一种面向车联网的车辆超载风险评估模型构建方法及装置与流程

本发明涉及智能交通，尤其涉及一种面向车联网的车辆超载风险评估模型构建方法及装置。

背景技术：

1、在车联网环境中，车辆能够与基站进行通信，也能够与其它车辆进行通信，云服务器与基站和车辆都能够进行通信，在保证车间通信有效性的基础上，车辆获得的信息保持一致性，可以防止因为信息不对称问题造成的判断失误，发生交通事故。如何预测多车协同中的超载交通风险，并最大限度地降低交通事故发生的几率成为一个急需解决的问题。

2、公开号为cn116913100a的中国专利公开了一种用于交通卡口的车辆超载监控方法及系统，包括：获得多个车辆图像数据，其中包括车辆轮胎图像；进行车辆类型识别，确定车辆承载最大值，包括人员数量最大值和承载重量最大值；确定车辆超载阈值，包括人员超载阈值和重量超载阈值；构建车辆超载识别模型，包括人员超载识别单元和重量超载识别单元；对多个所述车辆图像数据进行识别，获得人员承载信息和重量承载信息；当人员承载信息不满足人员超载阈值，且/或重量承载信息不满足重量超载阈值时，生成超载预警信息。但是上述方案仅使用单一重量阈值对车辆超载状态进行判断较为困难，并且图像检测的准确度往往存在误差，导致超载车辆预测困难。因此，提供一种面向车联网的车辆超载风险评估模型构建方法及装置，来提升车辆超载风险评估模型的超载车辆预测的准确度，是非常有必要的。

技术实现思路

1、有鉴于此，本发明提出了一种面向车联网的车辆超载风险评估模型构建方法及装置。通过基于memory block的神经网络模型、全局状态向量与车辆超载变量映射关系以及随机森林的配合，以提升车辆超载风险评估模型的超载车辆预测的准确度。

2、本发明提供了一种面向车联网的车辆超载风险评估模型构建方法，所述方法包括：

3、采集预设路段中的道路信息和车辆信息；

4、构建基于memory block的神经网络模型，将所述道路信息和所述车辆信息作为训练集导入所述神经网络模型，以使所述神经网络模型输出目标车辆的全局状态向量；

5、设定车辆超载变量，并将所述全局状态向量与所述车辆超载变量进行映射，以获取与所述全局状态向量对应的多维数组；

6、基于所述多维数组、logistic回归模型以及随机森林，分别获取所述目标车辆的超载概率和超载类别，并得到所述车辆的超载风险预测结果。

7、在以上技术方案的基础上，优选的，所述神经网络模型包括输入层、隐藏层以及输出层，所述输入层用于接收所述道路信息和所述车辆信息，所述隐藏层对输入的所述道路信息和所述车辆信息进行特征向量提取，以获取车辆特征向量，所述输出层用于根据所述车辆特征向量输出目标车辆的全局状态向量。

8、在以上技术方案的基础上，优选的，所述神经网络模型可以表示为：

9、

10、

11、

12、其中，表示处于t时刻输入层状态，表示激活函数，表示所述神经网络模型的输入数据，表示输入层中与对应的权重矩阵，表示t时刻隐藏层状态，表示t-1时刻隐藏层状态，表示输入层中与对应的权重矩阵，表示输入层的偏置项，表示双曲正切函数，表示两个向量的标量积，表示t时刻输出层状态，表示输出层中与对应的权重矩阵，表示输出层中与对应的权重矩阵，表示t-1时刻输出层获取的特征向量，表示输出层中与对应的权重矩阵，表示输出层的偏置项。

13、更进一步优选的，所述全局状态向量表示为：

14、

15、其中，表示在一次行程i中，目标车辆j处于位置l和时间t时的全局状态向量，表示在一次行程i中，目标车辆j的静态固有因子，表示在一次行程i中，目标车辆j处于位置l和时间t时的动态因子，表示在一次行程i中，目标车辆j处于位置l和时间t时的状态变量，表示在一次行程i中，目标车辆j处于位置l和时间t时的周围环境变量。

