CN107679557B - 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 - Google Patents
驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN107679557B CN107679557B CN201710846499.1A CN201710846499A CN107679557B CN 107679557 B CN107679557 B CN 107679557B CN 201710846499 A CN201710846499 A CN 201710846499A CN 107679557 B CN107679557 B CN 107679557B
- Authority
- CN
- China
- Prior art keywords
- training
- driving
- model
- driving model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 364
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 43
- 230000006399 behavior Effects 0.000 claims description 253
- 230000006870 function Effects 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 33
- 238000007477 logistic regression Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000007499 fusion processing Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims 1
- 230000001133 acceleration Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 230000004927 fusion Effects 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- QBPFLULOKWLNNW-UHFFFAOYSA-N chrysazin Chemical compound O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=CC=C2O QBPFLULOKWLNNW-UHFFFAOYSA-N 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0809—Driver authorisation; Driver identity check
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开一种驾驶模型训练方法、驾驶人识别方法、装置、设备及介质。该驾驶模型训练方法包括:获取用户的训练行为数据,所述训练行为数据与用户标识相关联;基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据;基于所述用户标识,从所述训练驾驶数据获取正负样本,并将所述正负样本划分为训练集和测试集;采用装袋算法对所述训练集进行训练,获取原始驾驶模型;采用所述测试集对所述原始驾驶模型进行测试,获取目标驾驶模型。该驾驶模型训练方法可有效增强驾驶模型的泛化性,解决了当前驾驶识别模型识别结果较差的问题,并提高了识别驾驶人开车的准确率。
Description
技术领域
本发明涉及行为识别领域,尤其涉及一种驾驶模型训练方法、驾驶人识别方法、装置、设备及介质。
背景技术
随着信息时代的发展,人工智能技术作为核心技术越来越多的被用来解决人们生活中的具体问题。目前,在判断是否为手机用户本人开车一般采用单一模型对驾驶人进行识别,以确认是否为手机用户本人开车,这种仅仅使用单一模型进行驾驶人识别的方式存在局限性,同时这种单一模型的泛化能力较弱,使得获取的识别结果不能较好地反映是否为本人开车,即识别结果较差,使得当前识别手机用户本人开车的精确度较低。
发明内容
本发明实施例提供一种驾驶模型训练方法、驾驶人识别方法、装置、设备及介质,以解决当前驾驶模型识别效果较差的问题。
第一方面,本发明实施例提供一种驾驶模型训练方法,包括:
获取用户的训练行为数据,所述训练行为数据与用户标识相关联;
基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据;
基于所述用户标识,从所述训练驾驶数据获取正负样本,并将所述正负样本划分为训练集和测试集;
采用装袋算法对所述训练集进行训练,获取原始驾驶模型;
采用所述测试集对所述原始驾驶模型进行测试,获取目标驾驶模型。
第二方面,本发明实施例提供一种驾驶模型训练装置,包括:
训练行为数据获取模块,用于获取用户的训练行为数据,所述训练行为数据与用户标识相关联;
训练驾驶数据获取模块,用于基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据;
正负样本获取模块,用于基于所述用户标识,从所述训练驾驶数据获取正负样本,并将所述正负样本划分为训练集和测试集;
原始驾驶模型获取模块,用于采用装袋算法对所述训练集进行训练,获取原始驾驶模型;
目标驾驶模型获取模块,用于采用所述测试集对所述原始驾驶模型进行测试,获取目标驾驶模型。
第三方面,本发明实施例提供一种驾驶人识别方法,包括:
获取用户的待识别行为数据,所述待识别行为数据与用户标识相关联;
基于所述用户标识查询数据库,获取与所述用户标识相对应的目标驾驶模型;
基于所述待识别行为数据和所述目标驾驶模型,获取识别概率;
判断所述识别概率是否大于预设概率;若所述识别概率大于所述预设概率,则确定为本人驾驶。
第四方面,本发明实施例提供一种驾驶人识别装置,包括:
待识别行为数据获取模块,用于获取用户的待识别行为数据,所述待识别行为数据与用户标识相关联;
目标驾驶模型获取模块,用于基于所述用户标识查询数据库,获取与所述用户标识相对应的目标驾驶模型;
识别概率获取模块,用于基于所述待识别行为数据和所述目标驾驶模型,获取识别概率;
识别结果判断模块,用于判断所述识别概率是否大于预设概率;若所述识别概率大于所述预设概率,则确定为本人驾驶。
第五方面,本发明实施例提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述驾驶模型训练方法的步骤;或者,所述处理器执行所述计算机程序时实现所述驾驶人识别方法的步骤。
第六方面,本发明实施例提供一种计算机可读介质,所述计算机可读介质存储有计算机程序,所述计算机程序被处理器执行时实现所述驾驶模型训练方法的步骤;或者,所述处理器执行所述计算机程序时实现所述驾驶人识别方法的步骤。
本发明实施例提供的驾驶模型训练方法、装置、终端设备及存储介质中,先获取用户的训练行为数据,训练行为数据与用户标识相关联,以便基于用户标识分别获取与目标用户标识和非目标用户标识对应的训练行为数据,以保证训练获得的目标驾驶模型能够识别目标用户的驾驶行为。然后基于训练行为数据,获取与用户标识相关联的训练驾驶数据,该训练驾驶数据是从不同行为类型中提取驾驶类型对应的训练行为数据,排除其他非驾驶行为数据的干扰,有利于保证训练获得的目标驾驶模型的识别准确率且提高目标驾驶模型的训练效率,节省训练时长。接着基于用户标识,从训练驾驶数据获取正负样本,正负样本可以有效确定训练目标驾驶模型所需参数,保证训练得到的目标驾驶模型识别结果的准确性。最后,采用装袋算法对训练集进行训练,获取原始驾驶模型,并对原始驾驶模型进行测试,以获取目标驾驶模型,增强了目标驾驶模型的泛化性,提高目标驾驶模型的识别准确率。
本发明实施例提供的驾驶人识别方法、装置、终端设备及存储介质中,通过获取用户的待识别行为数据和目标驾驶模型,基于待识别行为数据和目标驾驶模型,获取识别概率,通过判断识别概率是否大于预设概率确定是否为本人驾驶,使得驾驶人识别结果更精确可靠。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例1中提供的驾驶模型训练方法的一流程图。
图2是图1中步骤S12的一具体流程图。
图3是图2中步骤S121的一具体流程图。
图4是图1中步骤S13的一具体流程图。
图5是图1中步骤S14的一具体流程图。
图6是本发明实施例2中驾驶模型训练装置的一原理框图。
图7是本发明实施例3中驾驶人识别方法的一流程图。
图8是本发明实施例4中驾驶人识别装置的一原理框图。
图9是本发明实施例6中提供的终端设备的一示意图。
具体实施方式
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作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。
实施例1
图1示出本实施例中驾驶模型训练方法的流程图。该驾驶模型训练方法可应用在保险机构或其他机构的终端设备上,用于训练驾驶模型,以便利用训练好的驾驶模型进行识别,达到智能识别的效果。如该驾驶模型训练方法可应用在保险机构的终端设备上,用于训练与用户相对应的驾驶模型,以便利用训练好的驾驶模型对在保险机构办理车险的用户进行识别,以确定是否为用户本人开车。如图1所示,该驾驶模型训练方法包括如下步骤:
S11:获取用户的训练行为数据,训练行为数据与用户标识相关联。
