(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111610092.1 (22)申请日 2021.12.27 (65)同一申请的已公布的文献号 申请公布号 CN 113988488 A (43)申请公布日 2022.01.28 (73)专利权人 上海一嗨成山汽车租赁南京有限 公司 地址 210036 江苏省南京市 鼓楼区草场门 大街109号 专利权人 上海一嗨信息技 术服务有限公司 (72)发明人 朱广　 (74)专利代理 机构 上海元好知识产权代理有限 公司 31323 专利代理师 朱成之　徐雯琼(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 5/00(2006.01) (56)对比文件 CN 109017 799 A,2018.12.18 审查员 张彪 (54)发明名称 一种多因子预测车辆通过ETC概 率的方法 (57)摘要 本发明提供了一种多因子预测车辆通过ETC 概率的方法， 包括以下步骤： S1、 根据历史数据， 建立基于多个因子预测车辆通过ETC概率的决策 树模型； S2、 将实时数据输入S1中的决策树模型 中进行运算， 得到实时数据对应的车辆通过ETC 的预测结果； S3、 将实 际结果与S2得到的预测结 果进行比对， 对所述决策树模型进行调整， 加强 预测的准确率。 本发明可以根据历史数据和模型 算法， 预测实时的ETC数据， 极大降低数据匹配、 核对处理的成本； 通过对预测结果、 实际结果的 数据对比， 可 以不断自我学习， 强化模型的运算 能力。 权利要求书2页 说明书6页 附图2页 CN 113988488 B 2022.06.21 CN 113988488 B 1.一种多因子预测车辆通过ETC概 率的方法， 其特 征在于， 包括以下步骤： S1、 根据历史数据， 基于M个因子的预测车辆通过ETC概率， 建立随机森林， 从而形成决 策树模型； S2、 将实时数据输入S1中的决策树模型中进行运算， 得到实时数据对应的车辆通过ETC 的预测结果； S3、 将实际结果与S2得到的预测结果进行比对， 对所述决策树模型进行调整， 加强预测 的准确率； 其中， M个因子至少包括： ETC入口通过速度>5km/h、 ETC出口通过速度>5km/h、 入口拥堵 等级<3、 出口拥堵等级<3、 驾驶员驾龄>5年、 驾驶员 性别＝男、 通行时下雨、 通行时间在白 天、 当天为法定节假日、 道路类别为国道； 其中， 所述的S3具体为， 当实际结果发生后， 将实际结果回传至S1所述的决策树模型 中， 和S2得到的预测结果进行比对： 如果比对结果一致， 则将该条实 际结果对应的数据存入源数据库存储， S1所述的决策 树模型的预测准确率得到进一 步加强； 如果比对结果不一致， 将实际数据及结果回传至S1所述的决策树模型中， 定时将新增 的数据参与概率运算， 更新决策树模型中相关的单 因子的概率值， 改变决策树分裂顺序， 同 时改变各叶节点的结果数据， 进行决策树模型刷新； 其中， 实际结果发生后， 如果发现第M+1个因子， 则重新运行建模的S1过程， 对模型进行 扩展； 其中， 在模型建立过程中， 判断决策树是否分裂的判定概率P1的取值是固定的； 在得到 实际结果后， 可根据预测准确率对判定概 率P1的取值进行调整； 其中， 如果在实 际结果与预测结果比对中发现， 预测结果的准确率高于产品要求的准 确率， 则可逐步降低所述判定 概率P1的值， 同时保证该调整后的判定 概率P1大于调整参考概 率P2； 如果在实际结果与预测结果比对中发现， 预测结果的准确率低于产品要求的准确率， 则逐步提高判定概 率P1的值。 2.如权利要求1所述的一种多因子预测车辆通过ETC概率的方法， 其特征在于， 所述的 S1进一步的包括以下步骤： S11、 根据历史数据， 计算每个因子通过ETC的概率值， 从而确定全部M个因子的分裂优 先级； S12、 从M个因子中， 随机抽取m个， m的取值范围为2<m<M； 根据S11中确定的分裂优先级， 对该m个因子建立决策树； S13、 重复S12的过程， 直至遍历全部因子组合， 产生大量决策树， 形成随机森林； S14、 统计S13中所有决策树的叶节点在全量历史数据中通过ETC的概率， 得到决策树模 型。 3.如权利要求2所述的一种多因子预测车辆通过ETC概率的方法， 其特征在于， 所述的 S11进一步的包括以下步骤： S111、 计算每 个因子通过ETC的概 率值； S112、 确定全部因子的分裂优先级。 4.如权利要求2所述的一种多因子预测车辆通过ETC概率的方法， 其特征在于， 所述的权　利　要　求　书 1/2 页 2 CN 113988488 B 2S12进一步的包括以下步骤： S121、 根据S11中计算得到的每个因子通过ETC的概率值， 选取m个因子中分裂优先级最 高的因子， 作为决策树的根节点进行分裂； S122、 对该分裂优先级最高的因子的不同取值建立子节点， 产生第二层节点； S123、 对第二层节点， 依据信息增益选择， 选取分裂优先级次高的因子进行分裂； S124、 重复上述过程， 依次按照分裂优先级由高到低选取分裂因子， 直至没有因子可以 选择为止 。 5.如权利要求4所述的一种多因子预测车辆通过ETC概率的方法， 其特征在于， 在决策 树的建立过程中， 如果其分支概率超过判定概率P1， 则停止分裂， 或直至m个因子均已被分 裂为止。 6.如权利要求5所述的一种多因子预测车辆通过ETC概率的方法， 其特征在于， 所述的 S2具体包括以下步骤： S21、 当一条新的实时数据产生时， 将该条数据的全部因子数据， 代入S1得到的决策树 模型中， 可 得到每个决策树中， 每 个符合条件的叶节点 通过ETC的概 率； S22、 所有符合条件的叶节点参与投票， 得到 预测结果和调整 参考概率P2； 如果其中一个 叶节点显示其通过ETC的概率超过判定概率P1， 则投票结束， 预测结果为车辆可通过ETC， P2 的取值为对所有概率小于判定概率P1的符合条件的叶节点进行等权平均； 如果没有叶节点 的概率超过了该判定概率P1， 预测结果为车辆不 能通过ETC， P2的取值为对所有符合条件的 叶节点进行等权平均。权　利　要　求　书 2/2 页 3 CN 113988488 B 3