车辆超载预测模型训练方法、超载预测方法、系统和介质

技术领域

本申请涉及车辆超载检测技术领域，尤其涉及一种车辆超载预测模型训练方法、超载预测方法、系统和存储介质。

背景技术

目前公路上普遍存在着超载运输的现象，超载运输不仅容易引发交通事故，而且还会对道路、桥梁等交通设施造成损坏，因此，对车辆超载营运的治理一直是道路交通安全管理工作中的重点。目前国内主要通过称重的手段来确认车辆是否属于超载，一些条件较差的地区甚至还在使用静态称重或是低速动态称重的方式。称重确认超载的缺点是需要引导车辆经过称重设备以获取检测结果，一些称重设备的技术特点要求车辆在称重的时候必须静止停放在称重设备上或者缓慢通过称重设备，这种接触式的检测手段每检测一辆车都要经过“停车-称重-启动”等多个作业环节，检测过程耗时较长，延缓了车流速度，容易引发交通拥堵。然而，超载车辆的比例毕竟较小，但由于所有受检车辆都要经过称重设备，因此，对车辆无差别地进行称重作业的检测方式也对称重设备的使用寿命造成影响，同时也给称重设备的保养维护带来了不小的压力，导致价格昂贵的称重设备过早耗尽使用寿命，造成运维成本的增加。在道路车流量与日俱增的今天，这种传统的超载治理手段已经阻碍了智慧交通的发展。

综上所述，需要提供一种能够不需要进行接触以及降速就能判断车辆是否超载，并且不需要对车辆进行无差别称重检测的快速、便捷、成本低、不影响交通的车辆超载预测方法、系统和存储介质，以及一种车辆超载预测模型的训练方法。

发明内容

为解决以上问题，本申请提出了一种车辆超载预测模型训练方法、超载预测方法、系统和存储介质。

第一方面，本申请提出了一种车辆超载预测模型训练方法，包括：

获取车辆历史数据集；对车辆历史数据集进行预处理，得到历史特征数据集；

根据所述历史特征数据集和历史违法数据，使用十折交叉验证的方式训练待训练模型，训练得到预测模型；

优选地，在所述对车辆历史数据集进行预处理，得到历史特征数据集之前，还包括：

从历史车辆检测记录中获取历史车辆的第二尺寸数据、第二底盘高度、第二车型数据、第二车牌数据和超载信息；历史车辆的所述第二尺寸数据包括历史车辆的长、宽和高；历史车辆的所述第二车型数据包括历史车辆的车辆车型、车辆品牌和轴数；

