CN116071931A - 一种高速公路通行车辆信息预测方法和*** - Google Patents

Abstract

本发明涉及一种高速公路通行车辆信息预测方法和***，该方法包括如下步骤：步骤S1，收集原始车辆通行原始数据信息进行第一处理操作，得到第一数据，并格式化存储；步骤S2，对原始信息处理后得到的第一数据，进行第一过滤操作，得到第二数据；步骤S3，对经过第一过滤操作之后得到的第二数据，计算物理信息信度权重测值；步骤S4，对旧历史档案信息测值进行第三修正并更新演进；步骤S5，将步骤S3获取的物理信息信度权重测值与步骤S4中经过第三修正后的测值合并并存储；步骤S6，依据所待查询的车辆信息，从步骤S5生成的测值中生成车辆预测真实物理信息。本发明能够提供车辆的预测信息，这种信息有助于识别棘手的伪造相关的高速异常行为。

Description

一种高速公路通行车辆信息预测方法和***

技术领域

本发明涉及交通设备领域，尤其是一种高速公路车辆信息预测的方法和***。

背景技术

由于ETC计费***的推广，许多高速公路收费站逐渐以无人值守的不停车通行车道取代人工收费窗口。并且囿于车辆物理信息并非短时间可以完全准确地推断，基于人工、传感器和机器视觉的判定方法对于车辆物理信息(包括车辆类型、车辆轴数、特种车类型等)无法确保高效、准确地给出。

在实践中，包括高速逃费行为的检出和追缴都需要基于车辆的准确信息，错误的车辆信息可能导致漏检异常行为。并且在部分异常行为(如***、临时换牌等变造或伪造车牌相关情形，甩挂、途中换挂等车轴相关情形，盗用绿通车等特种车类型相关情形)中，现有方法由于依赖于通行数据本身，因而不具备一个具有一定真实性的参考标准，无法准确获悉车辆信息，也就无法正确进行正确的深层数据分析。

发明内容

本发明提供了一种高速公路车辆信息预测的方法和***，通过多种加权方法存储历史信息建立档案库，增量存储以车牌为区别的车辆物理信息，并且提供接口为其他业务***提供车辆信息预测结论。

本发明的技术方案为：一种高速公路通行车辆信息预测方法，包括如下步骤：

步骤S1，收集原始车辆通行原始数据信息进行第一处理操作，得到第一数据，并格式化存储；

步骤S2，对原始信息处理后得到的第一数据，进行第一过滤操作，得到第二数据；

步骤S3，对经过第一过滤操作之后得到的第二数据，计算物理信息信度权重测值；

步骤S4，对旧历史档案信息测值进行第三修正并更新演进；

步骤S5，将步骤S3获取的物理信息信度权重测值与步骤S4中经过第三修正后的测值合并并存储；

步骤S6，依据所待查询的车辆信息，生成的测值中生成车辆预测真实物理信息。

根据本发明的另一个方面，还提出一种多权重适应的高速公路通行车辆信息预测***，包括：

数据收集模块，收集原始车辆通行原始数据信息进行第一处理操作，得到第一数据，并格式化存储；

第一处理模块，对原始信息处理后得到的第一数据，进行第一过滤操作，得到第二数据；

物理信息信度测值计算模块，对经过第一过滤操作之后得到的第二数据，计算物理信息信度权重测值；

旧历史档案信息测值更新演进模块，对旧历史档案信息测值进行第三修正并更新演进；

测值合并模块，将步骤S3获取的物理信息信度权重测值与步骤S4中经过第三修正后的测值合并并存储；

预测模块，依据所待查询的车辆信息，生成的测值中生成车辆预测真实物理信息。

有益效果

本方法提出了一种高速公路通行车辆信息预测方法和***，根据既往所有通行记录生成车辆物理数据预测表，能够有效地利用全部既往通行记录，并且能够包容车辆发生长期性的变化(如车牌转让)。根据预测表，能够提供车辆的预测信息，这种信息有助于识别棘手的伪造相关的高速异常行为。

