CN111376910B - 用户行为的识别方法、识别***及计算机设备 - Google Patents
用户行为的识别方法、识别***及计算机设备 Download PDFInfo
- Publication number
- CN111376910B CN111376910B CN201811635244.1A CN201811635244A CN111376910B CN 111376910 B CN111376910 B CN 111376910B CN 201811635244 A CN201811635244 A CN 201811635244A CN 111376910 B CN111376910 B CN 111376910B
- Authority
- CN
- China
- Prior art keywords
- driving data
- data
- target
- user behavior
- target terminal
- 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
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
- G06F18/24—Classification techniques
-
- 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
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本公开实施例提出了一种用户行为的识别方法、识别***、计算机设备及计算机可读存储介质,其中用户行为的识别方法包括:获取目标终端传感器检测到的目标终端的目标驾驶数据;通过用户行为识别模型分析目标驾驶数据,以识别目标终端对应的用户是否具有危险驾驶行为。通过用户行为识别模型分析目标终端的目标驾驶数据,进而推断出携带有该目标终端的用户的驾驶危险操作行为,如急减速、急转弯等,无需给用户配置额外设备,即可准确、及时地判断用户危险驾驶行为,保障用户和乘客的人身安全,有效提升服务质量。
Description
技术领域
本公开实施例涉及数据处理技术领域,具体而言,涉及一种用户行为的识别方法、识别***、计算机设备及计算机可读存储介质。
背景技术
用户的危险驾驶行为是引发交通事故的重要原因,因此为提高驾驶安全性,如何有效地推断出用户的危险驾驶行为成为待解决的问题。
相关技术中存在基于终端传感器分析特定的危险驾驶行为的方法,但这种方法存在以下几点问题:1.数据分析处理时效性不够。需要事后分析大量数据进行数据降噪和统计分析。2.异常场景下驾驶行为的错误判定。例如,部分终端配置的传感器不能返回高精度低延时的有效数据,导致***将人为摇动设备判定为急减速。3.数据量不足。由于终端传感器数据或多或少存在差异,会导致相同前规则在不同终端上触发的传感器数据存在多样性,仅仅利用在部分终端机型上采集的前置触发数据训练模型,往往会使得模型陷入欠拟合的困境,即在部分终端机型上能准确识别危险驾驶识别数据,但在部分终端上难以达到效果。
发明内容
本公开实施例旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本公开实施例的一个方面在于提出了一种用户行为的识别方法。
本公开实施例的另一个方面在于提出了一种用户行为的识别***。
本公开实施例的再一个方面在于提出了一种计算机设备。
本公开实施例的又一个方面在于提出了一种计算机可读存储介质。
有鉴于此,根据本公开实施例的一个方面,提出了一种用户行为的识别方法,该方法包括:获取目标终端传感器检测到的目标终端的目标驾驶数据;通过用户行为识别模型分析目标驾驶数据,以识别目标终端对应的用户是否具有危险驾驶行为。
本公开实施例提供的用户行为的识别方法,通过用户行为识别模型识别目标终端的目标驾驶数据,进而推断出携带有该目标终端的用户的驾驶危险操作行为,如急减速、急转弯等,无需给用户配置额外设备,即可准确、及时地判断用户危险驾驶行为,保障用户和乘客的人身安全,有效提升服务质量。
根据本公开实施例的上述用户行为的识别方法,还可以具有以下技术特征:
在上述技术方案中,优选地,还包括:构建特征学习模型,并由特征学习模型生成多个虚拟驾驶数据;根据虚拟驾驶数据,构建用户行为识别模型。
在该技术方案中,通过特征学习模型得到大量的虚拟驾驶数据,进而根据这些虚拟驾驶数据建立用户行为识别模型,通过大量虚拟驾驶数据建立出更加识别性更加精确、使用性更加广泛的用户行为识别模型,减小由于数据较少带来的建模局限性,使用户行为识别模型在更多的终端上进行应用。
在上述任一技术方案中,优选地,构建所述特征学习模型,并由特征学习模型生成多个虚拟驾驶数据的步骤,具体包括:在相同的运动行为条件下,获取由多个终端传感器分别检测的实验驾驶数据,并比较得出各个实验驾驶数据之间的差别特征;根据差别特征训练特征学习模型,并通过特征学习模型生成多个虚拟驾驶数据;其中,虚拟驾驶数据的数量大于实验驾驶数据的数量。
在该技术方案中,由于终端传感器数据或多或少存在差异,会导致相同前规则在不同终端上触发的传感器数据存在多样性,仅仅利用在部分终端机型上采集的实验驾驶数据训练模型,往往会使得模型陷入欠拟合的困境。因此本公开实施例获取多个终端的实验驾驶数据,通过分析实验数据之间的差别特征训练出特征学习模型,进而生成无限接近于真实驾驶数据的虚拟驾驶数据,通过对虚拟驾驶数据的学习,用户行为识别模型可以对终端数据的差异性进行自主学习,使得模型更加的鲁棒,能够在绝大多数终端上达到理想的效果。