对所述历史车辆的第二尺寸数据、第二底盘高度、第二车型数据和超载信息进行抽取、转换、加载，得到车辆历史信息集；

根据所述第二车牌数据获取历史车辆的历史违法数据；

所述车辆历史信息集和所述历史违法数据作为所述车辆历史数据集。

优选地，所述预处理，包括：对所述车辆历史数据集进行特征提取、特征降维和/或特征转换。

优选地，所述根据所述历史特征数据集，使用十折交叉验证的方式训练待训练模型，得到预测模型，包括：

初始化基于LightGBM算法的所述待训练模型；

将所述历史特征数据集划分为历史特征训练集和历史特征测试集；

根据所述历史特征训练集，使用十折交叉验证的方式，对待训练模型进行训练、测试和评估，得到评估结果；

根据所述评估结果确定待测试模型；

使用所述历史特征测试集对所述待测试模型进行测试，得到模型测试结果；

若所述模型测试结果大于测试阈值，则执行所述将所述历史特征数据集划分为历史特征训练集和历史特征测试集的步骤；

若所述模型测试结果小于等于测试阈值，则将所述待测试模型作为预测模型。

优选地，所述根据所述评估结果确定待测试模型，包括：

若所述评估结果大于误差评估阈值，则对待训练模型进行更新，执行所述根据所述历史特征训练集，使用十折交叉验证的方式，对待训练模型进行训练、测试和评估的步骤；

若所述评估结果小于等于误差评估阈值，则完成训练，得到待测试模型。

优选地，所述根据所述历史特征训练集，使用十折交叉验证的方式，对待训练模型进行训练、测试和评估，得到评估结果，包括：

使用十折交叉验证的方式，将所述历史特征训练集划分为十份；

每次取一份作为十折交叉验证的测试集，使用另外九份作为十折交叉验证的训练集，对所述待训练模型进行训练和测试，得到十个十折交叉验证测试结果；

对十个所述十折交叉验证测试结果进行评估，得到评估结果；

其中，所述评估所采用的评价指标，包括：准确率、精确率、召回率、F-Score和/或ROC曲线。

第二方面，本申请提出了一种车辆超载预测方法，包括：

获取目标车辆的雷达识别数据和图像数据；

根据所述雷达识别数据和图像数据获取目标车辆的第一尺寸数据、第一底盘高度、第一车型数据和第一车牌数据；

根据所述第一车牌数据获取目标车辆的车辆违法数据；

将所述第一尺寸数据、第一底盘高度、第一车型数据和车辆违法数据输入至所述预测模型，预测所述目标车辆是否超载，其中，所述预测模型根据上述的车辆超载预测模型训练方法训练得到。

优选地，所述根据所述雷达识别数据和图像数据获取目标车辆的第一尺寸数据、第一底盘高度、第一车型数据和第一车牌数据，包括：

通过雷达，获取目标车辆的雷达识别数据，根据所述雷达识别数据获取目标车辆的第一尺寸数据和第一底盘高度；目标车辆的所述第一尺寸数据包括目标车辆的长、宽和高；

通过摄像设备获取目标车辆的图像数据；

根据目标车辆的所述图像数据，获取目标车辆的第一车型数据和第一车牌数据；目标车辆的所述第一车型数据包括目标车辆的车辆车型、车辆品牌和轴数。

第三方面，本申请提出了一种车辆超载预测系统，包括：

车辆数据获取模块，用于获取目标车辆的雷达识别数据和图像数据，根据所述雷达识别数据和图像数据获取目标车辆的第一尺寸数据、第一底盘高度、第一车型数据和第一车牌数据；根据所述第一车牌数据获取目标车辆的车辆违法数据；

预测模块，用于将获取的所述第一尺寸数据、第一底盘高度、第一车型数据和车辆违法数据输入至所述预测模型，预测所述目标车辆是否超载，其中，所述预测模型根据上述的车辆超载预测模型训练方法训练得到。

第四方面，本申请提出了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上所述的车辆超载预测模型训练方法，以及如上述的车辆超载预测方法。

本申请的优点在于：一方面，在超载预测模型训练时，获取车辆历史数据集，，对历史特征数据集及进行预处理，作为模型训练的样本集，依据历史特征数据集，使用十折交叉验证的方式训练待训练模型，得到预测模型，准确度高；另一方面，在采用训练好的超载预测模型进行超载预测时，通过使用目标车辆的雷达识别数据和图像数据，获取目标车辆的第一尺寸数据、第一底盘高度、第一车型数据和目标车辆的车辆违法数据，使将这些数据输入至训练好的预测模型，预测目标车辆是否超载，能够在不与目标车辆进行接触以及不需要目标车辆降速就能判断目标车辆是否超载，快速、便捷、成本低且不影响交通；通过超载预测，能够避免对车辆进行无差别的称重检测，快速、便捷、成本低且不影响交通。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选事实方案的目的，而并不认为是对本申请的限制。而且在整个附图中，用同样的参考符号表示相同的部件。在附图中：

图1是本申请提供的一种车辆超载预测方法的步骤示意图；

图2是本申请提供的一种车辆超载预测方法的数据抽取、转换、加载和预处理的流程示意图；

图3是本申请提供的一种车辆超载预测方法的对带训练模型进行十折交叉验证的流程示意图

图4是本申请提供的一种车辆超载预测系统的示意图；

图5是本申请提供的一种车辆超载预测系统的对目标车辆进行超载预测判断和引导的流程示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本第一方面，根据本申请的实施方式，提出一种车辆超载模型训练方法，包括：