附图说明

图1为本发明的一种高速公路通行车辆信息预测方法流程框图；

图2为本发明方法经过滤后单条车辆原始信息的信息信度权重测值计算方法示意图(以一辆2轴客1型车辆，车重2吨的车辆为例)；

图3为该方法对同一车牌多条车辆原始信息的信息信度权重测值计算方法示意图(以图2同一车辆为例)；

图4为历史档案表中车辆信息测值方法示意图(以图2同一车辆为例)。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

根据本发明的实施例，本方法提出一种高速公路通行车辆信息预测方法，包括如下步骤：

步骤S1，收集原始车辆通行原始数据信息进行第一处理操作，得到第一数据，并格式化存储；

步骤S2，对原始信息处理后得到的第一数据，进行第一过滤操作，得到第二数据；

步骤S3，对经过第一过滤操作之后得到的第二数据，计算物理信息信度权重测值；

步骤S4，对旧历史档案信息测值进行第三修正并更新演进；

步骤S5，将步骤S3获取的物理信息信度权重测值与步骤S4中经过第三修正后的测值合并并存储；

步骤S6，依据查询从步骤S5生成的测值中生成车辆预测真实物理信息；

下面对各步骤进行详细说明。

步骤S1，收集车辆通行原始数据信息进行第一处理操作，得到第一数据，并格式化存储；

在交通领域，车辆在经过高速出入口时，通常会被识别设备监控和识别车辆的信息，从而便于收费等操作。然而，由于社会中存在套牌、改装等各种违规行为，导致车辆的识别不一定与车辆的真实身份一致。本发明中，为了能够更准确的判断当前车辆的真实身份信息，能够充分从历史数据中获取车辆数据物理信息预测，辅助车辆信息预测；同时，由于历史数据由于客观存在的误录入、误识别以及少数时候会发生的车辆物理信息可信变更，会导致历史数据的对预测产生偏差和不良影响。另外，由于每天产生大量的对于历史数据，需要有一个良好的方法进行存储，以将复杂度降低至可接受的范围，并且节约磁盘空间。

本发明方法目前需要收集并使用的原始数据信息为某路段一个记录周期内所有车辆的通行数据，所述一个记录周期的起始日为收集当前日之前一个月的对应日，终止日为收集当前日。例如，收集当前日为2022年5月1日，则记录周期为2022年4月1日至2022年5月1日。

本方法目前需要收集并使用的数据字段包括：通行介质类型、入口读卡车牌、入口读卡车牌颜色、入口图像识别车牌、入口图像识别车牌颜色、出口读卡车牌、出口读卡车牌颜色、出口图像识别车牌、出口图像识别车牌颜色、入口车型、出口车型、入口车轴数、出口车轴数、入口特种车型、出口特种车型、入口称重、出口称重、出口时间；此外其他字段弃置不用。

上述的数据信息来源可能不同，例如，有些是高速出入口采集，有些从网络收集，有些从离线的数据库获取，有些来自于在线数据库，不同来源处的数据信息，其格式可能会有不同，本发明在收集到上述字段的数据信息之后，需要对不同来源的数据进行形式规范。

根据本发明的一个实施例，所收集的原始数据信息包括：第一来源数据信息、第二来源数据信息，第三来源数据信息，第四来源数据信息；

根据一个实施例，所述的第一来源为高速公路出口读卡信息；所述第二来源数据信息为入口读卡信息；所述的第三来源数据信息为高速公路出口图像识别信息；所述的第四来源数据信息为高速公路入口图像识别信息；

对于以上不同来源的数据信息，进行第一处理操作，是指进行第一筛选步骤，包括：

步骤S1101：如果第三来源数据信息、第四来源数据信息识别车牌完全一致的车牌信息，直接作为真实车牌保留；

例如，对于出、入口图像识别车牌完全一致的车牌信息，直接作为真实车牌保留；

步骤S1102：如果第三来源数据信息、第四来源数据信息识别车牌不完全一致，则提取不完全一致的两个车牌字符串，计算第一距离；

可选的，所述的第一距离例如是字符串莱文斯坦距离，所述莱文斯坦距离即两字符串a，b之间数据转换的最少编辑操作次数，记作lev_a，b(|a|，|b|)，其中：|a|和|b|分别表示字符串a和b的长度，a、b根据情况不同分别指代出、入口图像识别车牌或读卡车牌，例如：入口图像识别车牌和读卡车牌，以及出口图像识别车牌和读卡车牌，