在上述任一技术方案中,优选地,特征学习模型为GAN(Generative AdversarialNetworks,生成对抗网络)模型;根据差别特征训练特征学习模型,并通过特征学习模型生成多个虚拟驾驶数据的步骤,具体包括:由GAN模型的生成器产生随机变量;通过GAN模型的判别器判别随机变量是否与差别特征相同,以使GAN模型的生成器产生接近差别特征的随机变量;根据接近差别特征的随机变量得到虚拟驾驶数据。
在该技术方案中,GAN模型可以通过对于随机误差的引入生成无限接近于真实驾驶数据的虚拟驾驶数据,具体过程为通过生成器产生随机变量,由判断器判断这些随机数据与差别特征的区别大小,已告知生成器使生成器再次生成的随机数据更加接近于差别特征,最终得到大量的无限接近于差别特征的随机数据,进一步地得到大量的无限接近于真实驾驶数据的虚拟驾驶数据,进而实现提高模型的拟合性。
在上述任一技术方案中,优选地,在获取目标终端传感器检测到的目标终端的目标驾驶数据之后,还包括:对目标驾驶数据进行格式过滤以及加速度波动过滤。
在该技术方案中,对目标驾驶数据进行格式过滤以便于后续用户行为识别模型对数据的识别,避免出现格式错误。对目标驾驶数据进行加速度波动过滤,避免异常场景下驾驶行为的错误判定。例如,部分终端配置的传感器不能返回高精度低延时的有效数据,导致***将人为摇动设备判定为急减速。
在上述任一技术方案中,优选地,还包括:当识别目标终端对应的用户具有危险驾驶行为时,记录目标驾驶数据;向目标终端发送警报信息。
在该技术方案中,当识别出携带该目标终端的用户具有危险驾驶行为时,对目标驾驶数据和危险驾驶行为进行记录以便于在再次出现该行为时直接判断出危险性,同时发送报警信息以告知终端用户其已经发生危险驾驶行为。
在上述任一技术方案中,优选地,实验驾驶数据、虚拟驾驶数据、目标驾驶数据均至少包括:加速度数据、夹角数据、速度数据、持续时长数据。
在该技术方案中,实验驾驶数据、虚拟驾驶数据、目标驾驶数据均至少包括但不限于:加速度数据、夹角数据、速度数据、持续时长数据,根据实验驾驶数据、虚拟驾驶数据的上述数据建立出精确的用户行为识别模型,进而通过用户行为识别模型对目标驾驶数据的上述数据进行识别。
根据本公开实施例的另一个方面,提出了一种用户行为的识别***,该***包括:获取单元,用于获取目标终端传感器检测到的目标终端的目标驾驶数据;识别单元,用于通过所述用户行为识别模型分析目标驾驶数据,以识别目标终端对应的用户是否具有危险驾驶行为。
本公开实施例提供的用户行为的识别***,通过用户行为识别模型识别目标终端的目标驾驶数据,进而推断出携带有该目标终端的用户的驾驶危险操作行为,如急减速、急转弯等,无需给用户配置额外设备,即可准确、及时地判断用户危险驾驶行为,保障用户和乘客的人身安全,有效提升服务质量。
根据本公开实施例的上述用户行为的识别***,还可以具有以下技术特征:
在上述技术方案中,优选地,还包括:数据生成单元,用于构建特征学习模型,并由特征学习模型生成多个虚拟驾驶数据;训练单元,用于根据虚拟驾驶数据,构建用户行为识别模型。
在该技术方案中,通过特征学习模型得到大量的虚拟驾驶数据,进而根据这些虚拟驾驶数据建立用户行为识别模型,通过大量虚拟驾驶数据建立出更加识别性更加精确、使用性更加广泛的用户行为识别模型,减小由于数据较少带来的建模局限性,使用户行为识别模型在更多的终端上进行应用。
在上述任一技术方案中,优选地,数据生成单元,包括:比较单元,用于在相同的运动行为条件下,获取由多个终端传感器分别检测的实验驾驶数据,并比较得出各个实验驾驶数据之间的差别特征;以及数据生成单元,具体用于根据差别特征训练所述特征学习模型,并通过特征学习模型生成多个虚拟驾驶数据;其中,虚拟驾驶数据的数量大于实验驾驶数据的数量。
在该技术方案中,由于终端传感器数据或多或少存在差异,会导致相同前规则在不同终端上触发的传感器数据存在多样性,仅仅利用在部分终端机型上采集的实验驾驶数据训练模型,往往会使得模型陷入欠拟合的困境。因此本公开实施例获取多个终端的实验驾驶数据,通过分析实验数据之间的差别特征训练出特征学习模型,进而生成无限接近于真实触发数据的虚拟驾驶数据,通过对虚拟驾驶数据的学习,用户行为识别模型可以对终端数据的差异性进行自主学习,使得模型更加的鲁棒,能够在绝大多数终端上达到理想的效果。
在上述任一技术方案中,优选地,特征学习模型为生成对抗网络GAN模型;数据生成单元,具体用于由GAN模型的生成器产生随机变量;通过GAN模型的判别器判别随机变量是否与差别特征相同,以使GAN模型的生成器产生接近差别特征的随机变量;根据接近差别特征的随机变量得到虚拟驾驶数据。
在该技术方案中,GAN模型可以通过对于随机误差的引入生成无限接近于真实驾驶数据的虚拟驾驶数据,具体过程为通过生成器产生随机变量,由判断器判断这些随机数据与差别特征的区别大小,已告知生成器使生成器再次生成的随机数据更加接近于差别特征,最终得到大量的无限接近于差别特征的随机数据,进一步地得到大量的无限接近于真实驾驶数据的虚拟驾驶数据,进而实现提高模型的拟合性。
在上述任一技术方案中,优选地,还包括:数据过滤单元,用于在获取目标终端传感器检测到的目标终端的目标驾驶数据之后,对目标驾驶数据进行格式过滤以及加速度波动过滤。