其中,训练行为数据是指用户在出行时获取的用于进行驾驶模型训练的行为数据。行为数据包括但不限于指用户在出行时的任意时刻采集到的速度、加速度、角度和角加速度等数据中的至少一个。用户标识是用于唯一识别用户的标识,为了保证训练得到的驾驶模型可用于识别是否为用户本人开车,需使获取到的所有训练行为数据均与用户标识相关联。其中,训练行为数据与用户标识相关联,是指每一用户标识对应的用户在出行时产生的训练行为数据。可以理解地,一个用户标识可相关联多个训练行为数据。
本实施例中,用户预先在手机和平板等移动终端上的应用程序(即(Application,简称APP)上完成注册,以使应用程序对应的服务器可获取相应的用户标识。该用户标识可以为用户的手机号或身份证号等可唯一识别用户的标识。当用户携带移动终端出行时,移动终端中内置的传感器可实时采集用户出行过程中任意时刻的速度、加速度、角度和角加速度等行为数据,也可实时任意时刻的采集GPS定位信息,并基于GPS定位信息进行计算获取对应的行为数据。移动终端获取到行为数据后,将该行为数据上传到服务器中,以使服务器将获取到的行为数据存储在MySQL、Oracle等数据库中,并使每一行为数据与一用户标识关联存储。在终端设备需要进行驾驶模型训练时,可从MySQL、Oracle等数据库中查询获取与用户标识相关联的行为数据,作为训练驾驶模型的训练行为数据。数据库中存储有大量的训练行为数据,为驾驶模型训练提供良好的数据基础,以保证训练得到的驾驶模型的识别效果。
当前用户出行时可采用步行、自行车、轻骑、公共汽车、轿车、铁路和飞机中的至少一种交通方式出行,不同交通方式对应的速度、加速度、角度和角加速度等行为数据不相同。因此,步骤S11中获取的训练行为数据可能是步行、自行车、铁路和飞机等交通方式对应的行为数据,其与用户驾驶车辆时的行为数据存在较大差异,若直接基于步骤S11获取的训练行为数据进行驾驶模型训练,可能影响训练得到的驾驶模型的识别效果。
S12:基于训练行为数据,获取与用户标识相关联的训练驾驶数据。
其中,训练驾驶数据是指用户在以驾驶轿车这一种交通方式出行时获取的用于训练驾驶模型的行为数据。可以理解地,由于每一训练行为数据与用户标识相关联,而训练驾驶数据是训练行为数据中的一种,所以训练驾驶数据与用户标识相关联。训练驾驶数据区别于训练行为数据中采用步行、自行车、铁路、飞机等不是以驾驶轿车方式出行时采集的行为数据,从训练行为数据获取训练驾驶数据,有利于保障训练得到的驾驶模型可更好反映用户的驾驶习惯,以便识别是否为用户本人开车。在本实施例中,原始采集的训练行为数据并不能直接用于训练驾驶模型,需在训练行为数据中提取用户驾驶轿车方式出行时采集的行为数据作为驾驶模型的训练驾驶数据。移动终端采集用户的训练行为数据并存储在数据库中,在各种训练行为数据中识别提取出行为数据中与用户驾驶行为数据作为训练驾驶数据,使得获取的训练驾驶数据可以应用于驾驶模型的训练过程,为驾驶模型的训练过程提供可靠的训练驾驶数据。
如图2所示,步骤S12中,获取用户的训练行为数据,训练行为数据与用户标识相关联,具体包括如下步骤:
S121:基于训练行为数据,获取与训练行为数据对应的行为类型,行为类型与用户标识相关联。
其中,行为类型是与训练行为数据相对应的用户出行交通方式,用户可以采用步行、自行车、轻骑、公共汽车、轿车、铁路和飞机等交通方式出行。训练行为数据可以包括速度、加速度、角度和角加速度等行为数据。本实施例中,每一行为类型都与对应的用户标识相关联,移动终端上的应用程序根据获取的训练行为数据,识别出训练行为数据中不同训练行为数据对应的行为类型,获取与用户标识相关联的行为类型。
具体地,用户A和用户B均可采用移动终端向服务器上传行为数据,以使终端设备在进行驾驶模型训练时,可通过服务器从数据库中获取用户A多个时刻对应的速度、加速度、角度和角加速度等训练行为数据,获取用户B多个时刻对应的速度、加速度、角度和角加速度等训练行为数据,根据用户标识相关确定获取的训练行为数据属于用户A或用户B,再对训练行为数据如速度、加速度、角度和角加速度等行为数据进行处理,识别该用户的训练行为数据对应的行为类型具体是属于步行、自行车、轻骑、公共汽车、轿车、铁路和飞机等交通方式中的哪一种行为类型,以获取与训练行为数据对应的行为类型。
如图3所示,步骤S121中,基于训练行为数据,获取与训练行为数据对应的行为类型,行为类型与用户标识相关联,具体包括如下步骤:
S1211:获取训练好的行为类型识别模型,行为类型识别模型包括至少两个聚类类簇,每一聚类类簇对应一行为类型,且每一聚类类簇包括一质心。
其中,行为类型识别模型是预先训练好的用于识别行为数据对应的行为类型的模型。该行为类型识别模型预先存储在数据库中,在终端设备进行驾驶模型训练时,可从数据库中调取该行为类型识别模型。本实施例中,行为类型识别模型是通过K-means聚类算法对历史行为数据进行聚类处理后获得的模型。该历史行为数据是用户在出行时获取的用于训练行为类型识别模型的行为数据,该行为数据包括但不限于用户在出行时的任意时刻采集到的速度、加速度、角度和角加速度等数据的至少一个。其中,K-means聚类算法是一种基于距离评估相似度的聚类算法,即两个对象的距离越近,其相似度越大的聚类算法。
具体地,采用K-means聚类算法进行聚类后获取的行为类型识别模型包括至少两个聚类类簇,每一聚类类簇对应一行为类型,并且每一聚类类簇包括一质心。本实施例中,该训练好的行为类型识别模型中可以包括7个聚类类簇,每个聚类类簇分别代表步行、自行车、轻骑、公共汽车、轿车、铁路和飞机,即每个聚类类簇代表一种行为类型。训练行为数据到聚类类簇的质心距离越小,则该训练行为数据越有可能属于该聚类类簇对应的行为类型。
S1212:计算训练行为数据到每一质心的距离。
本实施例中,分别计算获取的训练行为数据与至少两个聚类类簇对应的质心的距离,以确定该训练行为数据与每一聚类类簇的相似性。通过计算训练行为数据和每个聚类类簇对应的质心的欧氏距离,以便根据欧氏距离的大小评价训练行为数据与各个聚类类簇的相似性。欧氏距离(euclidean metric,又称欧几里得度量)是指在m维空间中两个点之间的真实距离,或向量的自然长度(即该点到原点的距离)。任意两个n维向量a(Xi1,Xi2,...,Xin)与b(Xj1,Xj2,...,Xjn)的欧氏距离
S1213:将距离最小的聚类类簇对应的行为类型,作为训练行为数据对应的行为类型。
本实施例中,通过计算训练行为数据和每个聚类类簇对应的质心的欧氏距离,将计算得出的距离最小的质心所属的聚类类簇对应的行为类型,作为训练行为数据对应的行为类型。可以理解地,训练行为数据与聚类类簇对应的行为类型的距离越接近,则该训练行为数据越有可能属于该聚类类簇代表的行为类型。例如获取到用户A的速度为40km/s,加速度为5km/s2,而行为类型识别模型中包括7个聚类类簇,则分别计算该训练行为数据与7个聚类类簇的质心的欧式距离;再比较计算获取的7个欧式距离的大小,将欧式距离最小的质心所属的聚类类簇对应的行为类型,确定训练行为数据对应的行为类型。
S122:将行为类型为驾驶类型的训练行为数据,作为训练驾驶数据。
其中,驾驶类型是指与用户标识相对应的其中一种行为类型,具体是指用户在出行时选择驾驶方式出行的行为类型。本实施例中,终端设备在识别出与训练行为数据对应的行为类型后,选取其中行为类型为驾驶类型的训练行为数据,作为训练驾驶数据,以便利用该训练驾驶数据训练用于识别是否为用户本人开车的驾驶模型。具体地,终端设备从数据库中获取用户A的训练行为数据可能对应步行、公共汽车、轿车和飞机等行为类型,在采用步骤S121对训练行为数据进行识别时,确定每一训练行为数据对应的行为类型后,从中选取行为类型为驾驶类型的训练行为数据作为训练驾驶数据。通过在多种行为类型中选取驾驶行为类型,可以获取进行驾驶模型训练所需的训练驾驶数据,有利于提高训练获取的驾驶模型识别是否为用户本人开车的准确率。
S13:基于用户标识,从训练驾驶数据获取正负样本,并将正负样本划分为训练集和测试集。
具体地,用户标识是指用于确定用户身份的标识,正样本是指所要识别的用户本人开车的训练驾驶数据,负样本是指不是所要识别的用户本人开车的训练驾驶数据。本实施例中,训练驾驶数据是从训练行为数据提取出来的,训练行为数据与用户标识相关联,因此训练驾驶数据也与用户标识相关联,根据训练驾驶数据的用户标识,可简单快捷地获取需要进行驾驶模型训练的正负样本。
其中,训练集(training set)是学习样本数据集,是通过匹配一些参数来建立分类器,即采用训练集中的正负样本训练机器学习模型,以确定机器学习模型的参数。测试集(test set)是用于测试训练好的机器学习模型的分辨能力,如识别率或者准确率。如可按照9:1的比例对正负样本进行分类,即可将90%的正负样本作为训练集,剩余10%的数据作为测试集。由于用户的行为类型与宏观路况相关,在行程的大多数时间内,驾驶行为是类似的,不具备可辨别性,故应缩短训练驾驶数据时长,以使获得的训练驾驶数据更具代表性,且具备较高的可辨别性,并有利于节省驾驶模型的训练时长。本实施例中,步骤S13具体包括:基于用户标识,从训练驾驶数据中选取预设数据时长的数据作为正负样本,以达到缩短训练驾驶数据时长的目的,从而缩短驾驶模型训练的时长。该预设数据时长是***预先设置的用于限定数据采集的时长。如采集训练驾驶数据中每次行程起始时十分钟的数据作为正负样本,该正负样本可以为刚驾驶轿车驶出小区或刚驶出地库时等所采集到的训练驾驶数据。通过训练驾驶数据获取的正负样本可以有效训练驾驶模型中的所需参数,有效防止训练结果偏向极端的情况,以使通过正负样本训练获得的驾驶模型的识别效果更加精准。
如图4所示,步骤S13中,基于用户标识,从训练驾驶数据获取正负样本,具体包括如下步骤:
S131:从目标用户标识对应的训练驾驶数据中,选取预设时间段对应的训练驾驶数据作为正样本。
其中,目标用户是指驾驶模型所要识别的用户。相应地,目标用户标识是用于唯一识别目标用户的标识。本实施例中,选取与目标用户标识对应的训练驾驶数据,并将预设时间段对应的训练驾驶数据作为正样本。具体地,该正样本可以是目标用户A在预设时间段如连续2个月的上午8-9点内训练驾驶数据中前600s(即预设数据时长)的训练驾驶数据。为了进一步节省驾驶模型的训练时长,可使正样本对应的训练驾驶数据是在预设数据时长每隔一单位时间获取的数据,如任一训练驾驶数据前600s内每隔10s获取一次的训练驾驶数据,则可获取60条具体的训练驾驶数据作为正样本。
