CN111666971A - 基于位置定位的事件识别方法、装置、设备及存储介质 - Google Patents
基于位置定位的事件识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111666971A CN111666971A CN202010345878.4A CN202010345878A CN111666971A CN 111666971 A CN111666971 A CN 111666971A CN 202010345878 A CN202010345878 A CN 202010345878A CN 111666971 A CN111666971 A CN 111666971A
- Authority
- CN
- China
- Prior art keywords
- event
- grid
- map
- identified
- historical
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Multimedia (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及人工智能技术,属于安全防护领域,公开了一种基于位置定位的事件识别方法、装置、设备及存储介质,所述方法包括:获取预设地图和待识别事件的事件信息,所述事件信息包括位置信息,所述预设地图包括多个地图网格;基于所述预设地图,根据所述位置信息确定所述待识别事件所处的目标地图网格,并获取所述目标地图网格对应的识别模型;利用所述识别模型对所述待识别事件进行事件识别,以输出所述待识别事件对应的异常得分;若所述异常得分高于预设阈值,则确定所述待识别事件为异常事件,提高异常事件识别的准确率和效率。
Description
技术领域
本申请涉及异常识别领域,尤其涉及一种基于位置定位的事件识别方法、装置、设备及存储介质。
背景技术
目前,对于异常事件的识别大多是利用人工核验,也即人为的按照经验判断去进行异常事件的识别,但依靠人工依靠历史经验进行异常事件的识别,受到排查条件和人为主观因素的影响,不仅识别效率低并且识别的准确性也不高。
因此,如何提高异常事件识别的准确率和效率成为亟待解决的问题。
发明内容
本申请提供了一种基于位置定位的事件识别方法、装置、设备及存储介质,以提高异常事件识别的准确率和效率。
第一方面,本申请提供了一种基于位置定位的事件识别方法,所述方法包括:
获取预设地图和待识别事件的事件信息,所述事件信息包括位置信息,所述预设地图包括多个地图网格;
基于所述预设地图,根据所述位置信息确定所述待识别事件所处的目标地图网格,并获取所述目标地图网格对应的识别模型;
利用所述识别模型对所述待识别事件进行事件识别,以输出所述待识别事件对应的异常得分;
若所述异常得分高于预设阈值,则确定所述待识别事件为异常事件。
第二方面,本申请还提供了一种基于位置定位的事件识别装置,所述装置包括:
信息获取模块,用于获取预设地图和待识别事件的事件信息,所述事件信息包括位置信息,所述预设地图包括多个地图网格;
网格确定模块,用于基于所述预设地图,根据所述位置信息确定所述待识别事件所处的目标地图网格,并获取所述目标地图网格对应的识别模型;
异常识别模块,用于利用所述识别模型对所述待识别事件进行事件识别,以输出所述待识别事件对应的异常得分;
异常确定模块,用于若所述异常得分高于预设阈值,则确定所述待识别事件为异常事件。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器;所述存储器用于存储计算机程序;所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的基于位置定位的事件识别方法。
第四方面,本申请还提供了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,所述计算机程序被处理器执行时使所述处理器实现如上述的基于位置定位的事件识别方法。
本申请公开了一种基于位置定位的事件识别方法、装置、设备及存储介质,通过获取预设地图和待识别事件的事件信息,所述事件信息包括位置信息,然后根据所述位置信息确定所述待识别事件所处的目标地图网格,并获取所述目标地图网格对应的识别模型,随后利用所述识别模型对所述待识别事件进行事件识别,以输出所述待识别事件对应的异常得分,最终若所述异常得分高于预设阈值,则确定所述待识别事件为异常事件。由于同一网格内的大部分正常事件都具有共同的特征,因此对事件按照网格纬度划分,并基于每个网格的识别模型对位于该网格内的待识别事件进行异常识别,提高对事件进行异常识别的准确率和识别效率。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1是本申请实施例提供的一种识别模型的训练方法的示意流程图;
图2是图1中提供的识别模型的训练方法的子步骤示意流程图;
图3是本申请实施例提供的一种网格模型的训练方法的示意流程图;
图4是本申请实施例提供的一种基于位置定位的事件识别方法的示意流程图;