在该技术方案中,对目标驾驶数据进行格式过滤以便于后续用户行为识别模型对数据的识别,避免出现格式错误。对目标驾驶数据进行加速度波动过滤,避免异常场景下驾驶行为的错误判定。例如,部分终端配置的传感器不能返回高精度低延时的有效数据,导致***将人为摇动设备判定为急减速。
在上述任一技术方案中,优选地,还包括:记录单元,用于当识别目标终端对应的用户具有危险驾驶行为时,记录目标驾驶数据;发送单元,用于向目标终端发送警报信息。
在该技术方案中,当识别出携带该目标终端的用户具有危险驾驶行为时,对目标驾驶数据和危险驾驶行为进行记录以便于在再次出现该行为时直接判断出危险性,同时发送报警信息以告知终端用户其已经发生危险驾驶行为。
在上述任一技术方案中,优选地,实验驾驶数据、虚拟驾驶数据、目标驾驶数据均至少包括:加速度数据、夹角数据、速度数据、持续时长数据。
在该技术方案中,实验驾驶数据、虚拟驾驶数据、目标驾驶数据均至少包括但不限于:加速度数据、夹角数据、速度数据、持续时长数据,根据实验驾驶数据、虚拟驾驶数据的上述数据建立出精确的用户行为识别模型,进而通过用户行为识别模型对目标驾驶数据的上述数据进行识别。
根据本公开实施例的再一个方面,提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述任一项的用户行为的识别方法的步骤。
本公开实施例提供的计算机设备,处理器执行计算机程序时实现如上述任一项的用户行为的识别方法的全部有益效果。
根据本公开实施例的又一个方面,提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一项的用户行为的识别方法的步骤。
本公开实施例提供的计算机可读存储介质,计算机程序被处理器执行时实现如上述任一项的用户行为的识别方法的全部有益效果。
本公开实施例的附加方面和优点将在下面的描述部分中变得明显,或通过本公开实施例的实践了解到。
附图说明
本公开实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本公开实施例的一个实施例的用户行为的识别方法的流程示意图;
图2示出了本公开实施例的另一个实施例的用户行为的识别方法的流程示意图;
图3示出了本公开实施例的再一个实施例的用户行为的识别方法的流程示意图;
图4示出了本公开实施例的一个实施例的GAN模型原理示意图;
图5示出了本公开实施例的又一个实施例的用户行为的识别方法的流程示意图;
图6示出了本公开实施例的一个具体实施例的用户行为的识别方法的示意图;
图7示出了本公开实施例的一个实施例的用户行为的识别***的示意框图;
图8示出了本公开实施例的另一个实施例的用户行为的识别***的示意框图;
图9示出了本公开实施例的再一个实施例的用户行为的识别***的示意框图;
图10示出了本公开实施例的又一个实施例的用户行为的识别***的示意框图;
图11示出了本公开实施例的一个实施例的计算机设备的示意框图。
具体实施方式
为了能够更清楚地理解本公开实施例的上述目的、特征和优点,下面结合附图和具体实施方式对本公开实施例进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开实施例,但是,本公开实施例还可以采用其他不同于在此描述的其他方式来实施,因此,本公开实施例的保护范围并不限于下面公开的具体实施例的限制。
本公开实施例第一方面的实施例,提出一种用户行为的识别方法,图1示出了本公开实施例的一个实施例的用户行为的识别方法的流程示意图。其中,该方法包括:
步骤102,获取目标终端传感器检测到的目标终端的目标驾驶数据;
步骤104,通过用户行为识别模型分析目标驾驶数据,以识别目标终端对应的用户是否具有危险驾驶行为。
本公开实施例提供的用户行为的识别方法,通过用户行为识别模型识别目标终端的目标驾驶数据,进而推断出携带有该目标终端的用户的驾驶危险操作行为,如急减速、急转弯等,无需给用户配置额外设备,即可准确、及时地判断用户危险驾驶行为,保障用户和乘客的人身安全,有效提升服务质量。
图2示出了本公开实施例的另一个实施例的用户行为的识别方法的流程示意图。其中,该方法包括:
步骤202,构建特征学习模型,并由特征学习模型生成多个虚拟驾驶数据;
步骤204,根据虚拟驾驶数据,构建用户行为识别模型;
步骤206,获取目标终端传感器检测到的目标终端的目标驾驶数据;
步骤208,通过用户行为识别模型分析目标驾驶数据,以识别目标终端对应的用户是否具有危险驾驶行为。
在该实施例中,通过特征学习模型得到大量的虚拟驾驶数据,进而根据这些虚拟驾驶数据建立用户行为识别模型,通过大量虚拟驾驶数据建立出更加识别性更加精确、使用性更加广泛的用户行为识别模型,减小由于数据较少带来的建模局限性,使用户行为识别模型在更多的终端上进行应用。
图3示出了本公开实施例的再一个实施例的用户行为的识别方法的流程示意图。其中,该方法包括:
步骤302,在相同的运动行为条件下,获取由多个终端传感器分别检测的实验驾驶数据,并比较得出各个实验驾驶数据之间的差别特征;
步骤304,根据差别特征训练特征学习模型,并通过特征学习模型生成多个虚拟驾驶数据;其中,虚拟驾驶数据的数量大于实验驾驶数据的数量;
步骤306,根据虚拟驾驶数据,构建用户行为识别模型;
步骤308,获取目标终端传感器检测到的目标终端的目标驾驶数据;
步骤310,通过用户行为识别模型分析目标驾驶数据,以识别目标终端对应的用户是否具有危险驾驶行为。