其中，是当a_i≠b_i时值为1，否则值为0的示性函数。这样lev_a，b(i，j)是a的前i个字符和b的前j个字符之间的距离，i，j表示a或b中的字符序号；

步骤S1103：如果所述的第一距离小于等于第一阈值，则进一步计算第二距离，所述的第二距离是第三或第四来源数据信息与第一或第二来源数据信息的第二距离；

步骤S1104：如果第二距离小于第二阈值，则以第一或第二来源数据信息作为真实车牌保留；根据一个实施例，所述的第一阈值例如是2，所述的第二阈值例如是1，对于出、入口图像识别车牌不一致，但是校验字符串莱文斯坦距离小于等于2的车牌信息，如果出、入口之一图像识别车牌与读卡车牌莱文斯坦距离小于等于1，则以读卡车牌作为真实车牌保留；

可选的，包括步骤S1105：对于来源数据信息中其余数据，视作车牌数据未给出；

进一步的，本发明对于同一车牌数据的车辆，还包括第二筛选步骤，包括：

步骤S1201，通过出、入口车型数据，以拥有最大记录数的通行时所示车型数据视为真实车型数据。

步骤S1202，对于通过出、入口的车辆的车轴数数据，以拥有最大记录数的通行时所示车轴数数据视为真实车轴数数据。

步骤S1203，通过出、入口的车辆的特种车型数据，以拥有最大记录数的通行时所示特种车型数据视为真实特种车型数据。

步骤S1204，通过出、入口的车辆的称重数据，以拥有最大记录数的通行时所示称重数据视为真实出口称重数据。

步骤S1205，对于未给出数据，置-1标记数据缺失。

所述最大记录数即具有同一车牌数据的车辆在某月内通过该路段的所有记录中，所展示的车型、车轴数、特种车型、称重等数据信息的记录次数最大值。

如上，对数据进行规范处理，从而能够消除不同数据源中的错误数据，以及统一各不同源的数据信息，统一为最可能接近准确值的数据。

经过以上步骤，得到了处理后的第一数据，按照预定格式进行存储。

步骤S2，对原始信息处理后得到的第一数据，进行第一过滤操作，得到第二数据；

具体的，本步骤S2对于步骤S1进行格式规范化后存储的数据进行条件约束过滤。

条件约束过滤包括：

步骤S2101，第一条件约束过滤；

具体的，所述的第一条件过滤是指，利用车牌合法性约束，例如车牌信息必须符合合法的允许在中华人民共和国境内通行的规范，可以使用一正则表达式对车牌信息进行约束，例如：以^([京津沪渝冀豫云辽黑湘皖鲁新苏浙赣鄂桂甘晋蒙陕吉闽贵粤青藏川宁琼使领A-Z]{1}[A-Z]{1}(([0-9]{5}[DF])|(DF[0-9]{4})))|([京津沪渝冀豫云辽黑湘皖鲁新苏浙赣鄂桂甘晋蒙陕吉闽贵粤青藏川宁琼使领A-Z]{1}[A-Z]{1}[A-HJ-NP-Z0-9]{4}[A-HJ-NP-Z0-9学警港澳]{1})$作为正则表达式约束。

步骤S2102，第二条件约束过滤；

所述的第二条件约束过滤是利用车型合法性描述进行约束，例如，车型必须符合该车型所对应的车轴描述，1型与2型车不能够拥有超过2的轴数，对于轴数超过车型对应轴数的情况，则以轴数作为实际车型。

