基于前置ε-ABRF算法的车位确权上链方法及系统技术方案

本发明专利技术公开了一种基于前置ε

【技术实现步骤摘要】
基于前置
ε
‑
ABRF算法的车位确权上链方法及系统


[0001]本专利技术主要涉及到智能化确权
，特指一种基于前置ε
‑
ABRF算法的车位确权上链方法及系统。

技术介绍

[0002]城市停车设施是生活需要的重要保障，也是现代城市发展的重要支撑。
[0003]尤其是对于智慧城市而言，更加倡导并力求通过技术手段在城市规划、设计、建设、管理与运营等领域中，通过物联网、云计算、大数据、空间地理信息集成等智能计算技术的应用，使得城市管理、教育、医疗、房地产、交通运输、公用事业和公众安全等城市组成的关键基础设施组件和服务更互联、高效和智能，从而为市民提供更美好的生活和工作服务、为企业创造更有利的商业发展环境。
[0004]但由于目前车位确权相关政策不够完善，相关研究也比较少。已发表车位确权论文均是从法律、政策等角度进行研究，没有从技术方面切入的例子。现有与车位相关专利主要集中在车位的共享、交易、IOT装置等领域，对于如何设计区块链中的智能合约来进行车位的产权、使用权等权属确认，如何在复杂车位确权逻辑下提高智能合约确权上链效率，目前暂没有相关研究成果申请、发布。