在该实施例中,由于终端传感器数据或多或少存在差异,会导致相同前规则在不同终端上触发的传感器数据存在多样性,仅仅利用在部分终端机型上采集的实验驾驶数据训练模型,往往会使得模型陷入欠拟合的困境。因此本公开实施例获取多个终端的实验驾驶数据,通过分析实验数据之间的差别特征训练出特征学习模型,进而生成无限接近于真实驾驶数据的虚拟驾驶数据,通过对虚拟驾驶数据的学习,用户行为识别模型可以对终端数据的差异性进行自主学习,使得模型更加的鲁棒,能够在绝大多数终端上达到理想的效果。
在本公开实施例的一个实施例中,优选地,特征学习模型为GAN模型;根据差别特征训练特征学习模型,并通过特征学习模型生成多个虚拟驾驶数据的步骤,具体包括:由GAN模型的生成器产生随机变量;通过GAN模型的判别器判别随机变量是否与差别特征相同,以使GAN模型的生成器产生接近差别特征的随机变量;根据接近差别特征的随机变量得到虚拟驾驶数据。
在该实施例中,GAN模型可以通过对于随机误差的引入生成无限接近于真实驾驶数据的虚拟驾驶数据,具体过程如图4所示,通过生成器产生随机变量,由判断器判断这些随机数据与差别特征的区别大小,已告知生成器使生成器再次生成的随机数据更加接近于差别特征,最终得到大量的无限接近于差别特征的随机数据,进一步地得到大量的无限接近于真实驾驶数据的虚拟驾驶数据,进而实现提高模型的拟合性。
图5示出了本公开实施例的又一个实施例的用户行为的识别方法的流程示意图。其中,该方法包括:
步骤502,在相同的运动行为条件下,获取由多个终端传感器分别检测的实验驾驶数据,并比较得出各个实验驾驶数据之间的差别特征;
步骤504,由GAN模型的生成器产生随机变量;通过GAN模型的判别器判别随机变量是否与差别特征相同,以使GAN模型的生成器产生接近差别特征的随机变量;根据接近差别特征的随机变量得到虚拟驾驶数据;其中,虚拟驾驶数据的数量大于实验驾驶数据的数量;
步骤506,根据虚拟驾驶数据,构建用户行为识别模型;
步骤508,获取目标终端传感器检测到的目标终端的目标驾驶数据;
步骤510,对目标驾驶数据进行格式过滤以及加速度波动过滤;
步骤512,通过用户行为识别模型分析目标驾驶数据,以识别目标终端对应的用户是否具有危险驾驶行为;
步骤514,当识别目标终端对应的用户具有危险驾驶行为时,记录目标驾驶数据;向目标终端发送警报信息。
在该实施例中,在获取目标终端传感器检测到的目标终端的目标驾驶数据之后,对目标驾驶数据进行格式过滤以便于后续用户行为识别模型对数据的识别,避免出现格式错误。对目标驾驶数据进行加速度波动过滤,避免异常场景下驾驶行为的错误判定。例如,部分终端配置的传感器不能返回高精度低延时的有效数据,导致***将人为摇动设备判定为急减速。
当识别出携带该目标终端的用户具有危险驾驶行为时,对目标驾驶数据和危险驾驶行为进行记录以便于在再次出现该行为时直接判断出危险性,同时发送报警信息以告知终端用户其已经发生危险驾驶行为。
在本公开实施例的一个实施例中,优选地,实验驾驶数据、虚拟驾驶数据、目标驾驶数据均至少包括:加速度数据、夹角数据、速度数据、持续时长数据。
在该实施例中,实验驾驶数据、虚拟驾驶数据、目标驾驶数据均至少包括但不限于:加速度数据、夹角数据、速度数据、持续时长数据,根据实验驾驶数据、虚拟驾驶数据的上述数据建立出精确的用户行为识别模型,进而通过用户行为识别模型对目标驾驶数据的上述数据进行识别。
图6示出了本公开实施例的一个具体实施例的用户行为的识别方法的示意图。其中,该方法包括:采集移动设备的驾驶数据,对驾驶数据依次进行格式过滤、加速度波动过滤、通过摇晃二分类模型过滤的过程,再经由中转服务器、决策服务器至基于GAN模型的用户行为识别模型进行行为识别,若识别为危险驾驶行为则记录该驾驶数据,并向移动设备发送警报信息。
本公开实施例第二方面的实施例,提出一种用户行为的识别***,图7示出了本公开实施例的一个实施例的用户行为的识别***700的示意框图。其中,该***700包括:
获取单元702,用于获取目标终端传感器检测到的目标终端的目标驾驶数据;识别单元704,用于通过所述用户行为识别模型分析目标驾驶数据,以识别目标终端对应的用户是否具有危险驾驶行为。
本公开实施例提供的用户行为的识别***700,通过用户行为识别模型识别目标终端的目标驾驶数据,进而推断出携带有该目标终端的用户的驾驶危险操作行为,如急减速、急转弯等,无需给用户配置额外设备,即可准确、及时地判断用户危险驾驶行为,保障用户和乘客的人身安全,有效提升服务质量。
图8示出了本公开实施例的另一个实施例的用户行为的识别***800的示意框图。其中,该***800包括:
数据生成单元802,用于构建特征学习模型,并由特征学习模型生成多个虚拟驾驶数据;训练单元804,用于根据虚拟驾驶数据,构建用户行为识别模型;获取单元806,用于获取目标终端传感器检测到的目标终端的目标驾驶数据;识别单元808,用于通过用户行为识别模型分析目标驾驶数据,以识别目标终端对应的用户是否具有危险驾驶行为。
在该实施例中,通过特征学习模型得到大量的虚拟驾驶数据,进而根据这些虚拟驾驶数据建立用户行为识别模型,通过大量虚拟驾驶数据建立出更加识别性更加精确、使用性更加广泛的用户行为识别模型,减小由于数据较少带来的建模局限性,使用户行为识别模型在更多的终端上进行应用。
图9示出了本公开实施例的再一个实施例的用户行为的识别***900的示意框图。其中,该***900包括:
