买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆大学申请的专利一种基于行程时间特性的重点监测车辆判别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116955453B 。

龙图腾网通过国家知识产权局官网在2025-07-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310884840.8，技术领域涉及：G06F16/2458；该发明授权一种基于行程时间特性的重点监测车辆判别方法是由孙棣华;赵敏;黄嫘英设计研发完成，并于2023-07-19向国家知识产权局提交的专利申请。

本一种基于行程时间特性的重点监测车辆判别方法在说明书摘要公布了：本发明公开了一种基于行程时间特性的重点监测车辆判别方法，包括以下步骤：采集高速公路ETC数据，对通过两两相邻ETC门架的行车数据进行时空匹配；根据ETC时空匹配数据，计算通过两两相邻ETC门架的所有车辆的行程时间；提取多种典型路段的单车行程时间数据，设置行程时间阈值，筛选出有效行程时间记录，构建山区高速公路行程时间数据集；基于KDE‑FPCA进行车辆行程时间分布估计；基于CNN‑AM‑BiLSTM进行路段行程时间短时预测；基于行程时间分布及路段平均行程时间特点设计构建重点监测车辆特征数据集；设计构建重点监测车辆判别模型。本发明可适用于基于ETC数据的山区高速公路重点监测车辆判别，成本低、计算速率快。

本发明授权一种基于行程时间特性的重点监测车辆判别方法在权利要求书中公布了：1.一种基于行程时间特性的重点监测车辆判别方法，其特征在于，包括以下步骤： S1.采集高速公路ETC数据，依据时空匹配条件对通过两两相邻ETC门架的行车数据进行时空匹配； S2.根据ETC时空匹配数据，计算通过两两相邻ETC门架的所有车辆的行程时间； S3.提取多种典型路段的单车行程时间数据，设置行程时间阈值，筛选出有效行程时间记录，构建山区高速公路行程时间数据集； S4.基于KDE-FPCA进行车辆行程时间分布估计； S4.1将通过相邻的两个ETC门架的车辆的行程时间数据作为数据样本，运用无参数核密度估计进行拟合，第k时段的核密度估计的公式为： 式中，K·为核函数；h为带宽；n为行程时间样本集总数量；x为当前所求样本；xk,i为时段k样本集中第i个样本；为时段k所对应数据集的密度函数； S4.2各时间段的行程时间概率密度函数采用Karhunen-Loève展开为随机函数，随机部分视为不同时段对行程时间的影响，结合步骤S4.1拟合的密度函数进行函数主成分分析，得到函数行程时间密度估计模型及各成分的估计函数，计算表达式如下： 式中，为估计均值函数；为估计特征函数；为估计条件平均函数；m表示随机分量的标号；M表示随机分量总数量； S4.3根据步骤S4.2得到的行程时间密度函数，采用离散近似得到不同时段的行程时间分布估计模型： S5.基于CNN-AM-BiLSTM进行路段行程时间短时预测； S5.1设定采样时间点； S5.2根据采样时间点提取P、H、D、R、Rup、Rdown作为组合特征，对离散特征进行独特编码处理，对数据进行归一化处理并划分训练集与测试集； 其中，代表目标路段历史行程时间序列；代表上下游路段行程时间序列；P代表货车占比序列数据；H代表时段特征；D代表工作日特征；R预测路段类型；Rup、Rdown代表目标路段上下游路段类型离散型变量； S5.3搭建CNN-AM-BiLSTM组合神经网络，并进行模型训练，最后输出路段平均行程时间预测值 S6.基于行程时间分布及路段平均行程时间特点设计构建重点监测车辆特征数据集； S6.1利用步骤S4构建的行程时间分布估计模型，得到车辆在不同路段的所处分位点，从而计算得到车辆在相邻路段下的分位点变化值dp，计算公式为： 式中，dpi表示车辆i在不同路段下的行程时间分位点变化值；分别表示车辆i在通过路段l-1和路段l时所处时段kl-1及时段kl的行程时间；分别表示通过车辆i在通过路段l-1和路段l时的行程时间估计概率，即所处分位点； S6.2利用步骤S5构建的行程时间短时预测模型，得到路段的平均行程时间预测值，从而计算得到车辆实际行程时间与路段行程时间预测值的偏差dt，计算公式为： 式中，dti表示车辆i的行程时间与路段平均行程时间预测值之差；表示车辆i在在通过路段l-1和路段l时所处时段k的行程时间；表示路段l在时段k的平均行程时间预测值； S6.3将特征参数dp与dt作为训练集样本，从中分别抽取不同时段内固定长度的子样本，对特征进行随机分割构建孤立树，所有子样本建成孤立树后，共同组成孤立森林： iForestX,t,ψ 式中，X为输入数据集；t为孤立树的数量；ψ为每棵树的采样样本数量； S6.4对于每个节点样本x，综合计算每棵树的结果，利用异常值函数确定行程时间数据中的异常值点并计算异常因子： 式中，hx为x在每棵树的的路径长度；Ehx为x在多棵树中的路径长度的期望值；cψ为给定样本数ψ时路径长度的平均值，用来对样本x的路径长度hx进行标准化处理； S6.5孤立森林算法输出得到重点监测车辆特征数据集； S7.设计构建重点监测车辆判别模型； S7.1根据步骤S6通过孤立森林算法得到的重点监测车辆特征数据集，构建GMM-EM模型，将不同类型车辆的行程时间视作多个高斯组合的加权平均，公式如下： 式中，Θ表示GMM待估计的参数集合，包括αk,θk两类参数，αk表示第k个成分的混合系数，αk∈0,1且需要满足条件θk＝uk,Σk表示第k个高斯成分的均值向量及协方差矩阵；表示方差；Nx|θk表示第k个独立高斯成分的概率密度函数；σk表示第k个高斯成分的方差；μk表示第k个高斯成分的均值；P表示给定参数Θ下的概率； S7.2利用EM算法计算来自各个高斯成分的参数值，公式如下： 式中，γtk|xi表示第t次迭代计算后得到的后验概率；z1,z2,…zn为分布的隐变量；表示第t次迭代计算后得到的第k个高斯成分的混合系数；表示第t次迭代计算后得到的第k个高斯成分的均值； S7.3极大似然求解参数，根据隐变量和后验概率γtk|xi，计算每个分量的新一轮参数值： θt+1＝argmaxLθ,θt 式中，θ代表高斯成分的参数向量；θt代表第t次迭代计算后得到的参数；θt+1代表第t+1次迭代计算后得到的新一轮参数； S7.4更新参数：重复迭代步骤7.2和步骤7.3，直至似然函数收敛，最终获得GMM模型各分量参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆大学，其通讯地址为：400044 重庆市沙坪坝区正街174号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。