图5是本申请实施例提供的另一种基于位置定位的事件识别方法的示意流程图;
图6是本申请的实施例提供一种识别模型的训练装置的示意性框图;
图7是本申请的实施例提供一种网格模型的训练装置的示意性框图;
图8是本申请的实施例提供一种基于位置定位的事件识别装置的示意性框图;
图9为本申请一实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请的实施例提供了一种基于位置定位的事件识别方法、装置、计算机设备及存储介质。基于位置定位的事件识别方法可用于进行异常事件的识别。在具体实施过程中,该基于位置定位的事件识别方法可应用于交通管理、车辆停放管理、保险赔付等等。
在本实施例中,为了便于描述,以保险赔付中的车险保险欺诈事件为例进行详细说明。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1是本申请实施例提供的一种识别模型的训练方法的示意流程图。该识别模型的训练方法通过对发生在地图网格中的历史事件进行训练,从而提高识别模型对发生在该地图网格中的异常事件的识别准确率。
如图1所示,该识别模型的训练方法,具体包括:步骤S101和步骤S102。
S101、分别获取每个地图网格中的历史事件信息。
具体地,所述历史事件信息包括历史事件特征和特征值。对于地图中的多个地图网格而言,分别获取每个地图网格中的历史事件信息。其中,历史事件特征例如包括该网格内发生过的历史事故的事故发生时间、事故原因和是否有交通事故认定书等,而对应的特征值则为该特征的实际值。
S102、利用每个所述地图网格中的所述历史事件特征和特征值训练孤立森林模型,并将训练得到的所述孤立森林模型作为每个所述地图网格对应的识别模型。
具体地,本方案利用人工智能技术,对于每一个地图网格,分别利用该地图网格中的历史事件特征和特征值训练孤立森林模型,孤立森林模型的训练过程可以如下所示:
1)从训练集中随机选择(有放回和无放回)n个样本点(其中,特征的维度为d)构成m个子集Ωi,i∈1,2,,…,m,并在m个子集上构建孤立树;
2)从n个样本点的d个特征中随机选择一个特征q及其分割值p进行二***;
3)递归2)构建孤立树,直到孤立树达到限制高度或者每个叶子节点中只有一个点;
4)m个孤立树建好,根据m个孤立树的平均高度来定义其异常的概率;
a)统计每棵树的平均路径长度:
c(n)=2H(n-1)-(2(n-1)/n)
b)定义异常的概率为:
其中,h(x)是从孤立树的根节点到叶子节点所经过的边的数量,也即路径长度。c(n)是h(x)在给定样本数n时,路径长度的平均值,用来标准化样本x的路径长度h(x)。H(k)为调和数,可以通过公式H(k)=ln(k)+ζ来估计,ξ是欧拉常数,其值为0.5772156649,k为从根节点到叶子节点的路径长度。E(h(x))为样本x在一批孤立树中的路径长度的期望。
当E(h(x))→c(n)时,s→0.5,即样本x的路径平均长度与孤立树的平均路径长度相近时,则不能区分是不是异常。
当E(h(x))→0时,s→1,即样本x的异常分数接近1时,被判定为异常。
当E(h(x))→(n-1)时,s→0,被判定为正常。
在一些实施例中,请参考图2,步骤S102具体包括步骤S1021至步骤S1023。
S1021、利用随机森林算法对所述历史事件特征和特征值进行训练,得到所述历史事件特征的重要性;S1022、对所述历史事件特征的重要性进行排序,以根据排序结果调整所述历史事件特征对应的权重;S1023、根据所述历史事件特征、特征值和所述历史事件特征对应的权重训练孤立森林模型。
具体地,由于孤立森林算法在面对特征数量多的场景时,鲁棒性很差,很可能导致重要特征被使用的频率低于一些不重要的特征,导致结果不够准确。因此,首先利用随机森林算法对历史事件特征和对应的特征值进行训练,得到全部特征的特征重要性。根据孤立森林算法的原理,越异常的点路径越短,越正常的点路径越长,因此,可以对得到的历史事件特征的重要性进行排序,并根据排序结果给各个特征分配不同的权重,重要性越高,所分配的系数越小,在训练孤立森林模型时,将每个特征生成的路径乘上该系数,这样在总路径中,那些重要性高的特征起到的“孤立”作用也越大。
上述实施例提供的一种识别模型的训练方法,通过获取每个地图网格中的历史信息,然后根据历史信息中的历史事件特征和特征值采用孤立森林算法训练孤立森林模型,并将最终训练得到的孤立森林模型作为每个地图网格对应的识别模型,并且在训练孤立森林模型时,为历史事件特征赋予相应的权重,从而提高最终训练得到的识别模型的识别准确率。
请参阅图3,图3是本申请实施例提供的一种网格模型的训练方法的示意流程图。该网格模型的训练方法通过构建每个地图网格的网格画像,然后根据每个地图网格的网格画像训练网格模型,从而使网格模型能够输出每个地图网格的异常得分。
如图3所示,该网格模型的训练方法,具体包括:步骤S201和步骤S202。
S201、获取每个地图网格的网格信息,并根据所述网格信息构建每个所述地图网格的网格画像。
具体地,所述网格画像包括网格特征和所述网格特征对应的特征值。获取每个地图网格内的网格信息,并根据每个地图网格的网格信息构建每个地图网格对应的网格画像,得到多个网格画像。