数据生成单元902,包括:比较单元922,用于在相同的运动行为条件下,获取由多个终端传感器分别检测的实验驾驶数据,并比较得出各个实验驾驶数据之间的差别特征;其中,特征学习模型为生成对抗网络GAN模型;
数据生成单元902,具体用于由GAN模型的生成器产生随机变量;通过GAN模型的判别器判别随机变量是否与差别特征相同,以使GAN模型的生成器产生接近差别特征的随机变量;根据接近差别特征的随机变量得到虚拟驾驶数据;其中,虚拟驾驶数据的数量大于实验驾驶数据的数量;
训练单元904,用于根据虚拟驾驶数据,构建用户行为识别模型;
获取单元906,用于获取目标终端传感器检测到的目标终端的目标驾驶数据;
识别单元908,用于通过用户行为识别模型分析目标驾驶数据,以识别目标终端对应的用户是否具有危险驾驶行为。
在该实施例中,由于终端传感器数据或多或少存在差异,会导致相同前规则在不同终端上触发的传感器数据存在多样性,仅仅利用在部分终端机型上采集的实验驾驶数据训练模型,往往会使得模型陷入欠拟合的困境。因此本公开实施例获取多个终端的实验驾驶数据,通过分析实验数据之间的差别特征训练出特征学习模型,进而生成无限接近于真实触发数据的虚拟驾驶数据,通过对虚拟驾驶数据的学习,用户行为识别模型可以对终端数据的差异性进行自主学习,使得模型更加的鲁棒,能够在绝大多数终端上达到理想的效果。
GAN模型可以通过对于随机误差的引入生成无限接近于真实驾驶数据的虚拟驾驶数据,具体过程为通过生成器产生随机变量,由判断器判断这些随机数据与差别特征的区别大小,已告知生成器使生成器再次生成的随机数据更加接近于差别特征,最终得到大量的无限接近于差别特征的随机数据,进一步地得到大量的无限接近于真实驾驶数据的虚拟驾驶数据,进而实现提高模型的拟合性。
图10示出了本公开实施例的又一个实施例的用户行为的识别***100的示意框图。其中,该***100包括:
数据生成单元102,包括:比较单元1022,用于在相同的运动行为条件下,获取由多个终端传感器分别检测的实验驾驶数据,并比较得出各个实验驾驶数据之间的差别特征;其中,特征学习模型为生成对抗网络GAN模型;
数据生成单元102,具体用于由GAN模型的生成器产生随机变量;通过GAN模型的判别器判别随机变量是否与差别特征相同,以使GAN模型的生成器产生接近差别特征的随机变量;根据接近差别特征的随机变量得到虚拟驾驶数据;其中,虚拟驾驶数据的数量大于实验驾驶数据的数量;
训练单元104,用于根据虚拟驾驶数据,构建用户行为识别模型;
获取单元106,用于获取目标终端传感器检测到的目标终端的目标驾驶数据;
数据过滤单元108,用于在获取目标终端传感器检测到的目标终端的目标驾驶数据之后,对目标驾驶数据进行格式过滤以及加速度波动过滤;
识别单元110,用于通过用户行为识别模型分析目标驾驶数据,以识别目标终端对应的用户是否具有危险驾驶行为;
记录单元112,用于当识别目标终端对应的用户具有危险驾驶行为时,记录目标驾驶数据;
发送单元114,用于向目标终端发送警报信息。
在该实施例中,对目标驾驶数据进行格式过滤以便于后续用户行为识别模型对数据的识别,避免出现格式错误。对目标驾驶数据进行加速度波动过滤,避免异常场景下驾驶行为的错误判定。例如,部分终端配置的传感器不能返回高精度低延时的有效数据,导致***将人为摇动设备判定为急减速。
当识别出携带该目标终端的用户具有危险驾驶行为时,对目标驾驶数据和危险驾驶行为进行记录以便于在再次出现该行为时直接判断出危险性,同时发送报警信息以告知终端用户其已经发生危险驾驶行为。
在本公开实施例的一个实施例中,优选地,实验驾驶数据、虚拟驾驶数据、目标驾驶数据均至少包括:加速度数据、夹角数据、速度数据、持续时长数据。
在该实施例中,实验驾驶数据、虚拟驾驶数据、目标驾驶数据均至少包括但不限于:加速度数据、夹角数据、速度数据、持续时长数据,根据实验驾驶数据、虚拟驾驶数据的上述数据建立出精确的用户行为识别模型,进而通过用户行为识别模型对目标驾驶数据的上述数据进行识别。
本公开实施例第三方面的实施例,提出一种计算机设备,图11示出了本公开实施例的一个实施例的计算机设备120的示意框图。其中,该计算机设备120包括:
存储器122、处理器124及存储在存储器122上并可在处理器124上运行的计算机程序,处理器124执行计算机程序时实现如上述任一项的用户行为的识别方法的步骤。
本公开实施例提供的计算机设备120,处理器124执行计算机程序时实现如上述任一项的用户行为的识别方法的全部有益效果。
本公开实施例第四方面的实施例,提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一项的用户行为的识别方法的步骤。
本公开实施例提供的计算机可读存储介质,计算机程序被处理器执行时实现如上述任一项的用户行为的识别方法的全部有益效果。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本公开实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开实施例的优选实施例而已,并不用于限制本公开实施例,对于本领域的技术人员来说,本公开实施例可以有各种更改和变化。凡在本公开实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开实施例的保护范围之内。
Claims (14)
