(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211216039.8 (22)申请日 2022.09.30 (71)申请人 广州天长信息技 术有限公司 地址 510000 广东省广州市黄埔区敏盛街6 号303房 (72)发明人 李咏梅　罗浩贤　 (74)专利代理 机构 广州文智专利代理事务所 (特殊普通 合伙) 44469 专利代理师 刘敏 (51)Int.Cl. G06Q 10/04(2012.01) G06F 16/2458(2019.01) G06F 17/16(2006.01) G06F 17/18(2006.01) G06Q 50/30(2012.01) (54)发明名称 一种基于隐马尔科夫模型的绿通车混装预 测方法 (57)摘要 本发明涉及高速公路电子收费技术领域， 更 具体地涉及一种基于隐马尔科夫模型的绿通车 混装预测方法， 包括步骤S1， 提取绿通车所有历 史通行记录； 步骤S2， 根据通行记录时间顺序、 出 入口收费站、 是否缴费、 是否为绿通车的信息合 并构建隐马尔科夫链； 步骤S3， 通过历史通行记 录计算各出入口收费站的进出概率； 步骤S4， 结 合通行记录中逃费历史对 隐马尔科夫链进行观 测标记； 步骤S5， 计算出入口的状态转移概率与 观测概率矩阵； 步骤S6， 根据各出入口收费站的 进出概率、 出入口的状态转移概率与观测概率矩 阵生成马尔科夫模型， 利用马尔科夫模型对车辆 当次行程是否逃费进行预测， 本发 明公开的基于 隐马尔科夫模型的绿通车混装方法能预测该车 为混装绿通车的概 率。 权利要求书2页 说明书5页 CN 115481812 A 2022.12.16 CN 115481812 A 1.一种基于隐马尔科 夫模型的绿通车混装预测方法， 其特 征在于： 包括以下步骤： 步骤S1， 提取绿通车 所有历史通行记录； 步骤S2， 根据通行记录时间顺序、 出入口收费站、 是否缴费、 是否为绿通车的信息合并 构建隐马尔科 夫链； 步骤S3， 通过历史通行记录计算各 出入口收费站的进出概 率； 步骤S4， 结合 通行记录中逃费历史对隐马尔科 夫链进行观测标记； 步骤S5， 计算出入口 的状态转移概 率与观测概 率矩阵； 步骤S6， 根据各出入口收费站的进出概率、 出入口的状态转移概率与观测概率矩阵生 成马尔科 夫模型， 利用马尔科 夫模型对车辆当次行程是否逃费进行 预测。 2.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法， 其特征在于： 所 述步骤S1 中， 绿通车所有历史通行记录为车辆与入口收费站交互记录以及车辆出口绿通核 查记录的数据。 3.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法， 其特征在于： 所 述步骤S2中， 使用绿通车通行记录、 缴费记录、 核查记录作为基础构建马尔科 夫链， 其中， 隐马尔科夫链中所有的隐含状态构成状态集合为Q＝(q1,q2,q3,...,qn)， 状态个 数为N， 所有可能的观测构成的集合为V＝(v1,v2,v3,...,vn)， 观测个数为M， 经过一段时间T之后， 生成长度为T的状态序列I ＝(i1,i2,i3,...,iT)， 以及对应的观测序列O＝(o1,o2,o3,...oT)。 4.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法， 其特征在于： 所 述步骤S2中， 推动隐马尔科夫模 型λ 随着时间不断运行的是状态 转移矩阵A、 观测概率矩阵B 和初始隐含状态概 率向量 π， λ＝(A,B, π )； 其中， 初始概率向量π＝( π1, π2, π3,..., πN)， 其中πi表示的就是隐含状态序列中第i个状 态为qi的概率， 即πi＝P(ii＝qi)， 状态转移概率矩阵A本质上就是一个马尔科夫链的转移概 率矩阵， 所有的可能的隐含状态个数为 N， 因此矩阵A为 一个N×N的矩阵： 并且按照马尔科夫状态转移概率的定义： aij表示从隐含状态i转移到隐含状态j的概 率， 即aij＝P(it+1＝qj|it＝qi)， 其中， i ＝1,2,...,N， j＝1， 2， . ..,M； 而观测概 率矩阵B是一个N ×M的矩阵： 其中bij指的是在某时刻t， 隐含状态为qi的情况下， 对应生成观测vj的概率， 即： bij＝P (ot＝vj|it＝qi)， 其中， i ＝1,2,...,N， j＝1， 2， . ..,M。权　利　要　求　书 1/2 页 2 CN 115481812 A 25.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法， 其特征在于： 所 述步骤S4中， 对隐马尔科 夫链进行观测标记， 标记出已知的不 合规绿通车 行程。 6.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法， 其特征在于： 所 述步骤S5中计算马尔科 夫链的状态转移概 率以及观测概 率矩阵。 7.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法， 其特征在于： 所 述步骤S6中， 在t时刻隐状态若只与前一时刻隐状态相关， 利用马尔科夫模型对 车辆当次行 程是否逃费进 行预测， P(it|it‑1,ot‑1,it‑2,ot‑2,...,i1,o1)＝P(ii|ii‑1)， 其中， t ＝1,2,..., T。 8.根据权利要求1所述的基于隐马尔科夫模型的绿通车混装预测方法， 其特征在于： 所 述步骤S6中， t时刻的观测若只与该时刻的 隐状态相关， 利用马尔科夫模型对车辆 当次行程 是否逃费进行预测， 所述P(ot|it,it‑1,ot‑1,it‑2,ot‑2,...,i1,o1)＝P(ot|it)， 其中， t＝1, 2,...,T。权　利　要　求　书 2/2 页 3 CN 115481812 A 3