CN112016834A - 异常驾驶行为检测方法、装置、设备及存储介质 - Google Patents
异常驾驶行为检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112016834A CN112016834A CN202010888912.2A CN202010888912A CN112016834A CN 112016834 A CN112016834 A CN 112016834A CN 202010888912 A CN202010888912 A CN 202010888912A CN 112016834 A CN112016834 A CN 112016834A
- Authority
- CN
- China
- Prior art keywords
- random walk
- driving behavior
- abnormal driving
- target
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 114
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- 238000005295 random walk Methods 0.000 claims abstract description 135
- 230000006399 behavior Effects 0.000 claims abstract description 114
- 238000010586 diagram Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 abstract description 30
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000005856 abnormality Effects 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及人工智能相关技术中的智能决策,提供一种异常驾驶行为检测方法、装置、设备及存储介质,该方法包括:获取车辆的行车轨迹图数据;根据所述行车轨迹图数据中的多个轨迹节点,生成多个目标随机游走序列;根据所述多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定所述车辆的异常驾驶行为检测结果。本申请有效提高车辆的异常驾驶行为检测结果的准确性。
Description
技术领域
本申请涉及人工智能相关技术中的智能决策的技术领域,尤其涉及一种异常驾驶行为检测方法、装置、设备及存储介质。
背景技术
随着网约车服务的兴起,越来越多的私家车主将自己的私家车参与到网约车服务当中。因此,在保险行业,私家车保险需要对车主将私家车用于网约车服务进行风险评估,并确定私家车存在哪些异常驾驶行为。现有的异常驾驶行为检测方法主要根据行车轨迹的特点提取有效特征进行建模,例如建立基于树模型的随机森林模型、基于RNN和CNN的深度学习模型等。然而,基于树模型的随机森林容易受噪音较大的特征影响而造成过拟合,基于RNN和CNN的深度学习模型分别适用于序列结构和图像结构的数据,并不适用于行车轨迹数据,因此现有技术对异常驾驶行为检测的效果不好。
发明内容
本申请的主要目的在于提供一种异常驾驶行为检测方法、装置、设备及存储介质,旨在提高异常驾驶行为的检测效果。
第一方面,本申请提供一种异常驾驶行为检测方法,包括:
获取车辆的行车轨迹图数据;
根据所述行车轨迹图数据中的多个轨迹节点,生成多个目标随机游走序列;
根据所述多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定所述车辆的异常驾驶行为检测结果。
第二方面,本申请还提供一种异常驾驶行为检测装置,所述异常驾驶行为检测装置包括:
获取模块,用于获取车辆的行车轨迹图数据;
生成模块,用于根据所述行车轨迹图数据中的多个轨迹节点,生成多个目标随机游走序列;
检测模块,用于根据所述多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定所述车辆的异常驾驶行为检测结果。
第三方面,本申请还提供一种计算机设备,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上所述的异常驾驶行为检测方法的步骤。
第四方面,本申请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上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如上所述的异常驾驶行为检测方法的步骤。
本申请提供一种异常驾驶行为检测方法、装置、设备及存储介质,本申请通过获取车辆的行车轨迹图数据,并根据行车轨迹图数据中的多个轨迹节点生成多个目标随机游走序列然后根据多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定车辆的异常驾驶行为检测结果,充分学习了车辆行车轨迹的标注信息和拓扑结构信息,使得车辆的异常驾驶行为的检测结果更加准确,从而提高风险检测的可靠性。
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为本申请实施例提供的一种异常驾驶行为检测方法的步骤流程示意图;
图2为图1中的异常驾驶行为检测方法的一子步骤流程示意图;
图3为图1中的异常驾驶行为检测方法的另一子步骤流程示意图;
图4为本申请实施例提供的一种异常驾驶行为检测装置的示意性框图;
图5为图4中的异常驾驶行为检测装置的一子模块的示意性框图;
图6为图4中的异常驾驶行为检测装置的另一子模块的示意性框图;
图7为本申请实施例提供的一种计算机设备的结构示意性框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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。另外,虽然在装置示意图中进行了功能模块的划分,但是在某些情况下,可以以不同于装置示意图中的模块划分。
本申请实施例提供一种异常驾驶行为检测方法、装置、设备及存储介质。其中,该异常驾驶行为检测方法可应用于终端设备或服务器中,该终端设备可以为手机、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;该服务器可以为单台的服务器,也可以为由多台服务器组成的服务器集群。以下以该异常驾驶行为检测方法应用于服务器为例进行解释说明。
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。
请参照图1,图1为本申请实施例提供的一种异常驾驶行为检测方法的步骤流程示意图。
如图1所示,该异常驾驶行为检测方法包括步骤S101至步骤S103。
步骤S101、获取车辆的行车轨迹图数据。
其中,通过车辆上安装的行车数据采集***,实时或者周期性地采集该车辆的行车轨迹数据,并将采集到的行车轨迹数据上传至云端数据库,以便于服务器从云端数据库中调取车辆的行车轨迹数据,并根据车辆的行车轨迹数据生成车辆的行车轨迹图数据。
在一实施例中,车辆的行车轨迹数据上传至云端数据库之后,服务器将上传的行车轨迹数据转化为车辆的行车轨迹图数据,并将转化得到的行车轨迹图数据存储于云端数据库或本地数据库,以便后续直接从云端数据库或本地数据库中获取该车辆的行车轨迹图数据。
其中,服务器将上传的行车轨迹数据转化为车辆的行车轨迹图数据之前,对行车轨迹数据进行数据清洗,以发现并纠正行车轨迹数据中可识别的错误数据,包括检查数据一致性,处理无效值和缺失值等,从而得到经过数据清理后的行车轨迹数据。通过对行车轨迹数据进行数据清洗,可以洗掉脏数据,例如清理掉不完整的数据、错误的数据和重复的数据,提高后续对行车轨迹数据进行处理的效率和准确率。
在一实施例中,获取车辆的行车轨迹图数据的方法包括:获取车辆的行车轨迹数据,以及与该行车轨迹数据所对应的区域的区域地图;对区域地图进行网格化和坐标化处理,得到网格地图;根据行车轨迹数据中的多个位置信息和网格地图,生成车辆的行车轨迹图数据。例如,车辆的行车轨迹数据为该车辆在地区A和地区B行驶的行车轨迹,则获取该地区A和地区B的区域地图,并对地区A和地区B的区域地图进行网格化和坐标化处理,得到带有网格和坐标的网格地图,然后按照车辆的行驶方向将行车轨迹数据中的多个位置点映射至网格地图,从而得到车辆的行车轨迹图数据。
其中,该行车轨迹图数据为有向图数据,行车轨迹图数据中包括多个轨迹节点v,每个轨迹节点v是由行车轨迹数据中的一个位置点映射得到,从而得到一个轨迹节点集合V={v1,v2,…vn},轨迹节点集合V中的每个轨迹节点v对应一个坐标。两个轨迹节点之间的邻接边e的集合记作E,E={v×v},v∈V,即集合E中的两个轨迹节点之间的邻接边为该两个轨迹节点v的坐标形成的向量,每个邻接边的方向为车行驶的方向;两个轨迹节点之间的邻接边的权重可根据两个轨迹节点之间对应的距离得到,若邻接边的权重无特殊标注,可将每个邻接边的权重初始化为1,邻接边的权重的集合记作Ω,Ω∈R。因此,行车轨迹图数据可以记作元组G=(V,E,Ω)。
需要说明的是,服务器可以直接从向车辆发送数据获取请求,该数据获取请求旨在请求车辆向服务器发送该车辆的行车轨迹数据或行车轨迹图数据。如果车辆向服务器发送该车辆的行车轨迹数据,则服务器获取该车辆的行车轨迹数据之后,基于该车辆的行车轨迹数据生成行车轨迹图数据,本实施例不做具体限定。
步骤S102、根据所述行车轨迹图数据中的多个轨迹节点,生成多个目标随机游走序列。
如前所述,行车轨迹图数据中包括有多个轨迹节点,每两个邻接的轨迹节点组成一个邻接边,每个邻接边的方向为车辆的行进方向,多个轨迹节点可以组成多个轨迹节点序列,通过该多个轨迹节点序列可以快速生成多个随机游走序列,在随机游走序列的基础上得到目标随机游走序列,在保留序列差异性的同时,减少了序列差异信息的噪音,从而提高异常驾驶行为的检测准确性。
在一实施例中,如图2所示,步骤S102包括:子步骤S1021至子步骤S1023。
子步骤S1021、根据所述行车轨迹图数据中的多个轨迹节点,生成多个随机游走序列。
在一实施例中,从多个轨迹节点中选取一个轨迹节点,得到目标节点;确定待生成的多个随机游走序列的轨迹节点长度,得到目标长度;基于目标节点和目标长度,对多个轨迹节点进行多次随机游走,得到多个随机游走序列。需要说明的是,目标节点、目标长度和随机游走次数可以随机选取,也可以按照用户设置的参数进行确定,本申请不做具体限定。可以理解的是,本实施例中选取得到的目标节点和目标长度可以是一个或者多个,本实施例也可以基于预设的随机游走(Random Walk)算法或者随机游走模型(RandomWalkMobility)得到多个随机游走序列,在此不再赘述。
例如,将随机游走序列记作w,随机的多个轨迹节点中选取目标节点v1,随机选取目标长度l,则随机游走序列w包括节点u1、u2…ul+1,该u1、u2…ul+1∈轨迹节点集合V。或者,选取目标轨迹节点序列上的一个目标节点v2,并确定待生成的随机游走序列W的目标长度L,基于该目标节点v2和目标长度L对多个轨迹节点进行随机游走,得到随机游走序列W包括节点j1、j2…jL+1,该j1、j2…jL+1∈轨迹节点集合V。
需要说明的是,基于该目标节点和目标长度对轨迹节点序列中的多个轨迹节点进行随机游走,轨迹节点序列上的每条邻接边e的采样概率pe为:
其中,u为目标节点;v为u的邻接节点,ωe为邻接边e的权值;ω(u,v)为连接u,v两节点的邻接边的权值,Nout(u)为节点u的邻接节点集。
子步骤S1022、对所述多个随机游走序列进行采样,得到多个候选随机游走序列。
其中,确定多个随机游走序列的采样数量;基于采样数量,对多个随机游走序列进行采样,得到多个候选随机游走序列。需要说明的是,在元组G的遍历空间较大时,宜使用采样的方法逼近概率分布,筛选得到多个候选随机游走序列,随机游走序列的采样数量可根据实际情况进行设置,可选的,采样数量为10000。
子步骤S1023、对每个所述候选随机游走序列进行匿名化处理,以生成多个目标随机游走序列。
其中,对每个候选随机游走序列进行匿名化处理,即在每个候选随机游走序列的基础上将每个轨迹节点的记录信息标记为第一次出现的记录信息。例如,生成每个候选随机游走序列的目标随机游走序列的方式为:将从目标节点u出发,目标长度为l的多个候选随机游走序列记作Wl u,将每个候选随机游走序列中的多个轨迹节点的记录信息标记为第一次出现的记录信息,则多个候选随机游走序列Wl u可转化为η个不同的目标随机游走序列
其中,对N个目标随机游走序列的出现的概率进行均值处理,则可得到从行车轨迹图数据的元组G中采样出一条目标随机游走序列ai的采样概率p(ai),则目标随机游走序列ai的采样概率p(ai)为:
需要说明的是,现有技术在对多维非图特征数据进行构造及数据标注时,会引入大量噪音,造成异常驾驶行为检测的效果较差,而本申请实施例通过根据行车轨迹图数据中的多个轨迹节点生成多个随机游走序列,并将多个随机游走序列转化为多个目标随机游走序列,充分学习行车轨迹中的拓扑信息,极大提高异常驾驶行为检测的效果。
在一实施例中,根据行车轨迹图数据中的多个轨迹节点,生成多个随机游走序列;对每个随机游走序列进行匿名化处理,以生成多个候选随机游走序列;对多个候选随机游走序列进行采样,得到多个目标随机游走序列。其中,生成多个候选随机游走序列和多个目标随机游走序列的具体过程可分别参照前述实施例中生成多个目标随机游走序列和多个候选随机游走序列的对应过程,本实施例在此不再赘述。
步骤S103、根据所述多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定所述车辆的异常驾驶行为检测结果。
得到多个目标随机游走序列之后,基于该多个目标随机游走序列可以得到待输入至异常驾驶行为的检测模型的特征数据,然后将特征数据输入至异常驾驶行为的检测模型后,可以确定车辆的异常驾驶行为检测结果。需要说明的是,异常驾驶行为检测结果包括一种或多种异常驾驶类型,异常驾驶类型例如包括车辆的驾驶路径异常、驾驶用途异常、驾驶行为异常等。该驾驶路径异常包括车辆的行驶路径异常,例如车辆逆行、未按规定道路驾驶等;驾驶用途异常例如包括车辆用于商业用途的网约车服务等;驾驶行为异常例如包括车辆存在危险驾驶行为等。
在一实施例中,如图3所示,步骤S103包括:子步骤S1031至子步骤S1032。
子步骤S1031、确定每个所述目标随机游走序列的采样概率,并根据多个所述采样概率生成所述行车轨迹图数据的向量特征数据。
示例性的,将行车轨迹图数据的元组G中所有可能出现的长度为l的多个目标随机游走序列记为集合Al=(a1,a2,…,aη),该集合Al的维度为η,将维度为η的特征向量fG作为行车轨迹图数据的向量特征数据,且元组G中第i维度下形成的特征向量fG与目标随机游走序列ai的采样概率p(ai)相关,根据多个目标随机游走序列ai的采样概率p(ai)可以生成行车轨迹图数据的向量特征数据fG,其中向量特征数据fG=(p(a1),p(a2),…,p(aη))。
在一实施例中,生成行车轨迹图数据的向量特征数据之前,确定目标随机游走序列的采样数量;基于该采样数量对多个目标随机游走序列进行采样,得到多个更新的目标随机游走序列。
需要说明的是,遍历计算元组G中不同目标随机游走序列出现的概率,会随着序列长度的增加呈指数级增长,因此,在元组G的遍历空间较大时,宜使用采样的方法逼近概率分布,能够快速地计算不同目标随机游走序列出现的概率,同时,将行车轨迹图数据的向量特征数据fG作为先验分布,需要确定目标随机游走序列的采样数量,以保证所求得的先验分布和实际分布足够大的置信度。
其中,ε表示先验分布与实际分布的一阶距离,η表示目标随机游走序列可能出现的总数,δ为所求先验分布与实际分布的一阶距离的阈值。例如,当η=877,l=7时,若设ε为0.5,δ为0.05,则求得的采样数量m为4888;若设ε为0.1,δ为0.01,则求得的m为122500。通过采样的方法,可以极大降低求取向量特征数据fG的计算复杂度。
子步骤S1032、将所述向量特征数据输入至预先训练好的异常驾驶行为分类模型,得到所述车辆的异常驾驶行为检测结果。
其中,异常驾驶行为分类模型包括支持向量机模型、决策树模型、朴素贝叶斯模型等。获取标识有不同异常驾驶类型的多个行车轨迹图数据作为训练样本;通过多个标注好的的训练样本对异常驾驶行为分类模型进行迭代训练,直至异常驾驶行为分类模型收敛,便可得到训练好的异常驾驶行为分类模型。通过预先训练好的异常驾驶行为分类模型,使得输出的车辆的异常驾驶行为检测结果更加准确。
在一实施例中,得到车辆的异常驾驶行为检测结果的步骤包括:将向量特征数据输入至预先训练好的支持向量机分类器,得到多个异常驾驶行为的类型以及每个异常驾驶行为的类型各自对应的概率;确定大于或等于预设概率的目标概率各自对应的异常驾驶行为的目标类型,并输出目标类型以及每个目标类型各自对应的目标概率。其中,预设概率可由用户灵活设置,本申请不做具体限定。
例如,将向量特征数据输入至预先训练好的支持向量机分类器后,得到车辆用于网约车服务的异常驾驶行为,且该车辆用于网约车服务的异常驾驶行为对应的概率为75%,高于预设概率60%,则支持向量机分类器输出该车辆用于网约车服务的异常驾驶行为,以及该车辆用于网约车服务的异常驾驶行为对应的概率75%,例如输出“(用于网约车服务,75%)”。
进一步地,获取概率与置信度之间的映射关系表,根据该映射关系表确定目标概率所对应的置信度。需要说明的是,目标概率对应的置信度越高,表示该目标异常类型和目标异常类型对应的目标概率的可信度越高,目标概率对应的置信度越低,表示该目标异常类型和目标异常类型对应的目标概率的可信度越低。
上述实施例提供的异常驾驶行为检测方法,通过获取车辆的行车轨迹图数据,并根据行车轨迹图数据中的多个轨迹节点生成多个目标随机游走序列然后根据多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定车辆的异常驾驶行为检测结果,充分学习了车辆行车轨迹的标注信息和拓扑结构信息,使得车辆的异常驾驶行为的检测结果更加准确,从而提高风险检测的可靠性。
请参照图4,图4为本申请实施例提供的一种异常驾驶行为检测装置的示意性框图。
如图4所示,该异常驾驶行为检测装置200,包括:获取模块201、生成模块202和检测模块203。
获取模块201,用于获取车辆的行车轨迹图数据;
生成模块202,用于根据所述行车轨迹图数据中的多个轨迹节点,生成多个目标随机游走序列;
检测模块203,用于根据所述多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定所述车辆的异常驾驶行为检测结果。
在一个实施例中,如图5所示,检测模块203包括:
特征生成子模块2031,用于确定每个所述目标随机游走序列的采样概率,并根据多个所述采样概率生成所述行车轨迹图数据的向量特征数据;
特征检测子模块2032,用于将所述向量特征数据输入至预先训练好的异常驾驶行为分类模型,得到所述车辆的异常驾驶行为检测结果。
在一个实施例中,特征检测子模块2032还用于:
将所述向量特征数据输入至预先训练好的支持向量机分类器,得到多个异常驾驶行为的类型以及每个所述异常驾驶行为的类型各自对应的概率;
确定大于或等于预设概率的目标概率各自对应的异常驾驶行为的目标类型,并输出所述目标类型以及每个所述目标类型各自对应的目标概率。
在一个实施例中,如图6所示,生成模块202包括:
第一生成子模块2021,用于根据所述行车轨迹图数据中的多个轨迹节点,生成多个随机游走序列;
第二生成子模块2022,用于对所述多个随机游走序列进行采样,得到多个候选随机游走序列;
第三生成子模块2023,用于对每个所述候选随机游走序列进行匿名化处理,以生成多个目标随机游走序列。
在一个实施例中,第一生成子模块2021还用于:
从所述多个轨迹节点中选取一个轨迹节点,得到目标节点;
确定待生成的多个随机游走序列的轨迹节点长度,得到目标长度;
基于所述目标节点和目标长度,对所述多个轨迹节点进行多次随机游走,得到多个随机游走序列。
在一个实施例中,第二生成子模块2022还用于:
确定所述多个随机游走序列的采样数量;
基于所述采样数量,对所述多个随机游走序列进行采样,得到多个候选随机游走序列。
在一个实施例中,获取模块201还用于:
获取车辆的行车轨迹数据,以及与所述行车轨迹数据所对应的区域的区域地图;
对所述区域地图进行网格化和坐标化处理,得到网格地图;
根据所述行车轨迹数据中的多个位置信息和所述网格地图,生成所述车辆的行车轨迹图数据。
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,上述描述的装置和各模块及单元的具体工作过程,可以参考前述异常驾驶行为检测方法实施例中的对应过程,在此不再赘述。
上述实施例提供的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7所示的计算机设备上运行。
请参阅图7,图7为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器或终端设备。
如图7所示,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异常驾驶行为检测方法。
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异常驾驶行为检测方法。
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7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:
获取车辆的行车轨迹图数据;
根据所述行车轨迹图数据中的多个轨迹节点,生成多个目标随机游走序列;
根据所述多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定所述车辆的异常驾驶行为检测结果。
在一个实施例中,所述处理器在实现所述根据所述多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定所述车辆的异常驾驶行为检测结果时,用于实现:
确定每个所述目标随机游走序列的采样概率,并根据多个所述采样概率生成所述行车轨迹图数据的向量特征数据;
将所述向量特征数据输入至预先训练好的异常驾驶行为分类模型,得到所述车辆的异常驾驶行为检测结果。
在一个实施例中,所述处理器在实现所述将所述向量特征数据输入至预先训练好的异常驾驶行为分类模型,得到所述车辆的异常驾驶行为检测结果时,用于实现:
将所述向量特征数据输入至预先训练好的支持向量机分类器,得到多个异常驾驶行为的类型以及每个所述异常驾驶行为的类型各自对应的概率;
确定大于或等于预设概率的目标概率各自对应的异常驾驶行为的目标类型,并输出所述目标类型以及每个所述目标类型各自对应的目标概率。
在一个实施例中,所述处理器在实现所述根据所述行车轨迹图数据中的多个轨迹节点,生成多个目标随机游走序列时,用于实现:
根据所述行车轨迹图数据中的多个轨迹节点,生成多个随机游走序列;
对所述多个随机游走序列进行采样,得到多个候选随机游走序列;
对每个所述候选随机游走序列进行匿名化处理,以生成多个目标随机游走序列。
在一个实施例中,所述处理器在实现所述根据所述行车轨迹图数据中的多个轨迹节点,生成多个随机游走序列时,用于实现:
从所述多个轨迹节点中选取一个轨迹节点,得到目标节点;
确定待生成的多个随机游走序列的轨迹节点长度,得到目标长度;
基于所述目标节点和目标长度,对所述多个轨迹节点进行多次随机游走,得到多个随机游走序列。
在一个实施例中,所述处理器在实现所述对所述多个随机游走序列进行采样,得到多个候选随机游走序列时,用于实现:
确定所述多个随机游走序列的采样数量;
基于所述采样数量,对所述多个随机游走序列进行采样,得到多个候选随机游走序列。
在一个实施例中,所述处理器在实现所述获取车辆的行车轨迹图数据时,用于实现:
获取车辆的行车轨迹数据,以及与所述行车轨迹数据所对应的区域的区域地图;
对所述区域地图进行网格化和坐标化处理,得到网格地图;
根据所述行车轨迹数据中的多个位置信息和所述网格地图,生成所述车辆的行车轨迹图数据。
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,上述描述计算机设备的具体工作过程,可以参考前述异常驾驶行为检测方法实施例中的对应过程,在此不再赘述。
本申请实施例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上存储有计算机程序,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参照本申请异常驾驶行为检测方法的各个实施例。
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。
本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。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)
1.一种异常驾驶行为检测方法,其特征在于,包括:
获取车辆的行车轨迹图数据;
根据所述行车轨迹图数据中的多个轨迹节点,生成多个目标随机游走序列;
根据所述多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定所述车辆的异常驾驶行为检测结果。
2.如权利要求1所述的异常驾驶行为检测方法,其特征在于,所述根据所述多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定所述车辆的异常驾驶行为检测结果,包括:
确定每个所述目标随机游走序列的采样概率,并根据多个所述采样概率生成所述行车轨迹图数据的向量特征数据;
将所述向量特征数据输入至预先训练好的异常驾驶行为分类模型,得到所述车辆的异常驾驶行为检测结果。
3.如权利要求2所述的异常驾驶行为检测方法,其特征在于,所述将所述向量特征数据输入至预先训练好的异常驾驶行为分类模型,得到所述车辆的异常驾驶行为检测结果,包括:
将所述向量特征数据输入至预先训练好的支持向量机分类器,得到多个异常驾驶行为的类型以及每个所述异常驾驶行为的类型各自对应的概率;
确定大于或等于预设概率的目标概率各自对应的异常驾驶行为的目标类型,并输出所述目标类型以及每个所述目标类型各自对应的目标概率。
4.如权利要求1-3中任一项所述的异常驾驶行为检测方法,其特征在于,所述根据所述行车轨迹图数据中的多个轨迹节点,生成多个目标随机游走序列,包括:
根据所述行车轨迹图数据中的多个轨迹节点,生成多个随机游走序列;
对所述多个随机游走序列进行采样,得到多个候选随机游走序列;
对每个所述候选随机游走序列进行匿名化处理,以生成多个目标随机游走序列。
5.如权利要求4所述的异常驾驶行为检测方法,其特征在于,所述根据所述行车轨迹图数据中的多个轨迹节点,生成多个随机游走序列,包括:
从所述多个轨迹节点中选取一个轨迹节点,得到目标节点;
确定待生成的多个随机游走序列的轨迹节点长度,得到目标长度;
基于所述目标节点和目标长度,对所述多个轨迹节点进行多次随机游走,得到多个随机游走序列。
6.如权利要求4所述的异常驾驶行为检测方法,其特征在于,所述对所述多个随机游走序列进行采样,得到多个候选随机游走序列,包括:
确定所述多个随机游走序列的采样数量;
基于所述采样数量,对所述多个随机游走序列进行采样,得到多个候选随机游走序列。
7.如权利要求1-3中任一项所述的异常驾驶行为检测方法,其特征在于,所述获取车辆的行车轨迹图数据,包括:
获取车辆的行车轨迹数据,以及与所述行车轨迹数据所对应的区域的区域地图;
对所述区域地图进行网格化和坐标化处理,得到网格地图;
根据所述行车轨迹数据中的多个位置信息和所述网格地图,生成所述车辆的行车轨迹图数据。
8.一种异常驾驶行为检测装置,其特征在于,所述异常驾驶行为检测装置包括:
获取模块,用于获取车辆的行车轨迹图数据;
生成模块,用于根据所述行车轨迹图数据中的多个轨迹节点,生成多个目标随机游走序列;
检测模块,用于根据所述多个目标随机游走序列和预设的异常驾驶行为的检测模型,确定所述车辆的异常驾驶行为检测结果。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的异常驾驶行为检测方法的步骤。
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上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至7中任一项所述的异常驾驶行为检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010888912.2A CN112016834B (zh) | 2020-08-28 | 2020-08-28 | 异常驾驶行为检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010888912.2A CN112016834B (zh) | 2020-08-28 | 2020-08-28 | 异常驾驶行为检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016834A true CN112016834A (zh) | 2020-12-01 |
CN112016834B CN112016834B (zh) | 2024-05-07 |
Family
ID=73503860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010888912.2A Active CN112016834B (zh) | 2020-08-28 | 2020-08-28 | 异常驾驶行为检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016834B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633395A (zh) * | 2020-12-29 | 2021-04-09 | 平安科技(深圳)有限公司 | 异常数据的检测方法、装置、计算机设备和存储介质 |
CN112699942A (zh) * | 2020-12-30 | 2021-04-23 | 东软睿驰汽车技术(沈阳)有限公司 | 一种运营车辆识别方法、装置、设备及存储介质 |
CN113065902A (zh) * | 2021-04-22 | 2021-07-02 | 中国平安财产保险股份有限公司 | 基于数据处理的费用设定方法、装置和计算机设备 |
CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN115759306A (zh) * | 2022-11-14 | 2023-03-07 | 首约科技(北京)有限公司 | 模拟游走方法、装置、电子设备及存储介质 |
CN117421572A (zh) * | 2023-10-30 | 2024-01-19 | 北京九栖科技有限责任公司 | 一种基于通信数据的网约车司机号码识别方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235933A (zh) * | 2013-04-15 | 2013-08-07 | 东南大学 | 一种基于隐马尔科夫模型的车辆异常行为检测方法 |
CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和*** |
CN106997474A (zh) * | 2016-12-29 | 2017-08-01 | 南京邮电大学 | 一种基于深度学习的图节点多标签分类方法 |
CN109947870A (zh) * | 2019-03-26 | 2019-06-28 | 第四范式(北京)技术有限公司 | 特定类型人员的预测装置及方法、计算设备与存储介质 |
CN111105437A (zh) * | 2018-10-29 | 2020-05-05 | 西安宇视信息科技有限公司 | 车辆轨迹异常判断方法及装置 |
CN111369306A (zh) * | 2020-06-01 | 2020-07-03 | 北京搜狐新媒体信息技术有限公司 | 产品推荐的方法和装置 |
CN111475838A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 基于深度神经网络的图数据匿名方法、装置、存储介质 |
CN113762454A (zh) * | 2020-07-30 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 轨迹异常检测方法及装置 |
-
2020
- 2020-08-28 CN CN202010888912.2A patent/CN112016834B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235933A (zh) * | 2013-04-15 | 2013-08-07 | 东南大学 | 一种基于隐马尔科夫模型的车辆异常行为检测方法 |
CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和*** |
CN106997474A (zh) * | 2016-12-29 | 2017-08-01 | 南京邮电大学 | 一种基于深度学习的图节点多标签分类方法 |
CN111105437A (zh) * | 2018-10-29 | 2020-05-05 | 西安宇视信息科技有限公司 | 车辆轨迹异常判断方法及装置 |
CN109947870A (zh) * | 2019-03-26 | 2019-06-28 | 第四范式(北京)技术有限公司 | 特定类型人员的预测装置及方法、计算设备与存储介质 |
CN111475838A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 基于深度神经网络的图数据匿名方法、装置、存储介质 |
CN111369306A (zh) * | 2020-06-01 | 2020-07-03 | 北京搜狐新媒体信息技术有限公司 | 产品推荐的方法和装置 |
CN113762454A (zh) * | 2020-07-30 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 轨迹异常检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
张文都;乔雅;: "车载自组织网络下车辆移动模型仿真测试研究", 计算机技术与发展, no. 11, 29 June 2018 (2018-06-29), pages 188 - 197 * |
郑伟;王朝坤;刘璋;***;: "一种基于随机游走模型的多标签分类算法", 计算机学报, no. 08, 15 August 2010 (2010-08-15), pages 1418 - 1426 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633395A (zh) * | 2020-12-29 | 2021-04-09 | 平安科技(深圳)有限公司 | 异常数据的检测方法、装置、计算机设备和存储介质 |
WO2022142042A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技(深圳)有限公司 | 异常数据的检测方法、装置、计算机设备和存储介质 |
CN112633395B (zh) * | 2020-12-29 | 2024-07-19 | 平安科技(深圳)有限公司 | 异常数据的检测方法、装置、计算机设备和存储介质 |
CN112699942A (zh) * | 2020-12-30 | 2021-04-23 | 东软睿驰汽车技术(沈阳)有限公司 | 一种运营车辆识别方法、装置、设备及存储介质 |
CN113065902A (zh) * | 2021-04-22 | 2021-07-02 | 中国平安财产保险股份有限公司 | 基于数据处理的费用设定方法、装置和计算机设备 |
CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN114187489B (zh) * | 2021-12-14 | 2024-04-30 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN115759306A (zh) * | 2022-11-14 | 2023-03-07 | 首约科技(北京)有限公司 | 模拟游走方法、装置、电子设备及存储介质 |
CN115759306B (zh) * | 2022-11-14 | 2023-11-24 | 首约科技(北京)有限公司 | 模拟游走方法、装置、电子设备及存储介质 |
CN117421572A (zh) * | 2023-10-30 | 2024-01-19 | 北京九栖科技有限责任公司 | 一种基于通信数据的网约车司机号码识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112016834B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016834B (zh) | 异常驾驶行为检测方法、装置、设备及存储介质 | |
US11522881B2 (en) | Structural graph neural networks for suspicious event detection | |
Sgueglia et al. | A systematic literature review of IoT time series anomaly detection solutions | |
Song et al. | Identifying performance anomalies in fluctuating cloud environments: A robust correlative-GNN-based explainable approach | |
Adhikari et al. | A comprehensive survey on imputation of missing data in internet of things | |
US11562179B2 (en) | Artificial intelligence system for inspecting image reliability | |
US20180276691A1 (en) | Metric Forecasting Employing a Similarity Determination in a Digital Medium Environment | |
Ahmed et al. | Knowledge graph based trajectory outlier detection in sustainable smart cities | |
CN113254833B (zh) | 一种基于产教融合的信息推送的方法及服务*** | |
JP6971514B1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
Lee et al. | MPdist-based missing data imputation for supporting big data analyses in IoT-based applications | |
US20230122684A1 (en) | Systems and methods for automatically sourcing corpora of training and testing data samples for training and testing a machine learning model | |
Jha et al. | The neural process family: Survey, applications and perspectives | |
CN113449012A (zh) | 基于大数据预测的互联网服务挖掘方法及大数据预测*** | |
He et al. | Efficiently localizing system anomalies for cloud infrastructures: a novel Dynamic Graph Transformer based Parallel Framework | |
CN111159481A (zh) | 图数据的边预测方法、装置及终端设备 | |
CN106603336B (zh) | 一种云计算环境的机器状态预测方法及装置 | |
Tej et al. | Determining optimal neural network architecture using regression methods | |
CN116484016A (zh) | 一种基于时序路径自动维护的时序知识图谱推理方法和*** | |
CN115883172A (zh) | 异常监测方法、装置、计算机设备和存储介质 | |
Du et al. | A general fine-grained truth discovery approach for crowdsourced data aggregation | |
Berkani et al. | Spatio-temporal forecasting: A survey of data-driven models using exogenous data | |
CN113468604A (zh) | 基于人工智能的大数据隐私信息解析方法及*** | |
US20110082671A1 (en) | Designing real-world objects using the interaction between multiple design variables and system properties | |
Sayed-Mouchaweh | Learning from Data Streams in Evolving Environments: Methods and Applications |
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 |