1.一种用户行为的识别方法,其特征在于,所述方法包括:
基于差别特征,构建特征学习模型,并由所述特征学习模型生成多个虚拟驾驶数据,其中,所述差别特征为在相同的运动行为条件下,获取由多个终端上设置的传感器分别检测的实验驾驶数据,并比较得出各个所述实验驾驶数据之间的差别特征;
根据所述虚拟驾驶数据,构建所述用户行为识别模型;
获取目标终端传感器检测到的所述目标终端的目标驾驶数据;
通过用户行为识别模型分析所述目标驾驶数据,以识别所述目标终端对应的用户是否具有危险驾驶行为。
2.根据权利要求1所述的用户行为的识别方法,其特征在于,
所述虚拟驾驶数据的数量大于所述实验驾驶数据的数量。
3.根据权利要求2所述的用户行为的识别方法,其特征在于,所述特征学习模型为生成对抗网络GAN模型;
根据所述差别特征训练所述特征学习模型,并通过所述特征学习模型生成多个所述虚拟驾驶数据的步骤,具体包括:
由所述GAN模型的生成器产生随机变量;
通过所述GAN模型的判别器判别所述随机变量是否与所述差别特征相同,以使所述GAN模型的生成器产生接近所述差别特征的随机变量;
根据所述接近所述差别特征的随机变量得到所述虚拟驾驶数据。
4.根据权利要求1至3中任一项所述的用户行为的识别方法,其特征在于,在获取所述目标终端传感器检测到的所述目标终端的目标驾驶数据之后,还包括:
对所述目标驾驶数据进行格式过滤以及加速度波动过滤。
5.根据权利要求1至3中任一项所述的用户行为的识别方法,其特征在于,还包括:
当识别所述目标终端对应的用户具有所述危险驾驶行为时,记录所述目标驾驶数据;
向所述目标终端发送警报信息。
6.根据权利要求2所述的用户行为的识别方法,其特征在于,所述实验驾驶数据、所述虚拟驾驶数据、所述目标驾驶数据均至少包括:加速度数据、夹角数据、速度数据、持续时长数据。
7.一种用户行为的识别***,其特征在于,所述***包括:
数据生成单元,用于基于相同的运动行为条件下由多个终端传感器分别检测的实验驾驶数据之间的差别特征,构建特征学习模型,并由所述特征学习模型生成多个虚拟驾驶数据;
训练单元,用于根据所述虚拟驾驶数据,构建所述用户行为识别模型;
获取单元,用于获取目标终端传感器检测到的所述目标终端的目标驾驶数据;
识别单元,用于通过用户行为识别模型分析所述目标驾驶数据,以识别所述目标终端对应的用户是否具有危险驾驶行为;
所述数据生成单元,包括:
比较单元,用于在相同的运动行为条件下,获取由多个终端传感器分别检测的实验驾驶数据,并比较得出各个所述实验驾驶数据之间的差别特征。
8.根据权利要求7所述的用户行为的识别***,其特征在于,
所述虚拟驾驶数据的数量大于所述实验驾驶数据的数量。
9.根据权利要求8所述的用户行为的识别***,其特征在于,所述特征学习模型为生成对抗网络GAN模型;
所述数据生成单元,具体用于由所述GAN模型的生成器产生随机变量;通过所述GAN模型的判别器判别所述随机变量是否与所述差别特征相同,以使所述GAN模型的生成器产生接近所述差别特征的随机变量;根据所述接近所述差别特征的随机变量得到所述虚拟驾驶数据。
10.根据权利要求7至9中任一项所述的用户行为的识别***,其特征在于,还包括:
数据过滤单元,用于在获取所述目标终端传感器检测到的所述目标终端的目标驾驶数据之后,对所述目标驾驶数据进行格式过滤以及加速度波动过滤。
11.根据权利要求7至9中任一项所述的用户行为的识别***,其特征在于,还包括:
记录单元,用于当识别所述目标终端对应的用户具有所述危险驾驶行为时,记录所述目标驾驶数据;
发送单元,用于向所述目标终端发送警报信息。
12.根据权利要求8所述的用户行为的识别***,其特征在于,所述实验驾驶数据、所述虚拟驾驶数据、所述目标驾驶数据均至少包括:加速度数据、夹角数据、速度数据、持续时长数据。
13.一种计算机设备,包括存储器、处理器及存储在所述存储器上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6中任一项所述的用户行为的识别方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,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6中任一项所述的用户行为的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811635244.1A CN111376910B (zh) | 2018-12-29 | 2018-12-29 | 用户行为的识别方法、识别***及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811635244.1A CN111376910B (zh) | 2018-12-29 | 2018-12-29 | 用户行为的识别方法、识别***及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111376910A CN111376910A (zh) | 2020-07-07 |
CN111376910B true CN111376910B (zh) | 2022-04-15 |
Family