16、更进一步优选的，所述将所述全局状态向量与所述车辆超载变量进行映射，以获取与所述全局状态向量对应的多维数组，具体包括：

17、基于采样时间和高频时变变量，构建与所述全局状态向量对应的时间序列和事件变量；

18、基于所述时间序列和所述事件变量，构建所述多维数组。

19、更进一步优选的，所述时间序列、所述事件变量以及所述多维数组分别表示为：

20、

21、

22、

23、其中，表示在一次行程i中，目标车辆j处于位置l至l之间以及时间t至t之间时的时间序列，表示在一次行程i中，目标车辆j在位置l与位置l之差以及时间t至时间t之差的动态因子，表示在一次行程i中，目标车辆j在位置l与位置l之差以及时间t至时间t之差的状态变量，表示在一次行程i中，目标车辆j处于位置l和时间t时的动态因子，表示在一次行程i中，目标车辆j处于位置l和时间t时的状态变量，表示在一次行程i中，目标车辆j处于位置l至l之间以及时间t至t之间时的事件变量，表示在一次行程i中，目标车辆j处于位置l至l之间以及时间t至t之间时的周围环境变量，表示在一次行程i中，目标车辆j处于位置l至l之间以及时间t至t之间时的全局状态向量，表示在一次行程i中，目标车辆j的静态固有因子。

24、更进一步优选的，所述基于所述多维数组、logistic回归模型以及随机森林，分别获取所述目标车辆的超载概率和超载类别，具体包括：

25、根据所述多维数组、所述车辆超载变量以及logistic回归模型，获取所述目标车辆的超载风险概率；

26、基于所述随机森林和所述车辆特征向量，获取所述目标车辆的超载类别。

27、更进一步优选的，所述超载风险概率表示为：

28、

29、

30、其中，表示超载风险概率，pr( )表示概率分布函数，表示在一次行程i中，目标车辆j处于位置l和时间t时的超载状态，a表示所述目标车辆的超载类别， 表示数据驱动函数，表示在一次行程i中，目标车辆j处于位置l至l之间以及时间t至t之间时的全局状态向量，表示所述目标车辆的超载风险预测概率，表示返回最大值索引函数。

31、更进一步优选的，所述随机森林具体表示为：

32、

33、

34、

35、其中，表示不确定性测度函数，p( )表示条件概率分布函数，x表示所述目标车辆的车辆特征向量，n表示所述随机森林的单个叶子节点，表示叶子节点上的属性均值，表示叶子节点上的方差，m表示第m个决策树，表示第m个决策树对应的叶子节点，m为决策树的数量。

36、在本技术的第二方面提供了一种面向车联网的车辆超载风险评估模型构建装置，所述车辆超载风险评估模型构建装置包括数据采集模块、模型构建模块以及数据处理模块，其中，

37、所述数据采集模块用于采集预设路段中的道路信息和车辆信息；

38、所述模型构建模块用于构建基于memory block的神经网络模型，将所述道路信息和所述车辆信息作为训练集导入所述神经网络模型，以使所述神经网络模型输出目标车辆的全局状态向量；

39、所述数据处理模块用于设定车辆超载变量，并将所述全局状态向量与所述车辆超载变量进行映射，以获取与所述全局状态向量对应的多维数组，基于所述多维数组、logistic回归模型以及随机森林，分别获取所述目标车辆的超载概率和超载类别，并得到所述目标车辆的超载风险预测结果。

40、本发明提供的一种面向车联网的车辆超载风险评估模型构建方法及装置相对于现有技术具有以下有益效果：

41、（1）通过基于memory block的神经网络模型对预设路段中采集到的信息进行处理获取全局状态向量，并根据全局状态向量与车辆超载变量映射得到的多维数组进行随机森林分类，实现车辆超载风险评估模型的构建，使得车辆超载风险评估模型输出的超载概率和超载类别，既能根据所采集的动态数据和静态数据进行车辆超载类型预测，同时也能根据通过车辆超载风险评估模型提前预判车辆的超载行为，做针对性排查和风险解除，可以极大减少人力、物力和财力的同时提高交通通行效率，同时基于memory block的神经网络模型与随机森林的组合也能够提升超载车辆预测的准确度；

42、（2）通过全局状态向量与车辆超载变量进行映射，使得神经网络模型既能保有静态因素，也能保有动态因素，使得时间序列与事件变量构建同时具有静态因子和动态因子的多维数组，同时通过对多维数组进行概率求解，能够实时获取目标车辆的超载概率和超载种类，使得车辆超载概率评估更加及时、准确、可靠，提升了车辆超载概率预测的效果。