获取车辆历史数据集；

对车辆历史数据集进行预处理，得到历史特征数据集；

依据历史特征数据集，使用十折交叉验证的方式训练待训练模型，训练得到预测模型。

优选地，在对车辆历史数据集进行预处理，得到历史特征数据集之前，还包括：

从历史车辆检测记录中获取历史车辆的第二尺寸数据、第二底盘高度、第二车型数据、第二车牌数据和超载信息；历史车辆的第二尺寸数据包括历史车辆的长、宽和高；历史车辆的所第二车型数据包括历史车辆的车辆车型、车辆品牌和轴数；

对历史车辆的第二尺寸数据、第二底盘高度、第二车型数据和超载信息进行抽取、转换、加载，得到车辆历史信息集；

根据第二车牌数据获取历史车辆的历史违法数据；

车辆历史信息集和历史违法数据作为车辆历史数据集。

在超载预测模型训练时，获取车辆历史数据集，对车辆历史数据集进行预处理，得到历史特征数据集，作为模型训练的样本集，依据历史特征数据集，使用十折交叉验证的方式训练待训练模型，得到预测模型，准确度高。

优选地，预处理，包括：对车辆历史数据集进行特征提取、特征降维和/或特征转换。

优选地，根据历史特征数据集，使用十折交叉验证的方式训练待训练模型，得到预测模型，包括：

初始化基于LightGBM算法的待训练模型；

将历史特征数据集划分为历史特征训练集和历史特征测试集；

根据历史特征训练集，使用十折交叉验证的方式，对待训练模型进行训练、测试和评估，得到评估结果；

根据评估结果确定待测试模型；

使用历史特征测试集对待测试模型进行测试，得到模型测试结果；

若模型测试结果大于测试阈值，则执行将历史特征数据集划分为历史特征训练集和历史特征测试集的步骤；

若模型测试结果小于等于测试阈值，则将待测试模型作为预测模型。

优选地，根据评估结果确定待测试模型，包括：

若评估结果大于误差评估阈值，则对待训练模型进行更新，执行根据历史特征训练集，使用十折交叉验证的方式，对待训练模型进行训练、测试和评估的步骤；

若评估结果小于等于误差评估阈值，则完成训练，得到待测试模型。

优选地，根据历史特征训练集，使用十折交叉验证的方式，对待训练模型进行训练、测试和评估，得到评估结果，包括：

使用十折交叉验证的方式，将历史特征训练集划分为十份；

每次取一份作为十折交叉验证的测试集，使用另外九份作为十折交叉验证的训练集，对待训练模型进行训练和测试，得到十个十折交叉验证测试结果；

对十个十折交叉验证测试结果进行评估，得到评估结果；

其中，评估所采用的评价指标，包括：准确率、精确率、召回率、F-Score和/或ROC曲线。

第二方面，根据本申请的实施方式，提出一种车辆超载预测方法，用于车载模块，如图1所示，包括：

S101，对车辆历史数据集进行预处理，得到历史特征数据集；

S102，根据历史特征数据集，使用十折交叉验证的方式训练待训练模型，得到预测模型；

S103，获取目标车辆的雷达识别数据和图像数据；

S104，获取目标车辆的第一尺寸数据、第一底盘高度、第一车型数据和第一车牌数据；

S105，根据第一车牌数据获取目标车辆的车辆违法数据；

S106，将第一尺寸数据、第一底盘高度、第一车型数据和车辆违法数据输入至预测模型，预测目标车辆是否超载。

在S102步骤中，预测模型可采用上述车辆超载预测模型训练方法训练得到。在预测目标车辆是否超载之后，还包括对被预测为超载的目标车辆进行引导，使其进入检测站进行进一步检测，如进行重量检测。