ID=71212998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811635244.1A Active CN111376910B (zh) | 2018-12-29 | 2018-12-29 | 用户行为的识别方法、识别***及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111376910B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1498717A2 (de) * | 2003-07-15 | 2005-01-19 | Universität Stuttgart | Verfahren und Vorrichtung zur Ermittlung des Seitenwindverhaltens eines Fahrzeugs |
CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及*** |
CN106934876A (zh) * | 2017-03-16 | 2017-07-07 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及*** |
CN108108766A (zh) * | 2017-12-28 | 2018-06-01 | 东南大学 | 基于多传感器数据融合的驾驶行为识别方法及*** |
CN108230426A (zh) * | 2018-02-07 | 2018-06-29 | 深圳市唯特视科技有限公司 | 一种基于眼睛注视数据和图像数据集的图像生成方法 |
CN108267172A (zh) * | 2018-01-25 | 2018-07-10 | 神华宁夏煤业集团有限责任公司 | 矿用智能机器人巡检*** |
CN109063724A (zh) * | 2018-06-12 | 2018-12-21 | 中国科学院深圳先进技术研究院 | 一种增强型生成式对抗网络以及目标样本识别方法 |
CN109086668A (zh) * | 2018-07-02 | 2018-12-25 | 电子科技大学 | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 |
CN109102014A (zh) * | 2018-08-01 | 2018-12-28 | 中国海洋大学 | 基于深度卷积神经网络的类别不平衡的图像分类方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6577960B1 (en) * | 2000-07-13 | 2003-06-10 | Simmonds Precision Products, Inc. | Liquid gauging apparatus using a time delay neural network |
IE20030437A1 (en) * | 2003-06-11 | 2004-12-15 | Scient Systems Res Ltd | A method for process control of semiconductor manufacturing equipment |
JP2011170856A (ja) * | 2010-02-22 | 2011-09-01 | Ailive Inc | 複数の検出ストリームを用いたモーション認識用システム及び方法 |
CN102982336B (zh) * | 2011-09-02 | 2015-11-25 | 株式会社理光 | 识别模型生成方法和*** |
JP2013205171A (ja) * | 2012-03-28 | 2013-10-07 | Sony Corp | 情報処理装置、情報処理方法、およびプログラム |
CN105551182A (zh) * | 2015-11-26 | 2016-05-04 | 吉林大学 | 基于Kinect人体姿势识别的驾驶状态监测*** |
US10474880B2 (en) * | 2017-03-15 | 2019-11-12 | Nec Corporation | Face recognition using larger pose face frontalization |
US10489992B2 (en) * | 2017-05-08 | 2019-11-26 | Lear Corporation | Vehicle communication network |
CN107194987B (zh) * | 2017-05-12 | 2021-12-10 | 西安蒜泥电子科技有限责任公司 | 对人体测量数据进行预测的方法 |
CN107607182B (zh) * | 2017-08-04 | 2019-12-13 | 广西大学 | 一种卡车称重***以及称重方法 |
CN108345869B (zh) * | 2018-03-09 | 2022-04-08 | 南京理工大学 | 基于深度图像和虚拟数据的驾驶人姿态识别方法 |
CN108710831B (zh) * | 2018-04-24 | 2021-09-21 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN109002686B (zh) * | 2018-04-26 | 2022-04-08 | 浙江工业大学 | 一种自动生成样本的多牌号化工过程软测量建模方法 |