S132:从非目标用户标识对应的训练驾驶数据中,选取同一时间段对应的训练驾驶数据作为负样本。
其中,非目标用户是指驾驶模型所要识别的用户以外的其他用户。相应地,非目标用户标识是用于唯一识别非目标用户的标识。本实施例中,选取与非目标用户标识对应的训练驾驶数据,并将预设时间段对应的训练驾驶数据作为负样本。可以理解地,负样本中选取训练驾驶数据对应的预设时间段与正样本中选取训练驾驶数据预设时间段相同,以保证负样本与正样本是不同一用户在同一条件下获取的训练驾驶数据。具体地,该负样本可以是非目标用户B或非目标用户C在预设时间段如连续2个月的上午8-9点内训练驾驶数据中前600s的训练驾驶数据。为了进一步节省驾驶模型的训练时长,可使负样本对应的训练驾驶数据是在预设数据时长每隔一单位时间获取的数据,该一单位时间与正样本的单位时间相同,如任一训练驾驶数据前600s每隔10s获取一次训练驾驶数据,共获取60条具体的训练驾驶数据作为负样本。
进一步地,为提高驾驶模型训练的准确性,在训练目标用户对应的驾驶模型时,终端设备还可接收用户输入的数据查询指令,该数据查询指令包括目标用户标识。终端设备在接收到该数据查询指令后,通过数据库查询语句查询目标用户标识对应的目标用户详细信息。该目标用户详细信息包括目标用户的家庭住址、办公地址、上班时间等信息。并且,终端设备进一步查询数据库中是否存在与目标用户详细信息相同或相似的非目标用户,以使终端设备可基于非目标用户对应的非目标用户标识查询并获取对应的训练驾驶数据作为负样本,以使正负样本的详细信息相同或相似,使得采集到的目标用户和非目标用户对应的训练驾驶数据的宏观路况基本相似,在驾驶模型训练时更有利于保证训练得到的驾驶模型的识别准确率。
S133:按预设比例配置正样本和负样本的数量。
其中,预设比例是指初始预先设置的正样本和负样本数量的比例。本实施例中,正负样本的比例按1:1混合,避免因正负样本对应的训练驾驶数据数量不相同而出现过拟合现象。其中,过拟合是指为了得到一致假设而使假设变得过度严格的现象,避免过拟合是分类器设计中的一个核心任务。具体地,可以有60条具体的训练驾驶数据作为正样本和60条具体的训练驾驶数据作为负样本,其中,正样本的60条训练驾驶数据采集于目标用户A,而负样本的60条数据可以采集于非目标用户B、非目标用户C或者其他非目标用户间以任意比例组合而成的60条训练驾驶数据,即正负样本的比例按1:1混合。
S14:采用装袋算法对训练集进行训练,获取原始驾驶模型。
装袋(Bagging)算法是一种用来提高学习算法准确度的方法,装袋算法预先构造一个预测函数系列,该预测函数系列包括至少两个预测函数;然后采用一定的方式将预测函数系列组合成一个预测函数。具体地,装袋算法是采取多次抽取放回的抽样方式,从训练集中抽取正负样本进行训练,采取这种多次抽取放回的抽样方式目的是增大训练样本数量,使得模型训练次数增加,提高准确率。其中,原始驾驶模型是由装袋算法对训练集中的正负样本进行训练并融合得到的模型。
在一具体实施方式中,如图5所示,步骤S14中,采用装袋算法对训练集进行训练,获取原始驾驶模型,具体包括如下步骤:
S141:将训练集中的正负样本输入至少两个分类模型进行训练,获取单一驾驶模型。
其中,分类模型是用来解决分类问题的模型,每一分类模型为装袋算法中的一预测函数。具体地,分类模型包括但不限于逻辑回归模型、神经网络模型、决策树模型和朴素贝叶斯模型等模型。将训练集中的正负样本输入至少两个分类模型进行训练得到至少两个用于识别驾驶人的模型即单一驾驶模型。可以理解地,每一单一驾驶模型与用户标识相关联,即每一单一驾驶模型用于识别是正样本对应的目标用户的驾驶的概率的模型。
优选地,至少两个分类模型包括长短时记忆网络(Long Short-Term Memory,以下简称LSTM)模型和逻辑回归(Logistic Regression,以下简称LR)模型。
其中,长短时记忆网络(Long Short-Term Memory,以下简称LSTM)模型是一种时间递归神经网络模型,适合于处理和预测具有时间序列,且时间序列间隔和延迟相对较长的重要事件。LSTM模型具有时间记忆功能,因而用来处理携带时序状态的训练业务数据。LSTM模型是具有长时记忆能力的神经网络模型中的一种,具有输入层、隐藏层和输出层这三层网络结构。具体地,LSTM模型采用前向传播算法对训练集进行训练,获取原始单一驾驶模型,然后再采用后向传播算法对原始单一驾驶模型进行验证,经过多次迭代并验证得到单一驾驶模型。
步骤S141中,将训练集中的正负样本输入至少两个分类模型进行训练,获取单一驾驶模型,具体包括如下步骤:
S141-11:采用长短时记忆网络模型中的前向传播算法对训练集中的正负样本进行训练,获取原始单一驾驶模型;前向传播算法的计算公式包括和其中,St表示当前时刻隐藏层的输出;表示隐藏层上一时刻到当前时刻的权值;表示输入层到输出层的权值;表示当前时刻的预测输出;表示隐藏层到输出层的权值。
具体地,前向传播算法是将当前时刻的输入Xt以及上一时刻的隐藏单元的输出St-1,即LSTM模型中隐藏层内的记忆单元的输出St-1作为隐藏层的输入,之后通过激活函数tanh(双曲正切)的变换得到隐藏层当前时刻的输出St。由此可知,预测输出与当前时刻的输出St相关,St包括了当前时刻的输入与上一时刻的状态,使得预测输出保留了时间序列上所有的信息,具有时序性。由于线性模型的表达能力不够,本实施例中采用tanh(双曲正切)作为激活函数,可加入非线性因素使得训练出的原始预测模型能够解决更复杂的问题。并且,激活函数tanh(双曲正切)具有收敛速度快的优点,可以节省训练时间,增加训练效率。
S141-12:采用长短时记忆网络模型中的后向传播算法对原始单一驾驶模型进行误差计算,获取单一驾驶模型;后向传播算法的计算公式包括其中,表示t时刻的预测输出;ot表示t时刻与对应的真实值。后向传播算法对原始单一驾驶进行误差计算,按照时间反向的顺序更新优化权重参数。本实施例中,误差计算是将后向传播当前时刻的损失函数定义为交叉熵来进行计算,利用上述误差计算公式计算误差。最后根据链式求导法计算出每一层的偏导即计算出和基于这三个变化率来更新U、V和W这三个权值参数,以获取调节后的状态参数。其中, 由此可知我们只需对每一时刻的损失函数计算偏导数再相加即可得到上述三个变化率从而更新权重参数。由于梯度会随着反向传播层数的递增而成指数增长造成梯度消失的现象,本实施例中采用交叉熵损失函数与tanh激活函数配合能够很好的解决梯度消失的问题,增加训练的准确率。
步骤S141中,将训练集中的正负样本输入至少两个分类模型进行训练,获取单一驾驶模型,具体包括如下步骤:
S141-21:采用逻辑回归模型中的逻辑回归算法对训练集中的正负样本进行训练,获取原始单一驾驶模型;逻辑回归算法的计算公式包括和其中,hθ(x)表示正负样本的概率密度函数;x(i)表示正负样本的输入;y(i)表示与正负样本的输入对应的输出结果;m表示正负样本的数量。逻辑回归(Logistic Regression,以下简称LR)模型,又称为逻辑回归分析模型,是分类和预测算法中的一种,可通过历史数据的表现对未来结果发生的概率进行预测。
本实施例中,逻辑回归模型假设为hθ(x)=g(θmx),其中g(θmx)为逻辑函数,即某个数据属于某一类别(二分类问题)的概率。具体选用Sigmoid(S型生长曲线)函数作为逻辑函数,Sigmoid函数是一个在生物学中常见的S型的函数,在信息科学中,由于其单增以及反函数单增等性质,Sigmoid函数常被用作神经网络的阈值函数,将变量映射到0,1之间。Sigmoid函数的函数公式为其中将Sigmoid函数公式代入逻辑回归假设模型得到,上述公式即进一步地,逻辑回归模型的代价函数为将Cost(hθ(x),y)代入代价函数得到上述公式,即由于逻辑回归模型是二分类模型,假设取正类的概率为p,那么对一个输入,观察p/(1-p)就可以得出它更可能属于正类还是负类,Sigmoid函数可以很好的反映出逻辑回归模型的这种特点,因此使得逻辑回归模型训练的效率高。
S141-22:采用逻辑回归模型中的梯度下降算法对原始驾驶模型进行误差计算,获取单一驾驶模型;梯度下降算法的计算公式包括和其中,θj表示每次迭代得到的θ值;hθ(x)表示正负样本的概率密度函数;xj表示第j次迭代的正负样本;x(i)表示正负样本;y(i)表示输出结果。梯度下降算法也称为最速下降算法,是对其进行多次迭代求导优化得到使代价函数J(θ)的值最小时的θ的值,即为所需的模型参数,基于此模型参数,获取单一驾驶模型,梯度下降算法计算简单,容易实现。
S142:对至少两个单一驾驶模型进行融合处理,获取原始驾驶模型。
具体地,步骤S142具体包括如下步骤:首先,获取测试集中正负样本的比例,确定目标概率,该目标概率为正样本的数量除以正样本的数量和负样本的数量之和获取的商值。然后,将测试集中的正负样本输入获取到的至少两个单一驾驶模型进行测试,获取至少两个分类概率。然后采用融合机制对至少两个分类概率进行融合处理,获取原始驾驶模型,该原始驾驶模型包括至少两个分类概率以及每一单一驾驶模型所对应的权重。
本实施例中,该融合机制包括但不限于多数表决融合方式或者加权处理融合方式。其中,多数表决融合方式是分类概率与目标概率最接近的单一驾驶模型的模型参数(即经过步骤S141训练得到的单一驾驶模型的模型参数),作为原始驾驶模型的模型参数,以获取原始驾驶模型。加权处理融合方式是预先初始化原始驾驶模型中每一单一驾驶模型所对应的模型权重,将获取的至少两个分类概率分别乘上所对应的模型权重再求和,得到最终分类概率,使获取的最终分类概率等于或接近目标概率,进行归一化处理确定最终的模型权重。然后将至少两个单一驾驶模型所对应的模型参数(即经过步骤S141训练得到的单一驾驶模型的模型参数)和最终的模型权重,作为原始驾驶模型的模型参数和模型权重,以获取原始驾驶模型。