其中,网格信息包括目标网格内的人流量、网格内发生过的正常案件与欺诈案件的比例、与汽车相关的兴趣点数与兴趣点总数的比例、最常出险的时间段、网格内全部出险地点与所报修汽修厂的距离的平均值、最高频出险类型的案件数与总案件数的比例等。
在具体实施过程中,在利用识别模型将待识别事件确定为异常事件后,还可以通过人工等方案对异常事件进行进一步的识别,从而从异常事件中确定出目标事件,其中,目标事件是指经过人工识别确定的确实存在异常的异常事件。
计算目标事件和异常事件的比例,以计算识别模型的检测准确率,在检测准确率到达阈值后,再根据网格信息构建网格画像,提高构建的网格画像的准确性。
S202、利用每个地图网格的所述网格特征和所述网格特征对应的特征值分别训练孤立森林模型,并将训练得到的所述孤立森林模型分别作为所述地图网格对应的网格模型。
具体地,利用各个地图网格的网格画像中的特征和特征值训练孤立森林模型,并将训练得到的孤立森林模型作为网格模型,用于输出每个地图网格的异常得分。在得到网格模型后,将每个地图网格的网格画像分别输入网格模型,以使网格模型能够输出每个地图网格对应的异常得分,异常得分越高,则说明在该地图网格内越容易发生异常事件。
上述实施例公开的一种网格模型的训练方法,通过获取每个地图网格的网格信息构建每个地图网格对应的网格画像,再根据网格画像训练网格模型,能够利用训练得到的网格模型输出每个地图网格的异常得分,异常得分越高,则说明在该地图网格内越容易发生异常事件,以便于对该地图网格加大异常识别力度,并且在多个待识别事件发生时,也可以利用该网格模型确定多个待识别事件的识别顺序,提高待识别事件的识别效率。
请参阅图4,图4是本申请实施例提供的一种基于位置定位的事件识别方法的示意流程图。该基于位置定位的事件识别方法通过对待识别事件进行位置定位,从而根据确定的目标地图网格对应的识别模型对待识别事件进行评分,实现待识别事件的异常识别。
如图4所示,该基于位置定位的事件识别方法,具体包括:步骤S301至步骤S304。
S301、获取预设地图和待识别事件的事件信息,所述事件信息包括位置信息,所述预设地图包括多个地图网格。
具体地,位置信息是指事件发生地点,预设地图可以是对城市地图进行网格划分后得到的包括多个地图网格的地图。对于车险赔付事件而言,位置信息指的是事故发生地点。在事故发生后,用户申请车险赔付时,用户可以自行上传事故发生地点。上传时可以选择事故发生的地区、街道等。例如,事故发生地点为上海市黄浦区西藏中路。
在一些实施方式中,位置信息还可以是通过GPS直接获取得到的。在发生事故的事故现场,当用户申请车险赔付时,可以直接获取车辆或用户终端上的GPS导航信息,从而获取事故发生地点的位置信息。
在一些实施例中,该基于位置定位的事件识别方法,还包括:基于经纬度对地图进行网格划分,以得到包括多个地图网格的预设地图。
具体地,在对地图进行网格划分时,可以将地图划分为多个相同的正方形,例如,每个网格的大小均为100m*100m,并将划分出的网格的中心点作为其唯一ID,以便于区分多个网格。
其中,经纬度值的小数点后第三位可以精确到百米,即每变化1,大约偏移100米。现对整个地图进行网格划分,每个网格都是一个正方形,例如,若一个网格的四个顶点坐标分别为(120.123,32.456),(120.123,32.457),(120.124,32.457),(120.124,32.456),取该正方形的中心点作为其唯一ID,即(120.1235,32.4565)。
在一些实施例中,在基于经纬度对地图进行网格划分时,还可以将道路车流量等交通数据作为辅助信息对地图进行网格划分,以提高地图网格所对应的识别模型的识别准确率。
S302、基于所述预设地图,根据所述位置信息确定所述待识别事件所处的目标地图网格,并获取所述目标地图网格对应的识别模型。
具体地,地图网格是指对地图进行网格划分,从而得到的多个地图网格。并且针对每一个地图网格均对应的有一个识别模型,也即,若地图网格有九个,则共有九个识别模型,每一个地图网格都对应一个识别模型。
在获取到待识别事件的位置信息后,即可根据该位置信息调用对应的经纬度,基于经纬度确定待识别事件所处的目标地图网格,并在确定目标地图网格后,获取目标地图网格对应的识别模型,以便于对待识别事件进行异常识别。
在一些实施例中,当待识别事件有多个时,所述基于位置定位的事件识别方法还包括:
基于多个所述待识别事件所处的目标地图网格调用对应的网格模型,并基于所述网格模型输出每个所述目标地图网格的异常得分;根据所述异常得分对多个所述待识别事件进行排序,以依次对所述待识别事件进行异常识别。
具体地,可以根据每个地图网格的异常得分对多个地图网格进行排序,在有多个待识别事件时,首先确定每个待识别事件所处的地图网格,然后根据地图网格的异常得分排序,依次对待识别事件进行异常识别。比如,可以先对发生在异常得分排序较靠前的地图网格内的待识别事件进行异常识别。
S303、利用所述识别模型对所述待识别事件进行事件识别,以输出所述待识别事件对应的异常得分。
具体地,待识别事件的事件信息还包括事件发生的原因、事件发生的时间等信息,以车险赔付事件为例,所述待识别事件的事件信息包括事故发生时间、事故原因和是否有交通事故认定书等。
将待识别事件的事件信息输入识别模型,由识别模型对待识别事件进行事件的异常识别,从而输出待识别事件对应的异常得分,以便于根据该异常得分判断待识别事件是否为异常事件。
S304、若所述异常得分高于预设阈值,则确定所述待识别事件为异常事件。
具体地,预设阈值可以使用默认值,也可以根据实际情况进行调整。在识别模型输出待识别事件的异常得分后,若该待识别事件的异常得分大于预设阈值,则确定待识别事件为异常事件。
上述实施例提供的一种基于位置定位的事件识别方法,通过获取待识别事件的事件信息,所述事件信息包括位置信息,然后根据所述位置信息确定所述待识别事件所处的目标地图网格,并获取所述目标地图网格的识别模型,并利用所述识别模型对所述待识别事件进行事件识别,以输出所述待识别事件对应的异常得分,最终若所述异常得分高于预设阈值,则确定所述待识别事件为异常事件。由于同一网格内的大部分正常事件都具有共同的特征,因此对事件按照网格纬度划分,并基于每个网格的识别模型对位于该网格内的待识别事件进行异常识别,提高对事件进行异常识别的准确率和识别效率。
请参阅图5,图5是本申请实施例提供的另一种基于位置定位的事件识别方法的示意流程图。
如图5所示,该基于位置定位的事件识别方法,具体包括:步骤S401至步骤S405。
S401、获取预设地图和待识别事件的事件信息,所述事件信息包括位置信息和事件图像,所述预设地图包括多个地图网格。
具体地,位置信息是指事件发生地点,预设地图可以是对城市地图进行网格划分后得到的包括多个地图网格的地图。事件图像是指待识别事件的相关图片,例如历史事件或待识别事件发生时拍摄的事故现场图片。
S402、基于所述预设地图,根据所述位置信息确定所述待识别事件所处的目标地图网格。
具体地,在获取到待识别事件的位置信息后,即可根据该位置信息调用对应的经纬度,基于经纬度确定待识别事件所处的目标地图网格。
S403、获取所述目标地图网格内的历史事件的历史图像。
具体地,历史图像是指历史事件的相关图片。
在确定待识别事件所对应的目标地图网格后,即可获取该目标地图网格内发生过的历史事件的历史图像,以便于根据历史图像进行图像识别。
S404、对所述事件图像进行图像识别,以判断所述事件图像与所述历史图像的相似度。
具体地,对待识别事件的事件图像进行图像识别,并根据识别结果和历史图像判断事件图像与历史图像的相似度。
在具体实施过程中,可以采用多种方式计算事件图像与历史图像的相似度,例如,可以采用直方图计算图像的相似度、通过哈希值和汉明距离计算图像的相似度、通过图片的余弦距离计算图像的相似度以及通过图片结构度量计算图像的相似度等等。
S405、若所述事件图像与所述历史图像的相似度大于预设值,则确定所述待识别事件为异常事件。
具体地,若事件图像与历史图像的相似度超过预设值,则判断事件图像与历史图像相似,直接确定该待识别事件为异常事件。
若事件图像与历史图像的相似度并不大于预设值,则继续利用所述目标地图网格对应的识别模型对待识别事件进行异常识别。
上述实施例提供的基于位置定位的事件识别方法,通过获取待识别事件的位置信息和事件图像,再基于预设地图,根据位置信息确定待识别事件所处的目标地图网格,然后获取目标地图网格内的历史事件的历史图像,并对事件图像进行图像识别,以判断事件图像与历史图像的相似度,若事件图像与历史图像的相似度大于预设值,则确定待识别事件为异常事件。对待识别事件的相关图片进行识别,检测同一个网格内发生的新事件是否存在使用历史图片的问题,以及是否存在不同的事件出现同样图片的问题。若待识别事件出现这些问题,则直接将其确定为异常事件,减少识别模型的运算量。
请参阅图6,图6是本申请的实施例提供一种识别模型的训练装置的示意性框图,该识别模型的训练装置用于执行前述的识别模型的训练方法。
如图6所示,识别模型的训练装置500包括:历史获取模块501和模型训练模块502。
历史获取模块501,用于分别获取每个地图网格中的历史事件信息。
模型训练模块502,用于利用每个所述地图网格中的所述历史事件特征和特征值训练孤立森林模型,并将训练得到的所述孤立森林模型作为每个所述地图网格对应的识别模型。
其中,模型训练模块502包括重要性确定子模块5021、权重调整子模块5022和孤立模型子模块5023。
具体地,重要性确定子模块5021,用于利用随机森林算法对所述历史事件特征和特征值进行训练,得到所述历史事件特征的重要性;权重调整子模块5022,用于对所述历史事件特征的重要性进行排序,以根据排序结果调整所述历史事件特征对应的权重;孤立模型子模块5023,用于根据所述历史事件特征、特征值和所述历史事件特征对应的权重训练孤立森林模型。
请参阅图7,图7是本申请的实施例提供一种网格模型的训练装置的示意性框图,该网格模型的训练装置用于执行前述的网格模型的训练方法。
如图7所示,网格模型的训练装置600包括:画像构建模块601和模型训练模块602。
画像构建模块601,获取每个地图网格的网格信息,并根据所述网格信息构建每个所述地图网格的网格画像。
模型训练模块602,利用每个地图网格的所述网格特征和所述网格特征对应的特征值分别训练孤立森林模型,并将训练得到的所述孤立森林模型分别作为所述地图网格对应的网格模型。
请参阅图8,图8是本申请的实施例提供一种基于位置定位的事件识别装置的示意性框图,该基于位置定位的事件识别装置用于执行前述的基于位置定位的事件识别方法。其中,该基于位置定位的事件识别装置可以配置于服务器或终端中。
其中,服务器可以为独立的服务器,也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
如图8所示,基于位置定位的事件识别装置700包括:信息获取模块701、网格确定模块702、异常识别模块703和异常确定模块704。
信息获取模块701,用于获取预设地图和待识别事件的事件信息,所述事件信息包括位置信息,所述预设地图包括多个地图网格。
网格确定模块702,用于基于所述预设地图,根据所述位置信息确定所述待识别事件所处的目标地图网格,并获取所述目标地图网格对应的识别模型;
异常识别模块703,用于利用所述识别模型对所述待识别事件进行事件识别,以输出所述待识别事件对应的异常得分;
异常确定模块704,用于若所述异常得分高于预设阈值,则确定所述待识别事件为异常事件。
需要说明的是,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,上述描述的基于位置定位的事件识别装置和各模块的具体工作过程,可以参考前述基于位置定位的事件识别方法实施例中的对应过程,在此不再赘述。
上述的基于位置定位的事件识别装置可以实现为一种计算机程序的形式,该计算机程序可以在如图9所示的计算机设备上运行。
请参阅图9,图9是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。
参阅图9,该计算机设备包括通过***总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作***和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种基于位置定位的事件识别方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种基于位置定位的事件识别方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器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)、现场可编程门阵列(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。其中,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。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取预设地图和待识别事件的事件信息,所述事件信息包括位置信息,所述预设地图包括多个地图网格;
基于所述预设地图,根据所述位置信息确定所述待识别事件所处的目标地图网格,并获取所述目标地图网格对应的识别模型;
利用所述识别模型对所述待识别事件进行事件识别,以输出所述待识别事件对应的异常得分;
若所述异常得分高于预设阈值,则确定所述待识别事件为异常事件。
在一个实施例中,所述处理器还用于实现:
基于经纬度对地图进行网格划分,以得到包括多个地图网格的预设地图。
在一个实施例中,所述事件信息还包括事件图像,所述处理器还用于实现:
获取所述目标地图网格内的历史事件的历史图像;
对所述事件图像进行图像识别,以判断所述事件图像与所述历史图像的相似度;
若所述事件图像与所述历史图像的相似度大于预设值,则确定所述待识别事件为异常事件。
在一个实施例中,所述处理器还用于实现:
分别获取每个地图网格中的历史事件信息,所述历史事件信息包括历史事件特征和特征值;
利用每个所述地图网格中的所述历史事件特征和特征值训练孤立森林模型,并将训练得到的所述孤立森林模型作为每个所述地图网格对应的识别模型。
在一个实施例中,所述处理器在实现所述利用每个所述地图网格中的所述历史事件特征和特征值训练孤立森林模型时,用于实现:
利用随机森林算法对所述历史事件特征和特征值进行训练,得到所述历史事件特征的重要性;
对所述历史事件特征的重要性进行排序,以根据排序结果调整所述历史事件特征对应的权重;
根据所述历史事件特征、特征值和所述历史事件特征对应的权重训练孤立森林模型。
在一个实施例中,所述处理器在实现所述根据所述位置信息确定所述待识别事件所处的目标地图网格之后,用于实现:
基于多个所述待识别事件所处的目标地图网格调用对应的网格模型,并基于所述网格模型输出每个所述目标地图网格的异常得分;
根据所述异常得分对多个所述待识别事件进行排序,以依次对所述待识别事件进行异常识别。
在一个实施例中,所述处理器还用于实现:
获取每个地图网格的网格信息,并根据所述网格信息构建每个所述地图网格的网格画像,所述网格画像包括网格特征和所述网格特征对应的特征值;
利用每个地图网格的所述网格特征和所述网格特征对应的特征值分别训练孤立森林模型,并将训练得到的所述孤立森林模型分别作为所述地图网格对应的网格模型。
本申请的实施例中还提供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,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项基于位置定位的事件识别方法。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于位置定位的事件识别方法,其特征在于,包括:
获取预设地图和待识别事件的事件信息,所述事件信息包括位置信息,所述预设地图包括多个地图网格;
基于所述预设地图,根据所述位置信息确定所述待识别事件所处的目标地图网格,并获取所述目标地图网格对应的识别模型;
利用所述识别模型对所述待识别事件进行事件识别,以输出所述待识别事件对应的异常得分;
若所述异常得分高于预设阈值,则确定所述待识别事件为异常事件。
2.根据权利要求1所述的事件识别方法,其特征在于,还包括:
基于经纬度对地图进行网格划分,以得到包括多个地图网格的预设地图。
3.根据权利要求1所述的事件识别方法,其特征在于,所述事件信息还包括事件图像,所述方法还包括:
获取所述目标地图网格内的历史事件的历史图像;
对所述事件图像进行图像识别,以判断所述事件图像与所述历史图像的相似度;
若所述事件图像与所述历史图像的相似度大于预设值,则确定所述待识别事件为异常事件。
4.根据权利要求1所述的事件识别方法,其特征在于,所述方法还包括:
分别获取每个地图网格中的历史事件信息,所述历史事件信息包括历史事件特征和特征值;
利用每个所述地图网格中的所述历史事件特征和特征值训练孤立森林模型,并将训练得到的所述孤立森林模型作为每个所述地图网格对应的识别模型。
5.根据权利要求4所述的事件识别方法,其特征在于,所述利用每个所述地图网格中的所述历史事件特征和特征值训练孤立森林模型,包括:
利用随机森林算法对所述历史事件特征和特征值进行训练,得到所述历史事件特征的重要性;
对所述历史事件特征的重要性进行排序,以根据排序结果调整所述历史事件特征对应的权重;
根据所述历史事件特征、特征值和所述历史事件特征对应的权重训练孤立森林模型。
6.根据权利要求1所述的事件识别方法,其特征在于,在所述根据所述位置信息确定所述待识别事件所处的目标地图网格之后,所述方法还包括:
基于多个所述待识别事件所处的目标地图网格调用对应的网格模型,并基于所述网格模型输出每个所述目标地图网格的异常得分;
根据所述异常得分对多个所述待识别事件进行排序,以依次对所述待识别事件进行异常识别。
7.根据权利要求6所述的事件识别方法,其特征在于,所述方法还包括:
获取每个地图网格的网格信息,并根据所述网格信息构建每个所述地图网格的网格画像,所述网格画像包括网格特征和所述网格特征对应的特征值;
利用每个地图网格的所述网格特征和所述网格特征对应的特征值分别训练孤立森林模型,并将训练得到的所述孤立森林模型分别作为所述地图网格对应的网格模型。
8.一种基于位置定位的事件识别装置,其特征在于,包括:
信息获取模块,用于获取预设地图和待识别事件的事件信息,所述事件信息包括位置信息,所述预设地图包括多个地图网格;
网格确定模块,用于基于所述预设地图,根据所述位置信息确定所述待识别事件所处的目标地图网格,并获取所述目标地图网格对应的识别模型;
异常识别模块,用于利用所述识别模型对所述待识别事件进行事件识别,以输出所述待识别事件对应的异常得分;
异常确定模块,用于若所述异常得分高于预设阈值,则确定所述待识别事件为异常事件。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的基于位置定位的事件识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的基于位置定位的事件识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345878.4A CN111666971A (zh) | 2020-04-27 | 2020-04-27 | 基于位置定位的事件识别方法、装置、设备及存储介质 |
PCT/CN2021/077576 WO2021218314A1 (zh) | 2020-04-27 | 2021-02-24 | 基于位置定位的事件识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345878.4A CN111666971A (zh) | 2020-04-27 | 2020-04-27 | 基于位置定位的事件识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111666971A true CN111666971A (zh) | 2020-09-15 |
Family
ID=72382945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010345878.4A Pending CN111666971A (zh) | 2020-04-27 | 2020-04-27 | 基于位置定位的事件识别方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111666971A (zh) |
WO (1) | WO2021218314A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112289024A (zh) * | 2020-10-23 | 2021-01-29 | 杭州海康威视***技术有限公司 | 一种交通事件信息的识别方法、装置、设备及存储介质 |
CN112883865A (zh) * | 2021-02-09 | 2021-06-01 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
WO2021218314A1 (zh) * | 2020-04-27 | 2021-11-04 | 深圳壹账通智能科技有限公司 | 基于位置定位的事件识别方法、装置、设备及存储介质 |
CN115344658A (zh) * | 2022-09-02 | 2022-11-15 | 自然资源部地图技术审查中心 | 自动识别线类型问题地图的方法和装置 |
CN115618046A (zh) * | 2022-09-05 | 2023-01-17 | 中国科学院昆明植物研究所 | 网格化科考处理方法、***、设备及存储介质 |
CN116132928A (zh) * | 2022-12-27 | 2023-05-16 | 曙光云计算集团有限公司 | 事件处理方法、装置、计算机设备、存储介质和产品 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114095391B (zh) * | 2021-11-12 | 2024-01-12 | 上海斗象信息科技有限公司 | 一种数据检测方法、基线模型构建方法及电子设备 |
CN114170301B (zh) * | 2022-02-09 | 2022-05-17 | 城云科技(中国)有限公司 | 异常市政设施的定位方法、装置及其应用 |
CN114611616B (zh) * | 2022-03-16 | 2023-02-07 | 吕少岚 | 一种基于集成孤立森林的无人机智能故障检测方法及*** |
CN114580580B (zh) * | 2022-05-07 | 2022-08-16 | 深圳索信达数据技术有限公司 | 一种智能运维异常检测方法及装置 |
CN115546733B (zh) * | 2022-11-23 | 2023-04-18 | 北京数业专攻科技有限公司 | 基于移动信令的群体性行为特征预测方法及装置 |
CN116304885B (zh) * | 2023-05-11 | 2023-08-22 | 之江实验室 | 一种基于图节点嵌入的事件识别方法、装置和设备 |
CN117336210B (zh) * | 2023-12-01 | 2024-04-16 | 河北九宸科技有限公司 | 物联网卡流量异常检测方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201800005672A1 (it) * | 2018-05-24 | 2019-11-24 | Sistema di allarme biometrico scalabile con intelligenza artificiale | |
CN109409430B (zh) * | 2018-10-26 | 2021-07-13 | 江苏智通交通科技有限公司 | 交通事故数据智能分析与综合应用*** |
CN109410586B (zh) * | 2018-12-13 | 2020-06-05 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
CN110458718A (zh) * | 2019-08-09 | 2019-11-15 | 泰康保险集团股份有限公司 | 车险欺诈识别方法、装置、介质及电子设备 |
CN111860561B (zh) * | 2019-12-31 | 2024-02-27 | 北京嘀嘀无限科技发展有限公司 | 网约车的异常停留行为识别方法、装置、设备及存储介质 |
CN111666971A (zh) * | 2020-04-27 | 2020-09-15 | 深圳壹账通智能科技有限公司 | 基于位置定位的事件识别方法、装置、设备及存储介质 |
-
2020
- 2020-04-27 CN CN202010345878.4A patent/CN111666971A/zh active Pending
-
2021
- 2021-02-24 WO PCT/CN2021/077576 patent/WO2021218314A1/zh active Application Filing
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021218314A1 (zh) * | 2020-04-27 | 2021-11-04 | 深圳壹账通智能科技有限公司 | 基于位置定位的事件识别方法、装置、设备及存储介质 |
CN112289024A (zh) * | 2020-10-23 | 2021-01-29 | 杭州海康威视***技术有限公司 | 一种交通事件信息的识别方法、装置、设备及存储介质 |
CN112289024B (zh) * | 2020-10-23 | 2022-04-05 | 杭州海康威视***技术有限公司 | 一种交通事件信息的识别方法、装置、设备及存储介质 |
CN112883865A (zh) * | 2021-02-09 | 2021-06-01 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
CN112883865B (zh) * | 2021-02-09 | 2024-01-19 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
CN115344658A (zh) * | 2022-09-02 | 2022-11-15 | 自然资源部地图技术审查中心 | 自动识别线类型问题地图的方法和装置 |
CN115344658B (zh) * | 2022-09-02 | 2023-04-28 | 自然资源部地图技术审查中心 | 自动识别线类型问题地图的方法和装置 |
CN115618046A (zh) * | 2022-09-05 | 2023-01-17 | 中国科学院昆明植物研究所 | 网格化科考处理方法、***、设备及存储介质 |
CN116132928A (zh) * | 2022-12-27 | 2023-05-16 | 曙光云计算集团有限公司 | 事件处理方法、装置、计算机设备、存储介质和产品 |
Also Published As
Publication number | Publication date |
---|---|
WO2021218314A1 (zh) | 2021-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666971A (zh) | 基于位置定位的事件识别方法、装置、设备及存储介质 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN111581046A (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
CN109635056B (zh) | 用电地址数据处理方法、装置、计算机设备和存储介质 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN113673530B (zh) | 遥感图像语义分割方法、装置、计算机设备和存储介质 | |
CN111882877B (zh) | 一种交通区域分析方法及装置 | |
CN114202908A (zh) | 基于灾害天气的车辆预警方法、装置、设备及存储介质 | |
CN111178452A (zh) | 驾驶风险识别方法、电子装置及可读存储介质 | |
CN109376689B (zh) | 人群分析方法及装置 | |
CN112036488A (zh) | 基于图像识别的事件识别方法、装置、设备及存储介质 | |
CN110673146A (zh) | 气象预测图检测方法、装置、计算机设备和可读存储介质 | |
CN112330332B (zh) | 识别关于节点任务的欺诈风险的方法、计算设备和介质 | |
CN114743132A (zh) | 一种目标算法的选取方法、装置、电子设备及存储介质 | |
CN113936082A (zh) | 点云数据渲染方法、装置、设备及存储介质 | |
CN117037482A (zh) | 道路交通运行状态实时感知方法、***、设备及存储介质 | |
CN115840881A (zh) | 空气数据处理方法、装置及相关设备 | |
CN115936762A (zh) | 景区人流量的预测方法、装置、设备及存储介质 | |
CN113792671A (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 | |
CN112541436B (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 | |
CN113609990A (zh) | 目标建筑物的施工进度的确定方法、装置和服务器 | |
CN109635057B (zh) | 用电业务处理方法、装置、计算机设备和存储介质 | |
CN109448287B (zh) | 一种安全监控方法、装置、可读存储介质及终端设备 | |
CN112597835A (zh) | 驾驶行为的评估方法、装置、电子设备及可读存储介质 | |
CN111598233A (zh) | 深度学习模型的压缩方法、装置及设备 |
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 |