用于交通设备违法配置的数据处理方法和装置与流程

本技术涉及智慧交通领域，具体而言，涉及一种用于交通设备违法配置的数据处理方法和装置。

背景技术：

1、交通设备违法配置是指在抓拍车辆违法行为的交通设备上配置相应的违法检测项。现有技术中，交通设备违法配置主要通过人工的方式根据实际需求进行违法配置，人工配置正确与否主要依赖配置者的经验，容易出现配置遗漏、配置错误等情况。

2、因此，现有技术中违法配置存在配置准确率较低的情况。

技术实现思路

1、本技术的主要目的在于提供一种用于交通设备违法配置的数据处理方法和装置，以解决现有技术中交通设备违法配置存在配置准确率较低的技术问题，实现了提高交通设备违法配置准确率的技术效果。

2、为了实现上述目的，本技术的第一方面，提出了一种用于交通设备违法配置的数据处理方法，包括：

3、获取待配置数据，其中，所述待配置数据为用于表示待配置设备的数据，所述待配置设备为待进行违法配置的交通设备；

4、对所述待配置数据进行基于违法配置特征的特征提取处理，得到待配置特征数据，其中，所述待配置特征数据为用于表示所述待配置设备的违法配置特征数据；

5、对所述待配置特征数据进行基于预设违法配置模型的违法预测处理，得到预测违法项数据；

6、在预设违法配置数据库中匹配与所述预测违法项数据对应的违法配置数据，得到目标配置数据。

7、进一步地，对所述待配置特征数据进行基于预设违法配置模型的违法预测处理，得到预测违法项数据包括：

8、对所述待配置特征数据进行基于配置特征的识别处理，得到第一待配置特征数据和第二待配置特征数据，其中，所述第一待配置特征数据为用于表示待配置设备类型特征的数据，所述第二待配置特征数据为用于表示待配置位置特征的数据；

9、匹配与所述第一待配置特征数据对应的违法配置模型，得到过程违法配置模型，其中，所述过程违法配置模型为用于表示与待配置设备类型特征对应的违法配置模型；

10、对所述第二待配置特征数据进行基于所述过程违法配置模型的违法预测处理，得到所述预测违法项数据。

11、进一步地，对所述第二待配置特征数据进行基于所述过程违法配置模型的违法预测处理，得到所述预测违法项数据包括：

12、对所述第二待配置特征数据进行基于位置特征的识别处理，得到第一位置特征数据和第二位置特征数据，其中，所述第一位置特征数据为用于表示设备地理位置的特征数据，所述第二位置特征数据为用于表示设备位置类型的特征数据；

13、根据所述过程违法配置模型对所述第一位置特征数据和所述第二位置特征数据进行基于位置特征的违法预测处理，得到所述预测违法项数据，其中，所述过程违法配置数据为基于决策树构建的违法配置模型。

14、进一步地，在获取待配置数据之前，所述数据处理方法还包括：

15、获取样本违法配置数据，其中，所述样本违法配置数据为用于表示违法配置样本的数据；

16、对所述样本违法配置数据进行基于违法配置特征的提取处理，得到样本违法配置特征数据；

17、对所述样本违法配置特征数据进行基于机器学习算法的决策树模型构建处理，得到所述预设违法配置模型。

18、进一步地，对所述样本违法配置特征数据进行基于机器学习算法的决策树模型构建处理，得到所述预设违法配置模型包括：

19、对所述样本违法配置特征数据进行特征类别数进行判断处理，以判断所述样本违法配置特征数据对应的特征是否为同类特征类别，

20、如果所述样本违法配置特征数据对应的特征为同类特征类别，将所述样本违法配置特征数据对应的特征作为单结点决策树的类标记，得到第一决策树模型；

21、如果所述样本违法配置特征数据对应的特征为非同类特征类别，对所述样本违法配置特征数据进行决策树模型构建处理，得到第二决策树模型；

22、对所述第一决策树模型和第二决策树模型进行模型测试处理，得到所述预设违法配置模型，其中，所述预设违法配置模型为满足预设模型测试规则的决策树模型。

23、进一步地，如果所述样本违法配置特征数据对应的特征为非同类特征类别，对所述样本违法违法配置特征数据进行决策树模型构建处理，得到第二决策树模型包括：

24、对所述样本违法配置特征数据进行各特征对样本违法配置数据的信息增益比计算处理，得到过程样本违法配置特征数据，其中，所述过程样本违法配置特征数据为用于表示最高信息增益比对应的样本违法配置特征的数据；

25、将所述过程样本违法配置特征数据对应的信息增益比与预设信息增益比阈值进行比较，

26、如果所述过程样本违法配置特征数据对应的信息增益比小于预设信息增益比阈值，将所述样本违法配置特征数据中最多同类特征类别对应的特征作为单结点决策树的类标记，得到所述第二决策树模型；

27、如果所述过程样本违法配置特征数据对应的信息增益比大于或等于预设信息增益比阈值，根据所述过程样本违法配置特征数据对应的特征值对所述样本违法配置数据进行子集分割处理，根据子集中具有最多相同特征类别对应的特征构建子结点，根据结点及其子结点构建决策树模型，得到所述第二决策树模型，其中，根据所述过程样本违法配置特征数据对应的特征值构建为结点。

28、进一步地，根据所述过程样本违法配置特征数据对应的特征值对所述样本违法配置数据进行子集分割处理，根据子集中具有最多相同特征类别对应的特征构建子结点，根据结点及其子结点构建决策树模型，得到所述第二决策树模型包括：

29、根据所述子集构建子训练样本数据，其中，所述子训练样本数据为所述子集中的样本违法配置数据；

30、对所述子训练样本数据进行基于机器学习算法的子决策树构建处理，得到子决策树；

31、根据所述子决策树确定所述第二决策树模型，其中，所述第二决策树模型中包括多个子决策树。

32、根据本技术的第二方面，提出了一种用于交通设备违法配置的数据处理装置，包括：

33、数据获取模块，用于获取待配置数据，其中，所述待配置数据为用于表示待配置设备的数据，所述待配置设备为待进行违法配置的交通设备；

34、特征提取模块，用于对所述待配置数据进行基于违法配置特征的特征提取处理，得到待配置特征数据，其中，所述待配置特征数据为用于表示所述待配置设备的违法配置特征数据；

35、违法预测模块，用于对所述待配置特征数据进行基于预设违法配置模型的违法预测处理，得到预测违法项数据；

36、配置推荐模块，用于在预设违法配置数据库中匹配与所述预测违法项数据对应的违法配置数据，得到目标配置数据。

37、根据本技术的第三方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述的用于交通设备违法配置的数据处理方法。

38、根据本技术的第四方面，提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述的用于交通设备违法配置的数据处理方法。

39、本技术的实施例提供的技术方案可以包括以下有益效果：

40、在本技术中，获取待配置数据，其中，所述待配置数据为用于表示待配置设备的数据，所述待配置设备为待进行违法配置的交通设备；对所述待配置数据进行基于违法配置特征的特征提取处理，得到待配置特征数据，其中，所述待配置特征数据为用于表示所述待配置设备的违法配置特征数据；对所述待配置特征数据进行基于预设违法配置模型的违法预测处理，得到预测违法项数据；在预设违法配置数据库中匹配与所述预测违法项数据对应的违法配置数据，得到目标配置数据。通过违法配置模型对待进行违法配置的交通设备进行违法项推荐，根据推荐的违法项进行违法配置，解决了现有技术中交通设备违法配置存在配置准确率较低的技术问题，实现了提高交通设备违法配置准确率的技术效果。