CN108763857A (zh) * | 2018-05-29 | 2018-11-06 | 浙江工业大学 | 一种基于相似度生成对抗网络的过程软测量建模方法 |
-
2018
- 2018-12-29 CN CN201811635244.1A patent/CN111376910B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1498717A2 (de) * | 2003-07-15 | 2005-01-19 | Universität Stuttgart | Verfahren und Vorrichtung zur Ermittlung des Seitenwindverhaltens eines Fahrzeugs |
CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及*** |
CN106934876A (zh) * | 2017-03-16 | 2017-07-07 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及*** |
CN108108766A (zh) * | 2017-12-28 | 2018-06-01 | 东南大学 | 基于多传感器数据融合的驾驶行为识别方法及*** |
CN108267172A (zh) * | 2018-01-25 | 2018-07-10 | 神华宁夏煤业集团有限责任公司 | 矿用智能机器人巡检*** |
CN108230426A (zh) * | 2018-02-07 | 2018-06-29 | 深圳市唯特视科技有限公司 | 一种基于眼睛注视数据和图像数据集的图像生成方法 |
CN109063724A (zh) * | 2018-06-12 | 2018-12-21 | 中国科学院深圳先进技术研究院 | 一种增强型生成式对抗网络以及目标样本识别方法 |
CN109086668A (zh) * | 2018-07-02 | 2018-12-25 | 电子科技大学 | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 |
CN109102014A (zh) * | 2018-08-01 | 2018-12-28 | 中国海洋大学 | 基于深度卷积神经网络的类别不平衡的图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111376910A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111857356B (zh) | 识别交互手势的方法、装置、设备和存储介质 | |
CN107154950B (zh) | 一种日志流异常检测的方法及*** | |
JP6823501B2 (ja) | 異常検知装置、異常検知方法及びプログラム | |
CN109889512B (zh) | 一种充电桩can报文的异常检测方法及装置 | |
CN111414813A (zh) | 一种危险驾驶行为的识别方法、装置、设备及存储介质 | |
CN109600336A (zh) | 存储设备、验证码应用方法和装置 | |
CN108241580B (zh) | 客户端程序的测试方法及终端 | |
CN110458126B (zh) | 一种受电弓状态监测方法及装置 | |
CN107682317B (zh) | 建立数据检测模型的方法、数据检测方法及设备 | |
CN109426700B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN110943974B (zh) | 一种DDoS异常检测方法及云平台主机 | |
CN110808995B (zh) | 安全防护方法和装置 | |
CN116302809A (zh) | 边缘端数据分析计算装置 | |
CN111376910B (zh) | 用户行为的识别方法、识别***及计算机设备 | |
CN109740335A (zh) | 验证码操作轨迹的分类方法及装置 | |
CN113222736A (zh) | 一种异常用户的检测方法、装置、电子设备及存储介质 | |
CN112073396A (zh) | 一种内网横向移动攻击行为的检测方法及装置 | |
CN111478922A (zh) | 一种隐蔽信道通信检测方法、装置及设备 | |
CN115189961B (zh) | 一种故障识别方法、装置、设备及存储介质 | |
KR101383069B1 (ko) | 네트워크 이상상태 탐지 장치 및 방법 | |
CN116170227A (zh) | 一种流量异常的检测方法、装置、电子设备及存储介质 | |
CN116055092A (zh) | 一种隐蔽隧道攻击行为检测方法和装置 | |
CN116112209A (zh) | 漏洞攻击流量检测方法及装置 | |
CN113361455B (zh) | 人脸鉴伪模型的训练方法、相关装置及计算机程序产品 | |
CN112929458B (zh) | App应用的服务端地址确定方法、装置以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |