一种基于云端感知异常驾驶的方法及装置与流程

1.本发明涉及智能网联汽车安全技术领域，具体而言，涉及一种基于云端感知异常驾驶的方法及装置。


背景技术：

2.随着国民经济的快速发展，车辆保有量不断攀升，道路上行驶的车辆数量明显增多，当车辆在道路上出现异常行为时，如：以超过最高限定车速、低于最低限定车速行驶，频繁变道，鲁莽变道，长时间跨线行驶等，极易造成交通事故，因此，对异常行驶的车辆进行安全监控至关重要。
3.目前，对车辆异常行为的监测手段主要包括：1)利用设置在固定位置的测速装置对通过该点的车辆速度进行监测，或者对车辆在某一段区间内的平均速度进行监测。该方法仅能实现某些特定节点车辆瞬时速度或某段区间的平均速度监测，而不能对车辆在任意位置的状态进行全面监测。2)利用设置在路侧的摄像装置对车辆是否存在异常行为进行监测，但该方法不能对所有的异常行为都进行监测。此外，目前的监测装置中，异常驾驶行为车辆周围的其他车辆无法得知此时有车辆正在异常行驶，因此无法提前做好防范工作，不利于车辆的安全驾驶。


技术实现要素：

4.本发明提供一种基于云端感知异常驾驶的方法及装置，用以克服现有技术中存在的至少一个技术问题。
5.一方面，本发明实施例提供一种基于云端感知异常驾驶的方法，包括：
6.采集异常驾驶车辆的数据，形成数据集{yi，xi}，其中，xi是第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数；
7.对所述数据集{yi，xi}进行abc训练，得到异常驾驶ai模型f(x)，并将所述异常驾驶ai模型f(x)上传至云端；其中，所述异常驾驶ai模型f(x)的损失函数为p大于等于1；
8.待检车辆周期性向云端上传bsm消息；
9.路侧感知设备将感知到的交通参与者消息发送至云端和路侧边缘计算平台；
10.云端基于所述bsm消息、所述交通参与者消息和所述异常驾驶ai模型进行数据融合计算，得到第一rsm消息；
11.路侧边缘计算平台对接收到的所述交通参与者消息进行数据处理，得到第二rsm消息；
12.判断所述第一rsm消息和所述第二rsm消息的可信度，若所述第一rsm消息的可信度高于所述第二rsm消息的可信度，则通过云端将所述第一rsm消息发送至所述待检车辆；否则，通过路侧边缘计算平台将所述第二rsm消息发送至所述待检车辆；
13.所述待检车辆根据所述第一rsm消息或第二rsm消息判断是否存在与异常驾驶车辆碰撞的风险，若存在，则对驾驶员进行预警。
14.可选地，云端基于所述bsm消息、所述交通参与者消息和所述异常驾驶ai模型进行数据融合计算时，采用提升算法boosting，通过对所述ai模型逐步做加法扩展，得到rsm消息。
15.可选地，所述异常驾驶车辆的数据，至少包括：行驶状态、行驶速度、车辆坐标、车辆航向角；
16.所述行驶状态包括逆行、违停、超速、龟速、变道。
17.可选地，所述路侧感知设备至少包括摄像头。
18.另一方面，本发明实施例还提供一种基于云端感知异常驾驶的装置，包括：
19.采集模块，用于采集异常驾驶车辆的数据，形成数据集{yi，xi}，其中，xi是第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数；
20.训练模块，用于对所述数据集{yi，xi}进行abc训练，得到异常驾驶ai模型f(x)，并将所述异常驾驶ai模型f(x)上传至云端；其中，所述异常驾驶ai模型f(x)的损失函数为p大于等于1；
21.上传模块，用于使待检车辆周期性向云端上传bsm消息；
22.路侧感知设备，用于将感知到的交通参与者消息发送至云端和路侧边缘计算平台；
23.计算模块，用于使云端基于所述bsm消息、所述交通参与者消息和所述异常驾驶ai模型进行数据融合计算，得到rsm消息；还用于使路侧边缘计算平台对接收到的所述交通参与者消息进行数据处理，得到第二rsm消息；
24.第一判断模块，用于判断所述第一rsm消息和所述第二rsm消息的可信度，若所述第一rsm消息的可信度高于所述第二rsm消息的可信度，则通过云端将所述第一rsm消息发送至所述待检车辆；否则，通过路侧边缘计算平台将所述第二rsm消息发送至所述待检车辆；
25.第二判断模块，用于使所述待检车辆根据所述第一rsm消息或第二rsm消息判断是否存在与异常驾驶车辆碰撞的风险，若存在，则对驾驶员进行预警。
26.可选地，所述路侧感知设备至少包括摄像头。
27.本发明实施例的创新点包括：
28.1、本实施例中，通过对异常驾驶车辆数据进行训练，生成异常驾驶ai模型并上传至云端，从而可以在云端利用异常驾驶ai模型快速识别异常驾驶车辆，使得识别稳定性好，且建设成本较低，是本发明实施例的创新点之一。
29.2、本实施例中，在云端识别异常驾驶车辆时生成第一rsm消息，同时通过路侧边缘计算平台处理数据得到第二rsm消息，选择第一rsm消息和第二rsm消息中可信度高的发送至待检车辆，可以全面监测车辆周围环境，有效提高车辆行驶安全，是本发明实施例的创新点之一。
附图说明
30.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
31.图1为本发明实施例提供的基于云端感知异常驾驶的方法的一种流程图；
32.图2为本发明实施例提供的基于云端感知异常驾驶的装置的一种结构示意图。
具体实施方式
33.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
34.需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
35.本发明实施例公开了一种基于云端感知异常驾驶的方法及装置。以下分别进行详细说明。
36.图1为本发明实施例提供的基于云端感知异常驾驶的方法的一种流程图，请参考图1，本实施例提供的基于云端感知异常驾驶的方法，包括：
37.步骤1：采集异常驾驶车辆的数据，形成数据集{yi，xi}，其中，xi是第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数；
38.步骤2：对数据集{yi，xi}进行abc训练，得到异常驾驶ai模型f(x)，并将异常驾驶ai模型f(x)上传至云端；其中，异常驾驶ai模型f(x)的损失函数为p大于等于1；
39.步骤3：待检车辆周期性向云端上传bsm消息；
40.步骤4：路侧感知设备将感知到的交通参与者消息发送至云端和路侧边缘计算平台；
41.步骤5：云端基于bsm消息、交通参与者消息和异常驾驶ai模型进行数据融合计算，得到第一rsm消息；
42.步骤6：路侧边缘计算平台对接收到的交通参与者消息进行数据处理，得到第二rsm消息；
43.步骤7：判断第一rsm消息和第二rsm消息的可信度，若第一rsm消息的可信度高于第二rsm消息的可信度，则通过云端将第一rsm消息发送至待检车辆；否则，通过路侧边缘计算平台将第二rsm消息发送至待检车辆；
44.步骤8：待检车辆根据第一rsm消息或第二rsm消息判断是否存在与异常驾驶车辆碰撞的风险，若存在，则对驾驶员进行预警。
45.具体地，请参考图1，本实施例提供的基于云端感知异常驾驶的方法，首先在步骤1中采集异常驾驶车辆的数据，此处的异常驾驶车辆数据可以包括车辆的异常行为和车辆的状态信息，其中，车辆的异常行为例如可以为逆行、超速、龟速、违停、变道等，异常驾驶车辆的状态信息例如可以包括但不限于车辆的航向角、行驶速度、车辆坐标、车辆大小、车辆形状等。采集到异常驾驶车辆的数据后，将上述数据形成数据集{yi，xi}，其中，xi是第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数。
46.例如，表1为采集到的异常车辆数据形成数据集{yi，xi}的一种示例，其中，表1第1列数据表示异常驾驶行为分类，例如，1表示逆行，2表示超速，3表示龟速，4表示变道。第2-n列表示车辆状态信息，如行驶速度、车辆的航向角、车辆坐标、车辆大小、车辆形状等等。
47.表1
48.1259651325805102212321486279012590562212-639022023515162250225791326300-1567230237140603153260645727056332222251386256154260549423475732222301446228204261745924056666223221133624420
49.需要说明的是，表1所示数据集仅是为了示意性说明异常车辆数据的形式，并不表示实际的数据集内容，在实际应用中，数据集中数据值需根据应用需求实际采集。
50.步骤2中，对步骤1形成的数据集{yi，xi}进行训练，训练数据集时，可以采用多分类的abc(自适应基类增强，adaptive base class-boost)法进行训练，得到异常驾驶ai模型f(x)，此处的ai模型f(x)是由多个弱分类器构成的强学习器，其中，弱学习器指的是分类器的分类准确率在60％-80％，即，比随机预测略好，但准确率却不太高；强学习器指的是分类精度90％以上的分类器。通过训练得到异常驾驶ai模型后，将该异常驾驶ai模型上传至云端，以便后续在云端识别异常驾驶车辆。
51.异常驾驶ai模型f(x)的损失函数为异常驾驶ai模型f(x)的损失函数为假设f(x)是m项的总和，即其中，fm(x)是基学习器。在每次增强迭代中，通过加权最小二乘法拟合fm，响应值{zi}和权重{wi}分别为wi＝l”i
，其中，当p≥1时，p≥1时，当p≥2时，当p≥2时，
52.在步骤3中，待检车辆周期性向云端上传bsm(basic safety message，基础安全消息)消息，此处的待检车辆需为智能网联车辆，从而能够实现车辆直接向云端传送车辆的bsm消息，其中，bsm消息中包含车辆的当前坐标信息。
53.为了能够监测到交通参与者消息，本技术在路侧安装有路侧感知设备，在步骤4中，利用路侧感知设备监测交通参与者消息，同时将监测到的交通参与者消息发送至云端和路侧边缘计算平台。交通参与者消息例如可以包括车辆的行为和状态，其中行为包括正
常行驶行为和异常行驶行为，异常行为例如可以为逆行、超速、龟速、违停、变道等。状态例如可以包括但不限于车辆的航向角、行驶速度、车辆坐标、车辆大小、车辆形状等。
54.需要说明的是，步骤2、步骤3和步骤4仅是为了示意性说明该方法中包含这些步骤，并不代表各个步骤的实际执行顺序。例如，在实际应用中，可以先执行步骤3，在执行步骤2，然后执行步骤4，或者也可以三个步骤同时执行，本技术对此不作限定。
55.将上述数据上传至云端后，在步骤5中，云端基于接收到的bsm消息、交通参与者消息和异常驾驶ai模型，进行数据融合计算，即可得到第一rsm(road safety message，路侧安全消息)消息。同时，在步骤6中，路侧边缘计算平台对接收到的交通参与者消息进行数据处理，得到第二rsm消息。
56.进行数据融合计算时，可以通过boosting框架算法，boosting框架算法可以用来提高其他弱分类算法的识别率，也就是将其他的弱分类算法作为基分类算法放于boosting框架中，通过boosting框架对训练数据集的操作，得到不同的训练数据子集，用该数据子集去训练生成基分类器；每得到一个数据集就用该基分类算法在该数据集上产生一个基分类器，这样在给定训练轮数n后，就可产生n个基分类器，然后boosting框架算法将这n个基分类器进行加权融合，产生一个最后的结果分类器。在这n个基分类器中，每个单个的分类器的识别率不一定很高，但他们联合后的结果有很高的识别率，这样便提高了该弱分类算法的识别率将弱学习器变为强学习器，有利于提升模型能力。
57.得到rsm消息后，在步骤7中，对第一rsm消息和第二rsm消息的可信度进行判断，如果第一rsm消息的可信度高于第二rsm消息的可信度，则采用第一rsm消息，通过云端将第一rsm消息发送至所述待检车辆，云端向待检车辆发送rsm消息时，可以利用uu蜂窝通讯的方式进行发送，相比于广播的方式，覆盖范围更广。反之，如果第二rsm消息的可信度高于第一rsm消息的可信度，则通过路侧边缘计算平台将第二rsm消息发送至待检车辆，路侧边缘计算平台向待检车辆发送rsm消息时，可以利用广播的方式进行发送。
58.待检车辆接收到rsm消息后，在步骤8中，根据接收到的rsm消息，如第一rsm消息或第二rsm消息，并结合自身的定位和行驶数据信息进行判断，判断是否存在与异常车辆碰撞的风险，如果不存在碰撞风险，则可以继续正常行驶，如果存在碰撞风险，则对驾驶员发出预警消息，以便驾驶员可以及时进行防范，从而避免发生交通事故。
59.本发明提出的基于云端感知异常驾驶的方法，通过对异常驾驶车辆数据进行训练，生成异常驾驶ai模型并上传至云端，从而可以在云端利用异常驾驶ai模型快速识别异常驾驶车辆，使得识别稳定性好，且建设成本较低。此外，在云端识别异常驾驶车辆时生成第一rsm消息，同时通过路侧边缘计算平台处理数据得到第二rsm消息，选择第一rsm消息和第二rsm消息中可信度高的发送至待检车辆，可以全面监测车辆周围环境，有效提高车辆行驶安全。
60.可选地，请参考图1，步骤2中，对数据集进行训练，得到异常驾驶ai模型，具体为：通过abc训练框架，对数据集进行训练，得到异常驾驶ai模型。
61.具体地，请参考图1，训练数据集时，可以采用多分类的abc-boost(adaptive base class，自适应基类增强)法进行训练，也即abc训练框架进行训练，得到异常驾驶ai模型，此处的ai模型是由多个弱分类器构成的强学习器，其中，弱学习器指的是分类器的分类准确率在60％-80％，即，比随机预测略好，但准确率却不太高；强学习器指的是分类精度90％以
上的分类器。通过训练得到异常驾驶ai模型后，将该异常驾驶ai模型上传至云端，以便后续在云端识别异常驾驶车辆。
62.采用abc训练框架进行训练的具体方法，可参考现有技术中关于abc训练框架进行训练的方法，此处不再进行赘述。
63.可选地，请参考图1，步骤5中，云端基于bsm消息、交通参与者消息和异常驾驶ai模型进行数据融合计算时，采用提升算法boosting，通过对ai模型逐步做加法扩展，得到rsm消息。
64.具体地，请参考图1，云端基于bsm消息、交通参与者消息和异常驾驶ai模型进行数据融合计算时，采用提升算法boosting，boosting是一种框架算法，通过对ai模型逐步做加法扩展，也就是将其他的弱分类算法作为基分类算法放于boosting框架中，通过boosting框架对训练数据集的操作，得到不同的训练数据子集，用该数据子集去训练生成基分类器；每得到一个数据集就用该基分类算法在该数据集上产生一个基分类器，这样在给定训练轮数n后，就可产生n个基分类器，然后boosting框架算法将这n个基分类器进行加权融合，产生一个最后的结果分类器。在这n个基分类器中，每个单个的分类器的识别率不一定很高，但他们联合后的结果有很高的识别率，这样便提高了该弱分类算法的识别率将弱学习器变为强学习器，有利于提升模型能力。
65.可选地，异常驾驶车辆的数据，至少包括：行驶状态、行驶速度、车辆坐标、车辆航向角；行驶状态包括逆行、违停、超速、龟速、变道。
66.具体地，异常驾驶车辆数据可以包括车辆的行驶状态和车辆的状态信息，其中，车辆的行驶状态例如可以包括但不限于逆行、超速、龟速、违停、变道等，异常驾驶车辆的状态信息例如可以包括但不限于车辆的航向角、行驶速度、车辆坐标、车辆大小、车辆形状等。
67.可选地，路侧感知设备至少包括摄像头。具体地，本实施例中的路侧感知设备包括摄像头，在异常车辆识别过程中，通过摄像头采集交通通行情况，并将采集到的交通通行情况上传至云端，以便于云端对异常车辆进行识别。
68.基于同一发明构思，本发明还提供一种基于云端感知异常驾驶的装置100，图2为本发明实施例提供的基于云端感知异常驾驶的装置100的一种结构示意图，请参考图1和图2，本实施例提供的基于云端感知异常驾驶的装置100，包括：
69.采集模块10，用于采集异常驾驶车辆的数据，形成数据集{yi，xi}，其中，xi是第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数；
70.训练模块20，用于对数据集{yi，xi}进行abc训练，得到异常驾驶ai模型f(x)，并将异常驾驶ai模型f(x)上传至云端；其中，所述异常驾驶ai模型f(x)的损失函数为p大于等于1；
71.上传模块30，用于使待检车辆周期性向云端上传bsm消息；
72.路侧感知设备40，用于将感知到的交通参与者消息发送至云端和路侧边缘计算平台；
73.计算模块50，用于使云端基于bsm消息、交通参与者消息和异常驾驶ai模型进行数据融合计算，得到rsm消息；还用于使路侧边缘计算平台对接收到的所述交通参与者消息进行数据处理，得到第二rsm消息；
74.第一判断模块60，用于判断所述第一rsm消息和所述第二rsm消息的可信度，若所述第一rsm消息的可信度高于所述第二rsm消息的可信度，则通过云端将所述第一rsm消息发送至所述待检车辆；否则，通过路侧边缘计算平台将所述第二rsm消息发送至所述待检车辆；
75.判断模块70，用于使待检车辆根据第一rsm消息或第二rsm消息判断是否存在与异常驾驶车辆碰撞的风险，若存在，则对驾驶员进行预警。
76.具体地，请参考图1和图2，本实施例提供的基于云端感知异常驾驶的装置100，包括采集模块10，首先利用采集模块10采集异常驾驶车辆的数据，此处的异常驾驶车辆数据可以包括车辆的异常行为和车辆的状态信息，其中，车辆的异常行为例如可以为逆行、超速、龟速、违停、变道等，异常驾驶车辆的状态信息例如可以包括但不限于车辆的航向角、行驶速度、车辆坐标、车辆大小、车辆形状等。采集到异常驾驶车辆的数据后，将上述数据形成数据集。
77.本实施例提供的基于云端感知异常驾驶的装置100，还包括训练模块20，利用训练模块20对数据集进行训练，训练数据集时，可以采用多分类的abc(自适应基类增强，daptive base class-boost)法进行训练，得到异常驾驶ai模型，此处的ai模型是由多个弱分类器构成的强学习器，其中，弱学习器指的是分类器的分类准确率在60％-80％，即，比随机预测略好，但准确率却不太高；强学习器指的是分类精度90％以上的分类器。通过训练得到异常驾驶ai模型后，将该异常驾驶ai模型上传至云端，以便后续在云端识别异常驾驶车辆。
78.本实施例提供的基于云端感知异常驾驶的装置100，还包括上传模块30，上传模块30使待检车辆周期性向云端上传bsm(basic safety message，基础安全消息)消息，此处的待检车辆需为智能网联车辆，从而能够实现车辆直接向云端传送车辆的bsm消息，其中，bsm消息中包含车辆的当前坐标信息。
79.为了能够监测到交通参与者消息，本实施例提供的基于云端感知异常驾驶的装置100，还在路侧安装有路侧感知设备40，利用路侧感知设备40监测交通参与者消息，同时将监测到的交通参与者消息发送至云端和路侧边缘计算平台。交通参与者消息例如可以包括车辆的行为和状态，其中行为包括正常行驶行为和异常行驶行为，异常行为例如可以为逆行、超速、龟速、违停、变道等。状态例如可以包括但不限于车辆的航向角、行驶速度、车辆坐标、车辆大小、车辆形状等。
80.本实施例提供的基于云端感知异常驾驶的装置100，还包括计算模块50，将上述数据上传至云端后，利用计算模块50，使云端基于接收到的bsm消息、交通参与者消息和异常驾驶ai模型，进行数据融合计算，即可得到第一rsm(road safety message，路侧安全消息)消息。同时，计算模块50还使路侧边缘计算平台对接收到的交通参与者消息进行数据处理，得到第二rsm消息。
81.进行数据融合计算时，可以通过boosting框架算法，boosting框架算法可以用来提高其他弱分类算法的识别率，也就是将其他的弱分类算法作为基分类算法放于boosting框架中，通过boosting框架对训练数据集的操作，得到不同的训练数据子集，用该数据子集去训练生成基分类器；每得到一个数据集就用该基分类算法在该数据集上产生一个基分类器，这样在给定训练轮数n后，就可产生n个基分类器，然后boosting框架算法将这n个基分
类器进行加权融合，产生一个最后的结果分类器。在这n个基分类器中，每个单个的分类器的识别率不一定很高，但他们联合后的结果有很高的识别率，这样便提高了该弱分类算法的识别率将弱学习器变为强学习器，有利于提升模型能力。
82.本实施例提供的基于云端感知异常驾驶的装置100，还包括第一判断模块60和第二判断模块70，得到rsm消息后，第一判断模块60对第一rsm消息和第二rsm消息的可信度进行判断，如果第一rsm消息的可信度高于第二rsm消息的可信度，则采用第一rsm消息，通过云端将第一rsm消息发送至所述待检车辆，云端向待检车辆发送rsm消息时，可以利用uu蜂窝通讯的方式进行发送，相比于广播的方式，覆盖范围更广。反之，如果第二rsm消息的可信度高于第一rsm消息的可信度，则通过路侧边缘计算平台将第二rsm消息发送至待检车辆，路侧边缘计算平台向待检车辆发送rsm消息时，可以利用广播的方式进行发送。
83.待检车辆接收到rsm消息后，利用第二判断模块70使待检车辆根据接收到的rsm消息，如第一rsm消息或第二rsm消息，并结合自身的定位和行驶数据信息进行判断，判断是否存在与异常车辆碰撞的风险，如果不存在碰撞风险，则可以继续正常行驶，如果存在碰撞风险，则对驾驶员发出预警消息，以便驾驶员可以及时进行防范，从而避免发生交通事故。
84.本发明提出的基于云端感知异常驾驶的装置，通过对异常驾驶车辆数据进行训练，生成异常驾驶ai模型并上传至云端，从而可以在云端利用异常驾驶ai模型快速识别异常驾驶车辆，使得识别稳定性好，且建设成本较低。此外，在云端识别异常驾驶车辆时生成第一rsm消息，同时通过路侧边缘计算平台处理数据得到第二rsm消息，选择第一rsm消息和第二rsm消息中可信度高的发送至待检车辆，可以全面监测车辆周围环境，有效提高车辆行驶安全。
85.可选地，请参考图2，训练模块20包括：abc训练框架，用于对数据集进行训练，得到异常驾驶ai模型。
86.具体地，请参考图2，本实施例中，训练模块20包括abc训练框架，通过abc训练框架对数据集{yi，xi}进行训练，得到异常驾驶ai模型f(x)，此处的ai模型f(x)是由多个弱分类器构成的强学习器，其中，弱学习器指的是分类器的分类准确率在60％-80％，即，比随机预测略好，但准确率却不太高；强学习器指的是分类精度90％以上的分类器。通过训练得到异常驾驶ai模型后，将该异常驾驶ai模型f(x)上传至云端，以便后续在云端识别异常驾驶车辆。
87.异常驾驶ai模型f(x)的损失函数为异常驾驶ai模型f(x)的损失函数为假设f(x)是m项的总和，即其中，基学习器fm(x)是一颗回归树，以分段贪婪的方式从数据中学习。在每次增强迭代中，通过加权最小二乘法拟合fm，响应值{zi}和权重{wi}分别为”88.wi＝li，其中，当p≥1时，当p≥2时，
89.采用abc训练框架进行训练的具体方法，可参考现有技术中关于abc训练框架进行
训练的方法，此处不再进行赘述。
90.可选地，请参考图2，路侧感知设备40至少包括摄像头。
91.具体地，请参考图2，本实施例中的路侧感知设备40包括摄像头，在异常车辆识别过程中，通过摄像头采集交通通行情况，并将采集到的交通通行情况上传至云端，以便于云端对异常车辆进行识别。
92.本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
93.本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
94.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。