在对车辆历史数据集进行预处理，得到历史特征数据集之前，还包括：从历史车辆检测记录中获取历史车辆的第二尺寸数据、第二底盘高度、第二车型数据、第二车牌数据和超载信息；对历史车辆的第二尺寸数据、第二底盘高度、第二车型数据和超载信息进行抽取、转换、加载，得到车辆历史信息集；根据第二车牌数据获取历史车辆的历史违法数据；车辆历史信息集和历史违法数据作为车辆历史数据集。其中，历史车辆的第二尺寸数据包括历史车辆的长、宽和高。历史车辆的第二车型数据包括历史车辆的车辆车型、车辆品牌和轴数。历史车辆检测记录可以从超载检测站获取。

在一些具体的实施方式中，预处理，包括：特征提取、特征降维和/或特征转换。其中，特征降维用于对特征进行筛选，保留与预测结果的关联性较高，效果较好的特征。

在一些具体的实施方式中，根据历史特征数据集，使用十折交叉验证的方式训练待训练模型，得到预测模型，包括：初始化基于LightGBM算法的待训练模型；将历史特征数据集划分为历史特征训练集和历史特征测试集；根据历史特征训练集，使用十折交叉验证的方式，对待训练模型进行训练、测试和评估，得到评估结果；根据评估结果确定待测试模型；使用历史特征测试集对待测试模型进行测试，得到模型测试结果；若模型测试结果大于测试阈值，则执行将历史特征数据集划分为历史特征训练集和历史特征测试集的步骤；若模型测试结果小于等于测试阈值，则将待测试模型作为预测模型。模型测试结果为待测试模型根据历史特征测试集进行的超载预测得到的对应历史特征测试集中各组组特征的结果的错误率。测试阈值为可接受的错误率阈值。如果待测试模型的错误率小于等于错误率阈值，则待测试模型可以作为预测模型。如果待测试模型的错误率大于错误率阈值，则待测试模型需要继续进行训练。

根据评估结果确定待测试模型，包括：若评估结果大于误差评估阈值，则对待训练模型进行更新，执行根据历史特征训练集，使用十折交叉验证的方式，对待训练模型进行训练、测试和评估的步骤；若评估结果小于等于误差评估阈值，则完成训练，得到待测试模型。其中误差评估阈值可以为10％，或者10％以内的数值。

误差评估阈值根据均方误差、平均绝对误差、平均绝对百分比误差、决定系数R2、皮尔逊相关系数等方法中的一种或多种计算得到。

在一些具体的实施方式中，根据历史特征训练集，使用十折交叉验证的方式，对待训练模型进行训练、测试和评估，得到评估结果，包括：使用十折交叉验证的方式，将历史特征训练集划分为十份；每次取一份作为十折交叉验证的测试集，使用另外九份作为十折交叉验证的训练集，对待训练模型进行训练和测试，得到十个十折交叉验证测试结果；对十个十折交叉验证测试结果进行评估，得到评估结果。

其中，评估采用的评价指标，包括：均方误差、平均绝对误差、平均绝对百分比误差、决定系数R2、皮尔逊相关系数、准确率、精确率、召回率、F-Score和/或ROC曲线。

下面，对本申请实施例进行进一步说明。

由于超载检测站积累了大量的历史车辆检测记录，这些历史车辆检测记录中的数据记录了车牌号、车辆外观、尺寸、车辆车型、是否超载等信息，并且根据车牌号还能够从交管系统获得对应车辆的历史违法数据，因此这些数据能够用于模型的训练。

如图2所示，历史车辆检测记录中的数据首先通过抽取、转换、加载(ETL)的过程，得到车辆历史数据集，并且车辆的历史数据集与历史违法数据对应。之后，对车辆的历史数据集进行预处理，得到用于训练的历史特征数据集，用于训练的历史特征数据集中包括历史违法数据。其中，预处理包括：缺失值处理、异常值处理、类型值处理、特征提取、特征筛选、特征构造、特征降维和/或特征转换等。

如图3所示，为待训练模型的训练流程图。首先对历史特征数据集进行划分，从历史特征数据集中预留一部分数据作为历史特征测试集(predict_data)，用于最后测试待测试模型的效果，剩下的数据为历史特征训练集，用于训练待训练模型。为了获得合适的预测模型参数，使预测模型拥有较好的性能，使用十折交叉验证的方法来训练待训练模型。因此，需要提前对历史特征训练集进行交叉验证数据的划分，将历史特征训练集划分为十份，使每一份都参与训练和验证过程，让特征数据得到充分利用。

初始化基于LightGBM算法的待训练模型，LightGBM算法对象记为lgb。LightGBM是一种基于树模型的Boosting优化算法，其主要参数作用在控制树模型的深度、分裂特征的选择、数据和特征子抽样、正则化等，结合评价指标通过不断对这些参数的调整，以获得较好的模型性能。

使用LightGBM算法对经过十折交叉验证划分后的十份训练数据进行训练，在历史特征训练集中，指定参与训练的特征列表(feature_name)，指定类别特征列表(categorical_feature)，指定训练数据集(x_train)，指定验证数据集(x_test)，指定验证标签数据集(y_test)和指定训练标签数据集(y_train)验证标签数据集和验证标签数据集均根据历史违法数据获得。使用lgb.Dataset()方法转换这些数据集为LightGBM可识别的特殊格式，生成训练数据(lgb_train)和验证数据(lgb_valid)。

将需要设置的模型参数写成字典类型的结构，记为params。将params，lgb_train、lgb_valid，feature_name，categorical_feature传入lgb.train()方法，并设置最大迭代次数和早停次数用于待训练模型的训练，经过一段时间的训练后得到当前参数配置下的模型对象(bst)作为待测试模型。使用待测试模型依据bst.predict()方法对历史特征测试集中的每一条车辆特征数据进行分类预测计算，预测结果为该条数据所代表的车辆超载或未超载，完成模型训练。

如图3所示，在使用十折交叉验证进行待训练模型的训练时，每次取一份作为十折交叉验证的测试集，使用另外九份作为十折交叉验证的训练集，对待训练模型进行训练和测试，得到十个十折交叉验证测试结果；对十个十折交叉验证测试结果进行评估，得到评估结果。其中，评价指标，包括：均方误差、平均绝对误差、平均绝对百分比误差、决定系数R2、皮尔逊相关系数、准确率、精确率、召回率、F-Score和/或ROC曲线等。每次训练完成后，记录这些评价指标，若评估结果大于误差评估阈值，则根据评价指标对待训练模型的参数进行调整和更新后继续使用十折交叉验证的方式，对待训练模型进行训练、测试和评估，直至评估结果小于误差评估阈值，使用bst.save_model()方法将训练好的模型保存为model.txt文件，作为待测试模型。

如图3所示，对于待测试模型，使用历史特征测试集对待测试模型进行测试，得到模型测试结果。若模型测试结果小于等于测试阈值，则将待测试模型作为预测模型，若模型测试结果大于测试阈值，则重新对历史特征数据集进行划分，得到历史特征训练集和历史特征测试集，之后继续使用十折交叉验证的方式，对待训练模型进行训练、测试和评估，直至评估结果小于误差评估阈值，使用bst.save_model()方法将训练好的模型保存为model.txt文件，作为待测试模型，使用历史特征测试集进行测试，直至若模型测试结果小于等于测试阈值，将待测试模型作为预测模型。

本申请的实施方式通过检测站积累的大量车辆特征，如尺寸、底盘离地高度、轴数、车型、违法记录等历史数据，使用LightGBM机器学习算法对特征数据进行训练，经过模型训练和测试过程后得到预测模型，使用该预测模型对通过检测点的车辆是否超载进行预测判断。

