车辆的绕行嫌疑指数。

6.根据权利要求4所述的方法，其特征在于，所述基于所述多组轨迹点集合确定待判定车辆的异常行为，包括：

计算所述多组轨迹点集合中各组内平均行车速度；

统计所述多组轨迹点集合中各组内平均行车速度小于预设阈值的分组，并将平均行车速度小于预设阈值分组确定为嫌疑装货分组，获取所述嫌疑装货分组的个数N_sa；

统计所述多组轨迹点集合中轨迹点数据全部缺失的分组，并将所述轨迹点数据缺失的分组确定为故意遮挡，获取所述故意遮挡分组的个数N_sb；

当所述嫌疑装货分组的个数N_sa与所述故意遮挡分组的个数N_sb之和大于预设的行为嫌疑分组阈值N_ha时，判定所述车辆出现异常行为。

7.根据权利要求6所述的方法，所述经所述识别后判定待判定车辆发生异常行为时，确定所述待判定车辆的异常行为嫌疑指数包括：

根据所述所述嫌疑装货分组的个数Nsa、故意遮挡分组个数N_sb、所述嫌疑装货分组与所述故意遮挡分组的出现规律计算该车辆的行为嫌疑指数Ia，其中，Ia＝f₁(N_s,N_sa,N_sb)，N_s为所述多组轨迹点集合的轨迹点的总的组数。

8.根据权利要求6或7所述的方法，其特征在于，所述根据所述发生异常行为前后的行车速度确定超重嫌疑指数，包括：

获取所述嫌疑装货分组与故意遮挡分组之前的分组，作为第一目标分组集合；

获取所述嫌疑装货分组与故意遮挡分组之后的分组，作为第二目标分组集合；

计算所述第一目标分组集合中轨迹点的平均速度，作为第一平均速度

计算所述第二目标分组集合中轨迹点的平均速度，作为第二平均速度

将所述第一平均速度

和第二平均速度

输入预设载重嫌疑指数计算公式中，生成超重嫌疑指数；其中，所述载重嫌疑指数计算公式为：

9.根据权利要求1-8任一所述的方法，其特征在于，所述待判定车辆的超载嫌疑指数计算公式为：I_ow＝I_a(αI_w+βI_e)，(α+β＝1)；

其中，I_a为异常行为嫌疑指数，I_w为载重嫌疑指数，I_e为绕行嫌疑指数，α和β为权重参数。

10.一种超载嫌疑车辆判定方法，应用于超载预警终端，其特征在于，所述方法包括：

接收来自车辆诊断AI平台发送的待判定车辆的行车数据，并将所述待判定车辆的嫌疑行为进行显示；

接收检查结果，并将所述检查结果发送至车辆诊断AI平台。

11.一种超载嫌疑车辆判定装置，应用于车辆诊断AI平台，其特征在于，所述装置包括：

数据源采集模块，用于获取待判定车辆的多项数据源；

异常行为识别模块，用于从所述待判定车辆的多项数据源中提取待判定车辆的行车数据，并基于所述行车数据识别所述待判定车辆的异常行为；

异常行为嫌疑指数确定模块，用于经所述识别后确定待判定车辆发生异常行为时，确定所述待判定车辆的异常行为嫌疑指数；

超重嫌疑指数以及绕行嫌疑指数确定模块，用于根据所述待判定车辆的多项数据源确定所述待判定车辆的超重嫌疑指数以及绕行嫌疑指数；

超载嫌疑指数计算模块，用于根据所述异常行为嫌疑指数、超重嫌疑指数以及绕行嫌疑指数计算所述待判定车辆的超载嫌疑指数；

超载嫌疑判定模块，用于根据所述超载嫌疑指数判定所述待判定车辆是否为超载嫌疑车辆。

Images