在一具体实施方式中,将测试集中的正负样本按预设比例配置,基于正负样本的比例,可确定目标概率,该目标概率为正样本的数量除以正样本的数量和负样本的数量之和获取的商值。本实施例为1:1配置,则基于测试集中的正负样本进行识别时,其识别出是目标用户本人开车的概率为50%,即目标概率为50%。将测试集中的正负样本输入至少两个分类模型进行测试,获取至少两个分类概率。在采用多数表决融合方式进行融合处理时,将测试集中的正负样本输入至少两个单一驾驶模型中,获取每个单一驾驶模型对应的分类概率,选取分类概率最接近50%这一目标概率的单一驾驶模型作为原始驾驶模型。在采用加权处理融合方式进行融合处理时,可初始化每一单一驾驶模型的模型权重,将测试集中的正负样本按不同比例进行配置,以获取多个目标概率,将每一种比例配置的正负样本输入至少两个单一驾驶模型进行处理,获取对应的分类概率。根据P=∑PiWi对每一单一驾驶模型的模型权重进行归一化处理,以确定最终的模型权重;其中,P为目标概率,Pi为第i个单一驾驶模型的测试概率,该测试概率的计算方法是根据获取到的至少两个分类概率确定是目标用户本人开车的数量除以正样本的数量和负样本的数量之和(即是目标用户本人开车的数量和不是目标用户本人开车的数量之和)获取的商值。Wi为第i个单一驾驶模型的模型权重。最后,基于至少两个单一驾驶模型的模型参数和模型权重确定原始驾驶模型。具体地,将任一样本输入单一驾驶模型识别获取分类概率,将分类概率与预设概率进行比较;若分类概率大于预设概率,则为目标用户本人开车,使目标用户本人开车的数量加1,反之,使不是目标用户本人开车的数量加1,最后,基于是目标用户本人开车的数量和不是目标用户本人开车的数量计算获取测试概率。其中,预设概率是预先设置的用于评价是否为本人驾驶的概率。
进一步地,在采用加权处理融合方式对至少两个单一驾驶模型进行融合处理时,需预先删除识别准确率较低的单一驾驶模型,以保证获取的原始驾驶模型的识别准确率。具体地,将测试集中相同的正负样本输入至少两个单一驾驶模型中,获取每一单一驾驶模型模型对应的分类概率以及相应的目标概率。基于目标概率和预设系数确定对应的概率范围,判断每一分类概率是否在该概率范围内。若分类概率在该概率范围内,则认定其对应的单一驾驶模型的识别准确率较高,需保留该单一驾驶模型。若分类概率不在该概率范围内,则认定其对应的单一驾驶模型的识别准确率高低,需删除该单一驾驶模型。其中,预设系数是***预先配置的系数,该预设系数与目标概率可确定概率范围,如可设置为20%。
如设按1:1比例配置的正负样本同时输入至少两个单一驾驶模型中,则其目标概率为50%,若预设系数为20%,则获取的概率范围为(1-20%)*50%-(1+20%)*50%,即40%-60%;若任一单一驾驶模型的分类概率在40%-60%内,则认定其识别准确率较高,可保留该单一驾驶模型;若任一单一驾驶模型的分类概率不在40%-60%内,则认定其识别准确率较低,需删除该单一驾驶模型;再将保留下来的至少两个单一驾驶模型采用加权处理融合方式进行融合处理,以获取原始驾驶模型,从而保证获取的原始驾驶模型的识别准确率。
S15:采用测试集对原始驾驶模型进行测试,获取目标驾驶模型。
采用测试集中的所有正负样本输入原始驾驶模型进行测试,获取识别结果准确率,该识别结果准确率为所有识别结果准确的数量除以测试集中所有正负样本的数量的商。判断识别结果准确率是否大于预设准确率,若识别结果准确率大于预设准确率,则认定该原始预测模型较准确,以将该原始预测模型作为目标预测模型。反之,若识别结果准确率不大于预设准确率,则认定该原始预测结果不够准确,仍需再采用步骤S11-S14进行训练后,再次进行训练,直至获取的原始驾驶模型的识别结果准确率大于预设准确率。本实施例中,预设准确率为测试集中正负样本中的正样本的数量除以正样本数量和负样本数量之和所获取的商值。
本实施例所提供的驾驶模型训练方法中,先获取用户的训练行为数据,训练行为数据与用户标识相关联,以便基于用户标识分别获取与目标用户标识和非目标用户标识对应的训练行为数据,以保证训练获得的目标驾驶模型能够识别目标用户的驾驶行为。然后基于训练行为数据,获取与用户标识相关联的训练驾驶数据,该训练驾驶数据是从不同行为类型中提取驾驶类型对应的训练行为数据,排除其他非驾驶行为数据的干扰,有利于保证训练获得的目标驾驶模型的识别准确率且提高目标驾驶模型的训练效率,节省训练时长,为驾驶模型的训练过程提供了可靠、相对应的训练驾驶数据,以实现驾驶模型的训练。接着基于用户标识,从训练驾驶数据获取正负样本,正负样本可以有效确定训练目标驾驶模型所需参数,保证训练得到的目标驾驶模型识别结果的准确性。最后采用装袋算法对训练集进行训练,获取原始驾驶模型,并对原始驾驶模型进行训练,以获取目标驾驶模型,增强了目标驾驶模型的泛化性,提高目标驾驶模型的识别准确率。具体地,采用装袋算法获取目标驾驶模型时,可对至少两个分类模型训练获取的单一驾驶模型进行融合处理,以提高获取的目标驾驶模型的泛化性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例2
图6示出与实施例1中驾驶模型训练方法一一对应的驾驶模型训练装置的原理框图。如图6所示,该驾驶模型训练装置包括训练行为数据获取模块11、训练驾驶数据获取模块12、正负样本获取模块13、原始驾驶模型获取模块14和目标驾驶模型获取模块15。其中,训练行为数据获取模块11、训练驾驶数据获取模块12、正负样本获取模块13、原始驾驶模型获取模块14和目标驾驶模型获取模块15的实现功能与实施例1中驾驶模型训练方法对应的步骤一一对应,为避免赘述,本实施例不一一详述。
训练行为数据获取模块11,用于获取用户的训练行为数据,训练行为数据与用户标识相关联。
训练驾驶数据获取模块12,用于基于训练行为数据,获取与用户标识相关联的训练驾驶数据。
优选地,训练驾驶数据获取模块12包括行为类型获取单元121和训练驾驶数据获取单元122。
行为类型获取单元121,用于基于训练行为数据,获取与训练行为数据对应的行为类型,行为类型与用户标识相关联。
训练驾驶数据获取单元122,用于将行为类型为驾驶类型的训练行为数据,作为训练驾驶数据。
优选地,行为类型获取单元121包括行为类型识别模型获取子单元1211、距离计算子单元1212和行为类型确定子单元1213。
行为类型识别模型获取子单元1211,用于获取训练好的行为类型识别模型,行为类型识别模型包括至少两个聚类类簇,每一聚类类簇对应一行为类型,且每一聚类类簇包括一质心。
距离计算子单元1212,用于计算训练行为数据到每一质心的距离。
行为类型确定子单元1213,用于将距离最小的聚类类簇对应的行为类型,作为训练行为数据对应的行为类型。
正负样本获取模块13,用于基于用户标识,从训练驾驶数据获取正负样本,并将所述正负样本划分为训练集和测试集。
优选地,正负样本获取模块13包括正样本获取单元131、负样本获取单元132、和比例配置单元133。
正样本获取单元131,用于从目标用户标识对应的训练驾驶数据中,选取预设时间段对应的训练驾驶数据作为正样本。
负样本获取单元132,用于从非目标用户标识对应的训练驾驶数据中,选取同一时间段对应的训练驾驶数据作为负样本。
比例配置单元133,用于按预设比例配置正样本和负样本的数量。
原始驾驶模型获取模块14,用于采用装袋算法对训练集进行训练,获取原始驾驶模型。
优选地,原始驾驶模型获取模块14包括单一驾驶模型获取单元141和原始驾驶模型获取单元142。
单一驾驶模型获取单元141,用于将训练集中的正负样本输入至少两个分类模型进行训练,获取单一驾驶模型。
原始驾驶模型获取单元142,用于对至少两个单一驾驶模型进行融合处理,获取原始驾驶模型。
目标驾驶模型获取模块15,用于采用测试集对原始驾驶模型进行测试,获取目标驾驶模型。
实施例3
图7示出本实施例中驾驶人识别方法的一流程图。该驾驶人识别方法可应用在保险机构或者其他机构的终端设备上,以便对驾驶人驾驶行为进行识别,达到智能识别的效果。如图7所示,该驾驶人识别方法包括如下步骤:
S21:获取用户的待识别行为数据,待识别行为数据与用户标识相关联。
其中,待识别行为数据是指用户在出行时实时采集到的用于识别是否为目标用户本人开车的行为数据。行为数据包括但不限于指用户在出行时的任意时刻采集到的速度、加速度、角度和角加速度等数据中的至少一个。本实施例中,该待识别行为数据与用户标识相关联,是指每一用户在出行时形成的待识别行为数据与用户标识关联,以便基于该用户标识查找对应的目标驾驶模型对待识别行为数据进行识别。
S22:基于用户标识查询数据库,获取与用户标识相对应的目标驾驶模,其中,目标驾驶模型是采用实施例1中驾驶模型训练方法获取的模型。
本实施例中,终端设备根据待识别行为数据中的用户标识查询存储在数据库中的目标驾驶模型,以便基于该目标驾驶模型识别出待识别行为数据是否为用户标识对应的用户本人驾驶。其中,数据库中存储有目标驾驶模型和模型信息表,模型信息表包括至少一个模型信息,每一模型信息包括用户标识和与用户标识相对应的目标驾驶模型在数据库中的存储地址,以便于在利用目标驾驶模型进行识别时,可基于用户标识查询到对应的目标驾驶模型。具体地,可以为用户A的移动终端实时获取用户A的待识别行为数据,并上传到服务器,以使保险机构中的终端设备可从服务器中获取该待识别行为数据,并根据该待识别行为数据中关于用户A的用户标识,查询存储在数据库中的与用户A用户标识相关联的目标驾驶模型的存储地址,基于该存储地址获取对应的目标驾驶模型。
S23:基于待识别行为数据和目标驾驶模型,获取识别概率。
本实施例中,将待识别行为数据输入到目标驾驶模型中进行识别,在目标驾驶模型中对输入的待识别行为数据进行基于各层间权值的转换处理,在输出层输出识别概率。具体地,终端设备在获取用户A的待识别行为数据和目标驾驶模型后,将待识别行为数据在目标驾驶模型中进行基于各层间权值的转换处理,获取最终的识别概率。本实施例中,该识别概率可以为0-1之间的实数。
S24:判断识别概率是否大于预设概率;若识别概率大于预设概率,则确定为本人驾驶。
其中,预设概率是预先设置的用于评价是否为本人驾驶的概率。本实施例中,将待识别行为数据在目标驾驶模型中处理最终获取的识别概率,与预设概率进行比较。若识别概率大于预设概率,则可以确定为本人驾驶。若识别概率小于或等于预设概率,则认为不是本人在驾驶。具体地,若终端设备获取用户A的识别概率为0.95,而预设概率为0.9,则可以确定是用户A本人驾驶。
本实施例所提供的驾驶人识别方法中,基于待识别行为数据中的用户标识查询并获取对应的目标驾驶模型,目标驾驶模型的获取过程简单快捷。再采用目标驾驶模型对待识别行为数据进行识别,有利保障获取识别概率的准确性。通过将目标驾驶模型输出的识别概率与预设概率的比较,判断识别概率是否大于预设概率确定是否为本人驾驶,即确定是用户标识对应的用户本人驾驶,还是用户标识对应的用户搭乘其他用户驾驶的轿车,以保证驾驶人识别结果更精确可靠。
实施例4
图8示出与实施例1中驾驶模型训练方法一一对应的驾驶模型训练装置的原理框图。如图8所示,该驾驶模型训练装置包括待识别行为数据获取模块21、目标驾驶模型获取模块22、识别概率获取模块23和识别结果判断模块24。其中,待识别行为数据获取模块21、目标驾驶模型获取模块22、识别概率获取模块23和识别结果判断模块24的实现功能与实施例中驾驶模型训练方法对应的步骤一一对应,为避免赘述,本实施例不一一详述。
待识别行为数据获取模块21,用于获取用户的待识别行为数据,待识别行为数据与用户标识相关联。
目标驾驶模型获取模块22,用于基于用户标识查询数据库,获取与用户标识相对应的目标驾驶模型。
识别概率获取模块23,用于基于待识别行为数据和目标驾驶模型,获取识别概率。
识别结果判断模块24,用于判断识别概率是否大于预设概率;若识别概率大于预设概率,则确定为本人驾驶。
本实施例所提供的驾驶人识别方法装置中,待识别行为数据获取模块21实现了对用户实时发出的待识别行为数据的采集功能,为驾驶人识别提供了进行模型识别的数据基础。目标驾驶模型获取模块22基于待识别行为数据中的用户标识查询并获取对应的目标驾驶模型,目标驾驶模型的获取过程简单快捷。通过识别概率获取模块23和识别结果判断模块24将待识别行为数据输入到驾驶模型中进行识别处理,采用目标驾驶模型对待识别行为数据进行识别,有利保障获取的识别概率的准确性。将目标驾驶模型输出的识别概率与预设概率的比较,可以实现对待识别行为数据代表的驾驶人进行有效识别,以保证驾驶人识别结果更精确可靠。
实施例5
本实施例提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现实施例1中驾驶模型训练方法,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现实施例2中驾驶模型训练装置中各模块/单元的功能,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现实施例3中驾驶人识别方法中各步骤的功能,为避免重复,此处不一一赘述。或者,该计算机程序被处理器执行时实现实施例4中驾驶人识别装置中各模块/单元的功能,为避免重复,此处不一一赘述。
实施例6
图9是本发明一实施例提供的终端设备的一示意图。如图9所示,该实施例的终端设备90包括:处理器91、存储器92以及存储在存储器92中并可在处理器91上运行的计算机程序93,该计算机程序被处理器91执行时实现实施例1中的驾驶模型训练方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器91执行时实现实施例2中驾驶模型训练装置中各模型/单元的功能,为避免重复,此处不一一赘述。或者,该计算机程序被处理器91执行时实现实施例3中驾驶人识别方法中各步骤的功能,为避免重复,此处不一一赘述。或者,该计算机程序被处理器91执行时实现实施例4中驾驶人识别装置中各模块/单元的功能。为避免重复,此处不一一赘述。
示例性的,计算机程序93可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器92中,并由处理器91执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序93在终端设备90中的执行过程。例如,计算机程序93可以被分割成实施例2中的训练行为数据获取模块11、训练驾驶数据获取模块12、正负样本获取模块13、原始驾驶模型获取模块14和目标驾驶模型获取模块15,或者计算机程序93可以被分割成实施例4中的待识别行为数据获取模块21、目标驾驶模型获取模块22、识别概率获取模块23和识别结果判断模块24,各模块的具体功能如实施例2或实施例4所述,在此不一一赘述。
终端设备90可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器91、存储器92。本领域技术人员可以理解,图9仅仅是终端设备90的示例,并不构成对终端设备90的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器91可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器92可以是终端设备90的内部存储单元,例如终端设备90的硬盘或内存。存储器92也可以是终端设备90的外部存储设备,例如终端设备90上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器92还可以既包括终端设备90的内部存储单元也包括外部存储设备。存储器92用于存储计算机程序以及终端设备所需的其他程序和数据。存储器92还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述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:其依然可以对前述各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各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种驾驶模型训练方法,其特征在于,包括:
获取用户的训练行为数据,所述训练行为数据与用户标识相关联;
基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据;
基于所述用户标识,从所述训练驾驶数据获取正负样本,并将所述正负样本划分为训练集和测试集;
采用装袋算法对所述训练集进行训练,获取原始驾驶模型;
采用所述测试集对所述原始驾驶模型进行测试,获取目标驾驶模型;
其中,所述基于所述用户标识,从所述训练驾驶数据获取正负样本,包括:
接收数据查询指令,所述数据查询指令包括目标用户标识;
从所述目标用户标识对应的所述训练驾驶数据中,选取预设时间段对应的所述训练驾驶数据作为正样本;
基于所述目标用户标识查询数据库,获取目标用户详细信息;所述目标用户详细信息包括家庭住址、办公地址和上班时间;
基于所述目标用户详细信息查询数据库,获取与所述目标用户详细信息相同或相似的至少一个非目标用户,所述非目标用户对应一非目标用户标识;
从所述非目标用户标识对应的所述训练驾驶数据中,选取同一时间段内预设数据时长每隔一单位时间对应的所述训练驾驶数据作为负样本;
按预设比例配置所述正样本和所述负样本的数量。
2.如权利要求1所述的驾驶模型训练方法,其特征在于,所述基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据,包括:
基于所述训练行为数据,获取与所述训练行为数据对应的行为类型,所述行为类型与用户标识相关联;
将行为类型为驾驶类型的所述训练行为数据,作为所述训练驾驶数据;
所述基于所述训练行为数据,获取与所述用户标识相关联的行为类型,包括:
获取训练好的行为类型识别模型,所述行为类型识别模型包括至少两个聚类类簇,每一所述聚类类簇对应一所述行为类型,且每一所述聚类类簇包括一质心;
计算所述训练行为数据到每一所述质心的距离;
将所述距离最小的所述聚类类簇对应的所述行为类型,作为所述训练行为数据对应的所述行为类型。
3.如权利要求1所述的驾驶模型训练方法,其特征在于,所述采用装袋算法对所述训练集进行训练,获取原始驾驶模型,包括:
将训练集中的正负样本输入至少两个分类模型进行训练,获取单一驾驶模型;
对至少两个所述单一驾驶模型进行融合处理,获取所述原始驾驶模型。
4.如权利要求3所述的驾驶模型训练方法,其特征在于,所述分类模型包括长短时记忆网络模型和逻辑回归模型;
所述将训练集中的正负样本输入至少两个分类模型进行训练,获取单一驾驶模型,包括:
采用所述长短时记忆网络模型中的前向传播算法对所述训练集中的正负样本进行训练,获取所述原始单一驾驶模型;所述前向传播算法的计算公式包括;其中,表示当前时刻隐藏层的输出;表示隐藏层上一时刻到当前时刻的权值;表示输入层到输出层的权值;表示当前时刻的预测输出;表示所述隐藏层到所述输出层的权值;
或者,所述将训练集中的正负样本输入至少两个分类模型进行训练,获取单一驾驶模型,包括:
采用所述逻辑回归模型中的逻辑回归算法对所述训练集中的正负样本进行训练,获取所述原始单一驾驶模型;所述逻辑回归算法的计算公式包括其中,表示所述正负样本的概率密度函数;表示所述正负样本的输入;表示与所述正负样本的输入对应的输出结果;m表示所述正负样本的数量;
5.一种驾驶人识别方法,其特征在于,包括:
获取用户的待识别行为数据,所述待识别行为数据与用户标识相关联;
基于所述用户标识查询数据库,获取与所述用户标识相对应的目标驾驶模型;所述目标驾驶模型是采用权利要求1-4任一项所述驾驶模型训练方法获取的模型;