第三方面，本申请提出了一种车辆超载预测系统，如图4所示，包括：车辆数据获取模块100，用于获取目标车辆的雷达识别数据和图像数据，根据所述雷达识别数据和图像数据获取目标车辆的第一尺寸数据、第一底盘高度、第一车型数据和第一车牌数据；根据所述第一车牌数据获取目标车辆的车辆违法数据；

预测模块200，用于将获取的所述第一尺寸数据、第一底盘高度、第一车型数据和车辆违法数据输入至所述预测模型，预测所述目标车辆是否超载，其中，所述预测模型根据上述的车辆超载预测模型训练方法训练得到。

本申请的实施方式还包括车辆引导模块，用于根据预测模型对目标车辆的预测结果，在公路旁的显示屏上显示文字信息，引导车辆继续行驶或驶入检测站。

本申请的实施方式为基于LightGBM机器学习算法的非接触式预测方法，能够对经过的目标车辆是否超载进行方便快捷地判断，整个过程中，目标车辆只需正常速度行驶即可，降低了发生交通拥堵的可能性；通过车辆引导模块将判断为超载的目标车辆引导至指定位置进行后续的称重检测，对于判断为未超载的车辆继续正常行驶即可，能够避免无差别地上称重设备检测，减少对称重设备使用寿命的影响，同时也降低了对称重设备进行保养维护的压力，降低成本。

如图5所示，在道路上实际应用时，可以在距离超载检测站前一定距离(如5公里)处使用激光雷达设备和摄像设备，将经过车辆作为目标车辆，获取目标车辆的雷达识别数据和图像数据。从雷达识别数据中，获取目标车辆的第一尺寸数据和第一底盘高度，其中第一尺寸数据包括目标车辆的长度、宽度和高度；使用摄像设备对车辆进行拍照，得到图像数据，应用图像识别技术对车辆的图像数据进行分析，得到车辆的第一车型数据和第一车牌数据，其中第一车型数据包括目标车辆的轴数、车辆品牌和车辆车型等信息。根据第一车牌数据中的车牌号从交管数据库查询得到此目标车辆的历史违法记录作为车辆违法数据。将目标车辆的第一尺寸数据、第一底盘高度、第一车型数据、第一车牌数据和车辆违法数据等实时发送至预测模块进行预处理，得到该目标车辆的特征数据集和车辆违法数据。由于在模型构建部分已经得到了用于判断车辆超载的预测模型的模型文件(model.txt)，因此预测模块使用lgb.Booster()方法载入预测模型的模型文件，初始化预测模型，然后将目标车辆的特征数据集和车辆违法数据输入至预测模型，经过预测模型判断输出该目标车辆是否超载的结果。将判断结果发送至车辆引导模块，通过公路旁的显示屏，提示对应车牌号的车辆是否超载，并由显示屏信息提示未超载车辆继续行驶，引导超载车辆驶入前方检测站做进一步检测。

第四方面，本申请提出了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上所述的车辆超载预测模型训练方法、以及车辆超载预测方法。

本申请的方法中，通过使用目标车辆的雷达识别数据和图像数据，获取目标车辆的第一尺寸数据、第一底盘高度、第一车型数据和目标车辆的车辆违法数据，使将这些数据输入至预测模型，预测目标车辆是否超载，能够在不与目标车辆进行接触以及不需要目标车辆降速就能判断目标车辆是否超载，快速、便捷、成本低且不影响交通；依据历史特征数据集，使用十折交叉验证的方式训练待训练模型，得到预测模型，准确度高；通过超载预测，能够避免对车辆进行无差别的称重检测，快速、便捷、成本低且不影响交通。将检测技术、机器学习技术和机器视觉技术有机结合起来，能够提高预测的实时性，提高信息化程度；车辆无需停车或减速，检测速度快，避免了车辆排队拥堵的现象；避免了对车辆无差别地称重作业，延长了称重设备的使用寿命。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。