步骤S2103，第三条件约束过滤

所述的第三条件约束过滤是指，用牌照颜色合法性描述进行约束过滤，例如，车辆牌照颜色必须符合对应车型描述，仅有1型车可以使用蓝色牌照。

经过以上数据过滤操作，得到了过滤后的第二数据；

步骤S3，对经过第一过滤操作之后得到的第二数据，计算物理信息信度权重测值；

具体的，对于步骤S2第一过滤操作处理后获得的数据生成记录，并计算物理信息信度权重测值，所述的物理信息信度权重测值代表了物理信息在预测操作中的可信度权重值；其中，所生成的记录分别为基础信息记录及分数信息记录。其中基础信息包括信息车牌、车牌颜色、记录时间、通行介质类型，所述的分数记录包括多部分，可选的，所述的记录可以用表格的形式或矩阵的形式表达，也可以表达为一位数组；

在一个实施例中，以表格的形式表达，具体生成过程如下：

步骤S311：获取采集的车辆数据信息条目；

所述的数据信息条目例如包括：一辆2轴客1型车辆，其车重为2吨，于2022年6月13日通过A收费站入口；其中，车身颜色为蓝色，车辆所安装的通行介质类型为CPC卡；

步骤S312：基于获取的车辆数据信息条目，读取第一信息，第二信息；所述的第一信息包括：车型、轴数、车重、以及特种车型类别；具体的包括：

步骤S3121.车型得分：车型得分为每一种车型一列计分，所述车型分为货车1-5、客车1-4及专项作业车，车辆通过时所示对应车型的基础得分记为1，其余车型基础得分记为0；

步骤S3122.轴数得分：轴数得分为1-12轴及大于12轴车型各自为一列计分，车辆通过时所示对应车轴数的基础得分记为1，其余车轴数基础得分记为0；

步骤S3123.车重得分：车重为3吨及以下、3-6吨、6-12吨、12-24吨及24吨以上各自为一列计分，车辆通过时所示对应车重的基础得分记为1，其余车重基础得分记为0；

步骤S3124.特种车型得分：所述特种车型指执行特别任务的专用车辆(如警车、救护车、监理车、消防车、洒水车等)，拥有特殊标志或具有特种车型，特种车型得分为每一种特种车型一列计分，非特种车型为单独一列计分。车辆通过时所示对应特种车型的基础得分记为1，其余特种车型基础得分记为0；

例如，一辆2轴客1型车辆，其车重为2吨，其各项基础得分如下表所示：

表1车辆信息记录基础得分示意(2轴客1型车辆，车重2吨)

还包括，步骤3126，获取车辆的第二信息，第二信息为通行介质类型；

所述通行介质类型分为CPC卡与ETC卡两种，在车辆的数据记录条目中，CPC对应的设置有字段符号字符串“CPC”，ETC卡对应的设置有字段符号“ETC”；

步骤S313，基于第二信息，对第一信息对应的测值进行第一修正操作；参见图3所示。

所述的第一修正操作是指：考虑到CPC卡通行拥有更准确的物理信息记录体系，因此以CPC卡通行介质类型通过的车辆其各项得分值需在原基础得分上乘以准确系数k(k＞1)，从而对第一信息对应的测值进行修正操作，根据既往数据分析，本发明优选k＝2，可选的，也可以取1.1～5之间的任何值。参见图3，对于通行介质为“CPC”的，各得分乘以准确系数k＝2，对于通行介质为“ETC”的，各得分乘以准确系数k＝1；

步骤S314，对进行第一修正后的测值，进行第二修正操作；

所述的第二修正操作，具体过程如下：

对于各项测值，需要整体乘以日衰减系数，从而对测值进行第二修正：

d_day＝day_now/(day_firstday-day_lastday)，

其中，对于步骤S1所述记录周期，以收集起始日的周期数为1，之后每增加一日，其周期数在上一日周期数的基础上加1；

dday_now表示当前日的周期数，day_firstday表示收集起始日的周期数，day_lastday表示收集终止日的周期数。

参见图3，对于不同的车牌号，记录有不同的数据，例如，对于车牌号1，一个记录周期内存储有3条记录，序号分别有1、2、3，车牌颜色未蓝色，第1条记录的记录时间为X年X月X日，通行介质类型为CPC，车型为客1，车轴数2轴，车重2吨，特种车类型为非特种车。其中，对于第1条记录，第1条记录的记录时间为X年X月X日，其测值对应的得分项为1，图3中的X_d_day即对应的日衰减系数d_day，每项得分乘以日衰减系数，以及通行介质权重值；同样的，对于第2条记录的记录时间为Y年Y月Y日，通行介质类型为CPC，同样处理，对于第3条记录的记录时间为Z年Z月Z日，通行介质类型为ETC。

步骤S315，对于同一车牌所示车辆的多条记录，每条记录经过上述步骤S311-S314处理后，以车牌为单位对不同记录的各项得分对应进行累加；

其中，得到其物理信息修正后的权重，例如图3中所示，对于车牌号1的3条记录，累加后的测值X_C＝2X_d_day+2Y_d_day+Z_d_day；

步骤S4，对旧历史档案信息测值进行第三修正并更新演进；

本发明的方法采用增量定容存储方案，任何一个车牌的信息占据的物理空间是固定的，即每个车牌只能对应唯一确定的车辆信息；因此，每次更新时需要按照时间更新历史档案表得分。

步骤S4101，判断当前历史档案表是否为空，如果为空，则对齐进行初始化；否则，执行步骤S4102；所述历史档案表所示车辆信息的分数信息记录由车型得分、轴数得分、车重得分、特种车型得分四部分组成，具体分类与所述步骤S3所示原始数据一致，按照所述历史档案表记录的车辆信息分别对应的各类型，其基础得分记为1，其余各分类得分记为0。

例如，历史档案表中记载某车牌号对应车辆为一辆2轴客1型车辆，其车重为2吨，其各项基础得分如下表2所示：

表2历史档案表车辆信息基础得分示意(2轴客1型车辆，车重2吨)

步骤4102，获取历史档案表中的测值，判断历史档案表中是否存在前述车辆信息，如果存在，对测值进行第三修正操作；

所述的第三修正是按照月度信息进行修正，具体的，本实施例中，获取历史档案表中记录的最后更新时间，根据当前时间与历史记录最后更新时间获得月衰减系数d：

其中，△month为当前记录周期终止日至历史档案表中记录的最后更新时间的月数(若不足一个月，按一个月计算)，例如，X_final＝dXc＝d*0.5^△month。

对于历史档案表车辆信息各项得分，需要整体乘以月衰减系数，用于降低更早时间分数的可信度。

步骤4103，若历史档案表中无所示车辆信息，则获取的记录各项得分记赋值为0。

步骤S5将步骤S3获取的测值与步骤S4中经过第三修正后的测值合并并存储；

将S3与S4的值相加，得到的新分数存入数据仓库及历史档案表，这个得分表用于后续预计结论，并且为了S4的继续进行，该表需要增设更新时间列。

步骤S6依据查询从步骤S5生成的测值中生成车辆预测真实物理信息；

对于S5的得分表，S3划分的每个种类都取得分最高的一项作为预测结论。

本发明的方法能够对记录周期内出现的所有车辆信息进行预测计算，得到预测结论。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (10)