采用所述目标驾驶模型对所述待识别行为数据进行识别,获取识别概率;
判断所述识别概率是否大于预设概率;若所述识别概率大于所述预设概率,则确定为本人驾驶。
6.一种驾驶模型训练装置,其特征在于,包括:
训练行为数据获取模块,用于获取用户的训练行为数据,所述训练行为数据与用户标识相关联;
训练驾驶数据获取模块,用于基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据;
正负样本获取模块,用于基于所述用户标识,从所述训练驾驶数据获取正负样本,并将所述正负样本划分为训练集和测试集;
原始驾驶模型获取模块,用于采用装袋算法对所述训练集进行训练,获取原始驾驶模型;
目标驾驶模型获取模块,用于采用所述测试集对所述原始驾驶模型进行测试,获取目标驾驶模型;
其中,所述正负样本获取模块包括:
数据查询指令接收单元,用于接收数据查询指令,所述数据查询指令包括目标用户标识;
正样本获取单元,用于从目标用户标识对应的所述训练驾驶数据中,选取预设时间段对应的所述训练驾驶数据作为正样本;
目标用户详细信息获取单元,获取所述目标用户标识对应的目标用户详细信息;所述目标用户详细信息包括家庭住址、办公地址和上班时间;
非目标用户获取单元,基于所述目标用户详细信息查询数据库,获取与所述目标用户详细信息相同或相似的至少一个非目标用户,所述非目标用户对应一非目标用户标识;
负样本获取单元,用于从所述非目标用户标识对应的所述训练驾驶数据中,选取同一时间段内预设数据时长每隔一单位时间对应的所述训练驾驶数据作为负样本;
按预设比例配置所述正样本和所述负样本的数量。
7.一种驾驶人识别装置,其特征在于,包括:
待识别行为数据获取模块,用于获取用户的待识别行为数据,所述待识别行为数据与用户标识相关联;
目标驾驶模型获取模块,用于基于所述用户标识查询数据库,获取与所述用户标识相对应的目标驾驶模型,所述目标驾驶模型是采用权利要求1-4任一项所述驾驶模型训练方法获取的模型;
识别概率获取模块,用于基于所述待识别行为数据和所述目标驾驶模型,获取识别概率;
识别结果判断模块,用于判断所述识别概率是否大于预设概率;若所述识别概率大于所述预设概率,则确定为本人驾驶。
8.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述驾驶模型训练方法的步骤;或者,所述处理器执行所述计算机程序时实现如权利要求5所述驾驶人识别方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所驾驶模型训练方法的步骤;或者,所述处理器执行所述计算机程序时实现如权利要求5所述驾驶人识别方法的步骤。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710846499.1A CN107679557B (zh) | 2017-09-19 | 2017-09-19 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
SG11201809423VA SG11201809423VA (en) | 2017-09-19 | 2017-10-31 | Driving model training method, driver identification method, apparatuses, device and medium |
PCT/CN2017/108517 WO2019056497A1 (zh) | 2017-09-19 | 2017-10-31 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
US16/093,633 US20210188290A1 (en) | 2017-09-19 | 2017-10-31 | Driving model training method, driver identification method, apparatuses, device and medium |
US18/395,671 US20240132078A1 (en) | 2017-09-19 | 2023-12-25 | Driving model training method, driver identification method, apparatus, device and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710846499.1A CN107679557B (zh) | 2017-09-19 | 2017-09-19 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679557A CN107679557A (zh) | 2018-02-09 |
CN107679557B true CN107679557B (zh) | 2020-11-27 |
Family
ID=61137308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710846499.1A Active CN107679557B (zh) | 2017-09-19 | 2017-09-19 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
Country Status (4)
Country | Link |
---|---|
US (2) | US20210188290A1 (zh) |
CN (1) | CN107679557B (zh) |
SG (1) | SG11201809423VA (zh) |
WO (1) | WO2019056497A1 (zh) |
Families Citing this family (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11475310B1 (en) * | 2016-11-29 | 2022-10-18 | Perceive Corporation | Training network to minimize worst-case error |
CN110197435B (zh) * | 2018-04-23 | 2023-09-26 | 腾讯科技(深圳)有限公司 | 对象识别方法和装置、存储介质及电子装置 |
CN113642633B (zh) * | 2018-06-11 | 2023-06-20 | 百度在线网络技术(北京)有限公司 | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 |
CN108791308B (zh) * | 2018-06-25 | 2020-05-19 | 大连大学 | 基于驾驶环境构建驾驶策略的*** |
CN108891421B (zh) * | 2018-06-25 | 2020-05-19 | 大连大学 | 一种构建驾驶策略的方法 |
CN108791302B (zh) * | 2018-06-25 | 2020-05-19 | 大连大学 | 驾驶员行为建模*** |
CN108819948B (zh) * | 2018-06-25 | 2020-05-19 | 大连大学 | 基于逆向强化学习的驾驶员行为建模方法 |
CN108944940B (zh) * | 2018-06-25 | 2020-05-19 | 大连大学 | 基于神经网络的驾驶员行为建模方法 |
CN109241709B (zh) * | 2018-08-03 | 2023-04-07 | 平安科技(深圳)有限公司 | 基于滑块验证码验证的用户行为识别方法及装置 |
CN109241711B (zh) * | 2018-08-22 | 2023-04-18 | 平安科技(深圳)有限公司 | 基于预测模型的用户行为识别方法及装置 |
CN109598410A (zh) * | 2018-10-31 | 2019-04-09 | 平安科技(深圳)有限公司 | 预售风险评估方法、***、计算机装置及可读存储介质 |
CN109635335B (zh) * | 2018-11-12 | 2024-05-28 | 平安科技(深圳)有限公司 | 驾驶风险预测方法、装置、计算机设备及存储介质 |
CN109685120A (zh) * | 2018-12-11 | 2019-04-26 | 中科恒运股份有限公司 | 分类模型在有限数据下的快速训练方法和终端设备 |
CN109936561B (zh) * | 2019-01-08 | 2022-05-13 | 平安科技(深圳)有限公司 | 用户请求的检测方法、装置、计算机设备及存储介质 |
CN109905362B (zh) * | 2019-01-08 | 2022-05-13 | 平安科技(深圳)有限公司 | 用户请求的检测方法、装置、计算机设备及存储介质 |
CN109829932A (zh) * | 2019-01-18 | 2019-05-31 | 创新奇智(宁波)科技有限公司 | 一种自动前景提取的数据采集方法及装置 |
CN110232150B (zh) * | 2019-05-21 | 2023-04-14 | 平安科技(深圳)有限公司 | 一种用户数据分析方法、装置、可读存储介质及终端设备 |
CN110223291B (zh) * | 2019-06-20 | 2021-03-19 | 南开大学 | 一种基于损失函数的训练眼底病变点分割网络方法 |
CN112541515A (zh) * | 2019-09-23 | 2021-03-23 | 北京京东乾石科技有限公司 | 模型训练方法、驾驶数据处理方法、装置、介质和设备 |