技术实现思路

[0005]本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种原理简单、智能化程度高、易实现的基于前置ε
‑
ABRF算法的车位确权上链方法及系统。
[0006]为解决上述技术问题，本专利技术采用以下技术方案：一种基于前置ε
‑
ABRF算法的车位确权上链方法，其包括：步骤S10：数据授权获取；采集用户、车位以及授权信息，进行授权校验和数据获取，并通过比较确权记录将重复的确权任务取消；步骤S20：数据预处理；对步骤S10获取的数据进行提取、比对，生成算法模型可识别的特征数据集，通过研判决策来生成样本和训练随机森林模型；步骤S30：研判决策；对新生成特征数据集的进行分类计算，计算结果封装后，进行校验和生成权益证书；步骤S40：智能合约生成；记录上链并提供给上层应用使用。
[0007]作为本专利技术方法的进一步改进：所述数据授权获取的流程包括：步骤S1：授权信息接收；接收采集的用户及监管部门的授权信息；步骤S2：授权信息校验；对接收的用户及监管部门的授权进行真实性、完整性、合规性的校验，校验通过后生成授权许可，若不通过，则反馈问题和处置建议；步骤S3：车位关联信息获取；在接收到授权许可的情况下，从第三方可信数据源获取车位关联信息；步骤S4：已确权信息获取；从上链中获取已确权记录，用于结合所述车位关联信息
进行比较；步骤S5：确权记录比对；将车位关联信息和已确权记录进行比对，判断当前申请确权车位是否存在确权记录，若不存在确权记录则传递车位关联信息，反之则反馈问题，结束确权任务。
[0008]作为本专利技术方法的进一步改进：所述数据预处理的流程包括：步骤t1:车位关联信息接收；在无确权记录的情况下，接收获取的车位关联信息；步骤t2:数据提取；将有效数据提取出来为后续数据的应用奠定基础；步骤t3:数据比对；将提取的车位关联数据交叉进行多元校验，验证各项数据的一致性，比对结果作为后续特征数据的来源；步骤t4:特征数据生成；将比对结果生成用于模型训练和模型应用的特征数据集，其中特征数分别代表各个特征集对应特征数量。
[0009]作为本专利技术方法的进一步改进：所述样本的生成过程包括：步骤L1：设定总样本规模为N，训练样本规模n，迭代次数g；步骤L2：从总样本集接收N个特征数据集，形成特征数据集；步骤L3：接收N个标签结果集，其中C代表标签分类的类型数；步骤L4：将特征数据集与标签结果集一一对应形成总样本集；步骤L5：采用随机有放回抽样进行n次随机抽样，从总样本Q中选出n个子样本(n≤N)，生成模型训练样本；步骤L6：重复步骤L5共g次，生成可并行训练的样本：R{R1,R2，...R
f
,...,R
g
},f∈{1,2,...,g}；步骤L7：将g
‑
1个样本集当做训练集，第g个样本集当做测试集进行注意力参数的学习。
[0010]作为本专利技术方法的进一步改进：所述模型训练过程包括：步骤M1：接收模型训练样本集；步骤M2：对每个子样本集，从所有k个特征中随机选择j个特征，j∈{1,2,...,k}，训练形成1棵CART分类树；步骤M3：重复上述过程将g
‑
1个样本集，及其对应的j个特征并行学习出g
‑
1个完整的CART分类树记作：，s∈{1,2,...,g
‑
1}；步骤M4：设定污染参数值以及温度调谐参数带入目标函数进行计算，求取注意力权值的参数向量w{w1,...ws,...,wk}，构成二次优化问题进行求解：
其中，用于计算落入第s棵树第i个叶子节点的样本特征的平均值；分别代表新落入第i个叶子节点的训练样本，代表第s棵树已落入第i个叶子节点的样本索引，代表落入第i个叶子节点样本计数；代表当前第s棵树落入i叶子节点的概率，由第i个叶子节点c类样本数据量比上第i个节点总的样本数量求得；代表第m个样本的标签分类one
‑
hot向量；步骤M5：根据参数向量w计算第s棵树所得注意力权重：组合g
‑
1棵数据的注意力权重得到模型：。
[0011]作为本专利技术方法的进一步改进：所述智能合约生成过程包括：步骤h1：分类结果接收；当权属研判结果标记生成后会触发智能合约的接收事件，用于接收车位权属分类结果；步骤h2：分类结果校验；对车位权属分类结果进行校验，确认分类结果是否合规，校验通过后生成获取许可标记，反之则反馈问题，通知用户问题内容及处理建议；步骤h3：车位关联信息获取；获取许可标记生成后，获取提取后的车位关联信息，并将车位关联信息与分类结果一并传递给权益证书生成单元；步骤h4：权益证书生成；接收到车位关联信息和分类结果后，对数据进行加工。
[0012]作为本专利技术方法的进一步改进：所述加工的过程包括：步骤n1：生成唯一权属ID，用于根据确权记录所记录的权属ID顺延生成新的车位权属ID；步骤n2：生成车位私钥，由代码随机生成由256位整数组成的私钥；步骤n3：生成车位公钥，由私钥使用椭圆曲线数字签名算法生成对应公钥；步骤n4：生成权益证书，由代码将车位权属ID、车位私钥、车位公钥用哈希算法进行映射计算，生成权益证书。
[0013]本专利技术进一步提供一种基于前置ε
‑
ABRF算法的车位确权上链系统，其包括：信息交互模块，用于与用户进行交互并提供对外服务，完成信息采集功能；数据获取模块，用于接收授权信息并根据授权获取车位关联信息，并将所述已确权信息与车位关联信息进行比对，比较是否重复确权；数据预处理模块，用于对所述车位关联信息进行数据提取、比对，生成可用于算法模型计算的特征数据；
算法研判模块，用于根据所述特征数据进行模型训练、部署、应用，完成对车位的分类确权；所述智能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于前置ε
‑
ABRF算法的车位确权上链方法，其特征在于，包括：步骤S10：数据授权获取；采集用户、车位以及授权信息，进行授权校验和数据获取，并通过比较确权记录将重复的确权任务取消；步骤S20：数据预处理；对步骤S10获取的数据进行提取、比对，生成算法模型可识别的特征数据集，通过研判决策来生成样本和训练随机森林模型；步骤S30：研判决策；对新生成特征数据集的进行分类计算，计算结果封装后，进行校验和生成权益证书；步骤S40：智能合约生成；记录上链并提供给上层应用使用。2.根据权利要求1所述的基于前置ε
‑
ABRF算法的车位确权上链方法，其特征在于，所述数据授权获取的流程包括：步骤S1：授权信息接收；接收采集的用户及监管部门的授权信息；步骤S2：授权信息校验；对接收的用户及监管部门的授权进行真实性、完整性、合规性的校验，校验通过后生成授权许可，若不通过，则反馈问题和处置建议；步骤S3：车位关联信息获取；在接收到授权许可的情况下，从第三方可信数据源获取车位关联信息；步骤S4：已确权信息获取；从上链中获取已确权记录，用于结合所述车位关联信息进行比较；步骤S5：确权记录比对；将车位关联信息和已确权记录进行比对，判断当前申请确权车位是否存在确权记录，若不存在确权记录则传递车位关联信息，反之则反馈问题，结束确权任务。3.根据权利要求1所述的基于前置ε
‑
ABRF算法的车位确权上链方法，其特征在于，所述数据预处理的流程包括：步骤t1:车位关联信息接收；在无确权记录的情况下，接收获取的车位关联信息；步骤t2:数据提取；将有效数据提取出来为后续数据的应用奠定基础；步骤t3:数据比对；将提取的车位关联数据交叉进行多元校验，验证各项数据的一致性，比对结果作为后续特征数据的来源；步骤t4:特征数据生成；将比对结果生成用于模型训练和模型应用的特征数据集，其中特征数分别代表各个特征集对应特征数量。4.根据权利要求3所述的基于前置ε
‑
ABRF算法的车位确权上链方法，其特征在于，所述样本的生成过程包括：步骤L1：设定总样本规模为N，训练样本规模n，迭代次数g；步骤L2：从总样本集接收N个特征数据集，形成特征数据集；步骤L3：接收N个标签结果集，其中C代表标签分类的类型数；步骤L4：将特征数据集与标签结果集一一对应形成总样本集；步骤L5：采用随机有放回抽样进行n次随机抽样，从总样本Q中选出n个子样本(n≤N)，
生成模型训练样本；步骤L6：重复步骤L5共g次，生成可并行训练的样本：R{R1,R2，...R
f
,...,R
g
},f∈{1,2,...,g}；步骤L7：将g
‑
1个样本集当做训练集，第g个样本集当做测试集进行注意力参数的学习。5.根据权利要求4所述的基于前置ε
‑
ABRF算法的车位确权上链方法，其特征在于，所述模型训练过程包括：步骤M1：接收模型训练样本集；步骤M2：对每个子样本集，从所有k个特征中随机选择j个特征，j∈{1,2,...,k}，训练形成1棵CART分类树；步骤M3：重复上述过程将g
‑
1个样本集，及其对应的j个特征并行学习出g
‑
1个完整的CART分类树记作：，s∈{1,2,...,g
‑
1}；步骤M4：设定污染参数值以及温度调谐参数带入目标函数进行计算，求取注意力权值的参数向量w{w1,...ws,...,wk}，构成二次优化问题进行求解：其中，用于计算落入第s棵树第i个叶子节点的样本特征的平均值；分别代表新落入第i个叶子节点的训练样本，代表第s棵树已落入第i个叶子节点的样本索引，代表落入第i个叶...

【专利技术属性】
技术研发人员：何泽仪，张乘风，江波，
申请(专利权)人：长沙城市发展集团有限公司，
类型：发明
国别省市：