1.一种高速公路通行车辆信息预测方法，其特征在于，包括如下步骤：

步骤S1，收集原始车辆通行原始数据信息进行第一处理操作，得到第一数据，并格式化存储；

步骤S2，对原始信息处理后得到的第一数据，进行第一过滤操作，得到第二数据；

步骤S3，对经过第一过滤操作之后得到的第二数据，计算物理信息信度权重测值；

步骤S4，对旧历史档案信息测值进行第三修正并更新演进；

步骤S5，将步骤S3获取的物理信息信度权重测值与步骤S4中经过第三修正后的测值合并并存储；

步骤S6，依据所待查询的车辆信息，生成的测值中生成车辆预测真实物理信息。

2.根据权利要求1所述的一种高速公路通行车辆信息预测方法，其特征在于，包括如下步骤：

所收集的原始数据信息包括：第一来源数据信息、第二来源数据信息，第三来源数据信息，第四来源数据信息。

3.根据权利要求1所述的一种高速公路通行车辆信息预测方法，其特征在于，所述的步骤1中，进行第一处理操作，是指进行第一筛选步骤，包括：

步骤S1101：如果第三来源数据信息、第四来源数据信息识别车牌完全一致的车牌信息，直接作为真实车牌保留；

步骤S1102：如果第三来源数据信息、第四来源数据信息识别车牌不完全一致，则提取不完全一致的两个车牌字符串，计算第一距离；

步骤S1103：如果所述的第一距离小于等于第一阈值，则进一步计算第二距离，所述的第二距离是第三或第四来源数据信息与第一或第二来源数据信息的第二距离；

步骤S1104：如果第二距离小于第二阈值，则以第一或第二来源数据信息作为真实车牌保留；

包括步骤S1105：对于来源数据信息中其余数据，视作车牌数据未给出。

4.根据权利要求3所述的一种高速公路通行车辆信息预测方法，其特征在于，对于同一车牌数据的车辆，还包括第二筛选步骤，包括：

步骤S1201，通过出、入口车型数据，以拥有最大记录数的通行时所示车型数据视为真实车型数据；

步骤S1202，对于通过出、入口的车辆的车轴数数据，以拥有最大记录数的通行时所示车轴数数据视为真实车轴数数据；

步骤S1203，通过出、入口的车辆的特种车型数据，以拥有最大记录数的通行时所示特种车型数据视为真实特种车型数据；

步骤S1204，通过出、入口的车辆的称重数据，以拥有最大记录数的通行时所示称重数据视为真实出口称重数据；

步骤S1205，对于未给出数据，置-1标记数据缺失。

5.根据权利要求3所述的一种高速公路通行车辆信息预测方法，其特征在于，所述的步骤2，具体包括：

步骤S2101，进行第一条件约束过滤；所述的第一条件过滤是指，利用车牌合法性约束；

步骤S2102，第二条件约束过滤，所述的第二条件约束过滤是利用车型合法性描述进行约束；

步骤S2103，第三条件约束过滤，所述的第三条件约束过滤是指，用牌照颜色合法性描述进行约束过滤；

步骤S2104，经过以上数据过滤操作，得到了过滤后的第二数据。

6.根据权利要求3所述的一种高速公路通行车辆信息预测方法，其特征在于，所述步骤S3，对经过第一过滤操作之后得到的第二数据，计算物理信息信度权重测值，具体包括：

对于步骤S2第一过滤操作处理后获得的数据生成记录，并计算物理信息信度权重测值，所述的物理信息信度权重测值代表了物理信息在预测操作中的可信度权重值；其中，所生成的记录分别为基础信息记录及分数信息记录。

7.根据权利要求3所述的一种高速公路通行车辆信息预测方法，其特征在于，所述的步骤S3进一步包括：

步骤S311：获取采集的车辆数据信息条目；

步骤S312：基于获取的车辆数据信息条目，读取第一信息，第二信息；所述的第一信息包括：车型、轴数、车重、以及特种车型类别；

步骤S313，基于第二信息，对第一信息对应的测值进行第一修正操作；

步骤S314，对进行第一修正后的测值，进行第二修正操作。

8.根据权利要求3所述的一种高速公路通行车辆信息预测方法，其特征在于，所述的步骤S5包括：

将S3与S4的值相加，得到的新分数存入数据仓库及历史档案表，这个得分表用于后续预计结论，该表中增设有更新时间列。

9.根据权利要求3所述的一种高速公路通行车辆信息预测方法，其特征在于，所述的步骤S6包括：

对于S5的得分表，S3划分的每个种类都取得分最高的一项作为预测结论。

10.一种高速公路通行车辆信息预测***，其特征在于，包括：

数据收集模块，收集原始车辆通行原始数据信息进行第一处理操作，得到第一数据，并格式化存储；

第一处理模块，对原始信息处理后得到的第一数据，进行第一过滤操作，得到第二数据；

物理信息信度测值计算模块，对经过第一过滤操作之后得到的第二数据，计算物理信息信度权重测值；

旧历史档案信息测值更新演进模块，对旧历史档案信息测值进行第三修正并更新演进；

测值合并模块，将步骤S3获取的物理信息信度权重测值与步骤S4中经过第三修正后的测值合并并存储；

预测模块，依据所待查询的车辆信息，生成的测值中生成车辆预测真实物理信息。

Images