US11245545B2 (en) | 2019-10-24 | 2022-02-08 | Dell Products L.P. | Implementation of internet of things-enabled connectivity devices for processing operation information of devices lacking network connectivity |
US11201801B2 (en) | 2019-10-24 | 2021-12-14 | Dell Products L.P. | Machine learning-based determinations of lifespan information for devices in an internet of things environment |
CN110940971B (zh) * | 2019-11-06 | 2022-05-31 | 四川川大智胜软件股份有限公司 | 一种雷达目标点迹录取方法、装置及存储介质 |
CN111126617B (zh) * | 2019-12-02 | 2024-03-29 | 东软集团股份有限公司 | 一种选择融合模型权重参数的方法、装置及设备 |
CN111143552B (zh) * | 2019-12-05 | 2023-06-27 | 支付宝(杭州)信息技术有限公司 | 文本信息的类别预测方法和装置、服务器 |
CN112989295A (zh) * | 2019-12-16 | 2021-06-18 | 北京沃东天骏信息技术有限公司 | 用户识别的方法和装置 |
CN111209796B (zh) * | 2019-12-19 | 2023-08-29 | 中国平安财产保险股份有限公司 | 驾驶行为检测方法、装置、电子设备及介质 |
CN111242195B (zh) * | 2020-01-06 | 2023-06-20 | 蚂蚁胜信(上海)信息技术有限公司 | 模型、保险风控模型训练方法、装置及电子设备 |
CN111274376B (zh) * | 2020-01-21 | 2023-06-02 | 支付宝(杭州)信息技术有限公司 | 一种训练标记预测模型的方法和*** |
CN111274377B (zh) * | 2020-01-23 | 2023-06-02 | 支付宝(杭州)信息技术有限公司 | 一种训练标记预测模型的方法及*** |
CN111382403A (zh) * | 2020-03-17 | 2020-07-07 | 同盾控股有限公司 | 用户行为识别模型的训练方法、装置、设备及存储介质 |
CN115004191A (zh) * | 2020-03-20 | 2022-09-02 | 深圳市欢太数字科技有限公司 | 信息识别方法、装置、存储介质及电子设备 |
CN111931837B (zh) * | 2020-07-31 | 2022-03-25 | 广州景骐科技有限公司 | 一种识别驾驶事件及其训练方法、装置、设备和存储介质 |
CN112001482B (zh) * | 2020-08-14 | 2024-05-24 | 佳都科技集团股份有限公司 | 振动预测及模型训练方法、装置、计算机设备和存储介质 |
CN112053610A (zh) * | 2020-10-29 | 2020-12-08 | 延安大学 | 一种基于深度学习的vr虚拟驾驶训练及考试方法 |
CN112163285B (zh) * | 2020-11-03 | 2024-01-23 | 浙江天行健智能科技有限公司 | 一种用于模拟驾驶***的路面类型预测模型的建模方法 |
CN112183899A (zh) * | 2020-11-04 | 2021-01-05 | 北京嘀嘀无限科技发展有限公司 | 确定安全度预测模型的方法、装置、设备和存储介质 |
CN112519769A (zh) * | 2020-11-20 | 2021-03-19 | 上善智城(苏州)信息科技有限公司 | 一种基于驾驶习惯智能学习技术的制动方法及装置 |
CN112651443A (zh) * | 2020-12-28 | 2021-04-13 | 华北科技学院 | 基于机器学习的驾驶风格辨识模型评估方法、装置、介质和设备 |
CN112721949B (zh) * | 2021-01-12 | 2022-07-12 | 重庆大学 | 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 |
CN112758100B (zh) * | 2021-02-03 | 2023-03-14 | 洪丰 | 一种油门误踩检测方法及装置 |
CN112835958A (zh) * | 2021-02-04 | 2021-05-25 | 中国工商银行股份有限公司 | 目标客户确定方法及装置 |
CN112948687B (zh) * | 2021-03-25 | 2023-05-02 | 重庆高开清芯智联网络科技有限公司 | 一种基于名片文件特征的节点消息推荐方法 |
CN113692371A (zh) * | 2021-06-30 | 2021-11-23 | 华为技术有限公司 | 一种目标位置的确定方法、确定装置及确定*** |
CN113611405A (zh) * | 2021-08-10 | 2021-11-05 | 平安科技(深圳)有限公司 | 一种体检项目推荐方法、装置、设备及介质 |
CN113635906B (zh) * | 2021-08-30 | 2023-07-25 | 武汉理工大学 | 基于局部时间序列提取算法的驾驶风格识别方法及装置 |
CN113968234B (zh) * | 2021-11-29 | 2023-05-02 | 深圳市科莱德电子有限公司 | 一种车辆辅助驾驶控制方法、装置及车载控制器 |
CN114239964A (zh) * | 2021-12-16 | 2022-03-25 | 上海冰鉴信息科技有限公司 | 用户风险预测模型处理方法、装置及电子设备 |
CN114278727B (zh) * | 2021-12-31 | 2023-02-07 | 清华大学 | 极限工况下的车辆自动换挡控制方法、***、介质及设备 |
CN114332520B (zh) * | 2022-03-14 | 2022-06-17 | 中汽信息科技(天津)有限公司 | 基于深度学习的异常驾驶行为识别模型构建方法 |
CN114627649B (zh) * | 2022-04-13 | 2022-12-27 | 北京魔门塔科技有限公司 | 速度控制模型的生成方法、车辆控制方法及装置 |
CN115526888A (zh) * | 2022-11-17 | 2022-12-27 | 博奥生物集团有限公司 | 眼图数据识别方法、装置、存储介质及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102756650A (zh) * | 2011-04-29 | 2012-10-31 | 常州工学院 | 一种防止酒后驾车的装置 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4918207B2 (ja) * | 2000-06-29 | 2012-04-18 | アスペン テクノロジー インコーポレイテッド | 経験的プロセスの非線形近似器を制約するコンピュータ装置とその方法 |
CN101695445B (zh) * | 2009-10-29 | 2011-11-23 | 浙江大学 | 一种基于加速度传感器的步态身份识别方法 |
US8287055B2 (en) * | 2010-09-28 | 2012-10-16 | Robert Bosch Gmbh | Brake control of a vehicle based on driver behavior |
US9324193B2 (en) * | 2011-09-08 | 2016-04-26 | The Boeing Company | Methods and systems for cost-based control of aircraft health data reporting |
US9311298B2 (en) * | 2013-06-21 | 2016-04-12 | Microsoft Technology Licensing, Llc | Building conversational understanding systems using a toolset |
TWI492010B (zh) * | 2013-10-23 | 2015-07-11 | Nat Univ Tsing Hua | Used in the factory to carry out the manufacturing method of verification |
US9881221B2 (en) * | 2013-10-24 | 2018-01-30 | Conduent Business Services, Llc | Method and system for estimating gaze direction of vehicle drivers |
US9324321B2 (en) * | 2014-03-07 | 2016-04-26 | Microsoft Technology Licensing, Llc | Low-footprint adaptation and personalization for a deep neural network |
US9384335B2 (en) * | 2014-05-12 | 2016-07-05 | Microsoft Technology Licensing, Llc | Content delivery prioritization in managed wireless distribution networks |
US9384334B2 (en) * | 2014-05-12 | 2016-07-05 | Microsoft Technology Licensing, Llc | Content discovery in managed wireless distribution networks |
US9367490B2 (en) * | 2014-06-13 | 2016-06-14 | Microsoft Technology Licensing, Llc | Reversible connector for accessory devices |
US10493996B2 (en) * | 2014-09-22 | 2019-12-03 | Future Technology Partners, Llc | Method and system for impaired driving detection, monitoring and accident prevention with driving habits |
CN104463201B (zh) * | 2014-11-28 | 2018-01-19 | 杭州华为数字技术有限公司 | 一种识别驾驶状态、驾驶人的方法及装置 |
CN106203437B (zh) * | 2015-05-07 | 2017-11-24 | 平安科技(深圳)有限公司 | 个体驾驶行为特征识别方法和装置 |
CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
US10315665B2 (en) * | 2016-01-29 | 2019-06-11 | Faraday & Future Inc. | System and method for driver pattern recognition, identification, and prediction |
CN105809193B (zh) * | 2016-03-07 | 2019-03-26 | 山东大学 | 一种基于kmeans算法的非法运营车辆的识别方法 |
US11138524B2 (en) * | 2016-03-11 | 2021-10-05 | Uber Technologies, Inc. | Cascaded boosted predictive models |
US10407078B2 (en) * | 2016-04-26 | 2019-09-10 | Sivalogeswaran Ratnasingam | Dynamic learning driving system and method |
CN106782602B (zh) * | 2016-12-01 | 2020-03-17 | 南京邮电大学 | 基于深度神经网络的语音情感识别方法 |
CN106682602B (zh) * | 2016-12-16 | 2020-01-21 | 深圳市华尊科技股份有限公司 | 一种驾驶员行为识别方法及终端 |
CN106951468B (zh) * | 2017-03-02 | 2018-12-28 | 腾讯科技(深圳)有限公司 | 对话生成方法及装置 |
US11465631B2 (en) * | 2017-12-08 | 2022-10-11 | Tesla, Inc. | Personalization system and method for a vehicle based on spatial locations of occupants' body portions |
US11440555B2 (en) * | 2020-05-18 | 2022-09-13 | Verizon Connect Development Limited | Systems and methods for detecting and classifying an unsafe maneuver of a vehicle |
US20220032924A1 (en) * | 2020-07-30 | 2022-02-03 | Morgan State University | System and method for driver distraction detection and classification |
-
2017
- 2017-09-19 CN CN201710846499.1A patent/CN107679557B/zh active Active
- 2017-10-31 SG SG11201809423VA patent/SG11201809423VA/en unknown
- 2017-10-31 WO PCT/CN2017/108517 patent/WO2019056497A1/zh active Application Filing
- 2017-10-31 US US16/093,633 patent/US20210188290A1/en active Pending
-
2023
- 2023-12-25 US US18/395,671 patent/US20240132078A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102756650A (zh) * | 2011-04-29 | 2012-10-31 | 常州工学院 | 一种防止酒后驾车的装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107679557A (zh) | 2018-02-09 |
WO2019056497A1 (zh) | 2019-03-28 |
SG11201809423VA (en) | 2019-04-29 |
US20240132078A1 (en) | 2024-04-25 |
US20210188290A1 (en) | 2021-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679557B (zh) | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 | |
CN110458233B (zh) | 混合粒度物体识别模型训练及识别方法、装置及存储介质 | |
WO2019056498A1 (zh) | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 | |
CN107784597B (zh) | 出行方式识别方法、装置、终端设备及存储介质 | |
CN106575377B (zh) | 共同特征上的分类器更新 | |
WO2019056470A1 (zh) | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 | |
CN105760888B (zh) | 一种基于属性聚类的邻域粗糙集集成学习方法 | |
CN111091175A (zh) | 神经网络模型训练方法、分类方法、装置和电子设备 | |
CN105303179A (zh) | 指纹识别方法、装置 | |
WO2020253039A1 (zh) | 路段特征模型训练方法、装置、计算机设备及存储介质 | |
WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及*** | |
CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及*** | |
CN113240155A (zh) | 预测碳排放量的方法、装置及终端 | |
CN114493191B (zh) | 一种基于网约车数据的驾驶行为建模分析方法 | |
CN108596664B (zh) | 一种电子车票的单边交易费用确定方法、***及装置 | |
CN111144462B (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN115730635A (zh) | 一种电动汽车负荷预测方法 | |
CN102178511A (zh) | 疾病预防提示***及其实现方法 | |
Tian et al. | Method for predicting the remaining mileage of electric vehicles based on dimension expansion and model fusion | |
CN111782955A (zh) | 兴趣点表示和推送方法、装置、电子设备及存储介质 | |
CN116520154A (zh) | 锂电池极片检测的性能评估方法及其*** | |
CN111325255A (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
Zhou et al. | An intelligent model validation method based on ECOC SVM | |
CN111489171B (zh) | 基于二维码的乘车行程匹配方法、装置、电子设备及介质 | |
CN113592901A (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1249623 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |