CN112329815B - 模型训练方法、行驶轨迹异常性检测方法、装置和介质 - Google Patents

Abstract

本发明公开了一种人工智能模型训练方法、车辆行驶轨迹异常性检测方法、装置和存储介质，人工智能模型训练方法包括以轨迹网格序列和轨迹图像分别作为第一人工智能模型和第二人工智能模型的输入，获取输出的序列特征和图像特征，获取分类器输出的异常性检测结果，对第一人工智能模型和第二人工智能模型的参数执行反向计算等步骤。通过训练第一人工智能模型和第二人工智能模型，可以使得第一人工智能模型和第二人工智能模型学习到车辆行驶轨迹的宏观信息和微观信息，当应用第一人工智能模型和第二人工智能模型进行车辆行驶轨迹异常性检测，可以避免阈值敏感，对于轨迹稀疏的区域也能取得较准确的检测结果。本发明广泛应用于空间信息处理技术领域。

Description

模型训练方法、行驶轨迹异常性检测方法、装置和介质

技术领域

本发明涉及空间信息处理技术领域，尤其是一种人工智能模型训练方法、车辆行驶轨迹异常性检测方法、装置和存储介质。

背景技术

车辆行驶轨迹的异常性检测是交通领域数据挖掘的一个重点，通过检测车辆尤其是营运车辆的行驶轨迹的异常性，可以判断行驶轨迹是否存在异常，从而进一步调查产生异常的原因，例如因城市拥堵导致行驶轨迹异常，或者因营运车辆司机的恶意绕路行为导致行驶轨迹异常等，可以为城市管理决策提供数据支持。

现有的车辆行驶轨迹的异常性检测技术，主要是使用基于似然比的统计方法或者基于密度聚类的方法，这些方法共有的缺陷是对阈值敏感，因此在轨迹稀疏的区域无法取得较好的检测结果，因此对需要处理的车辆行驶轨迹的适应性较差，检测技术的适用范围受到限制。

发明内容

针对上述至少一个技术问题，本发明的目的在于提供一种人工智能模型训练方法、车辆行驶轨迹异常性检测方法、装置和存储介质。

一方面，本发明实施例包括一种人工智能模型训练方法，包括：

获取训练集；所述训练集包括多组车辆行驶轨迹；各所述车辆行驶轨迹均对应有各自的标签，所述标签用于标记所述车辆行驶轨迹的异常性；

对所述车辆行驶轨迹处理得到轨迹网格序列；

对所述车辆行驶轨迹处理得到轨迹图像；

以所述轨迹网格序列作为第一人工智能模型的输入，获取所述第一人工智能模型输出的序列特征；

以所述轨迹图像作为第二人工智能模型的输入，获取所述第二人工智能模型输出的图像特征；

将所述序列特征和所述图像特征拼接为融合向量；

以所述融合向量作为分类器的输入，获取所述分类器输出的异常性检测结果；所述异常性检测结果用于表示所述车辆行驶轨迹的异常性；

根据所述异常性检测结果与相应所述标签之间的偏差，对所述第一人工智能模型的参数和所述第二人工智能模型的参数执行反向计算，直至满足损失函数条件。

进一步地，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，包括：

对所述车辆行驶轨迹进行离散化，获得轨迹点序列；

将所述轨迹点序列上的各离散点映射到所述离散点所在的地图网格中，被映射的所述地图网格组成所述轨迹网格序列。

进一步地，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：

将对应的离散点数量小于阈值λ的所述地图网格标记为稀疏网格；

若所述轨迹网格序列中包含连续的n个所述稀疏网格，将所述轨迹网格序列归为负样本，反之将所述轨迹网格序列归为正样本。

进一步地，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：

对于被归为正样本的所述轨迹网格序列，将其中的部分所述轨迹网格序列随机翻转；

将经过地图网格随机翻转的所述轨迹网格序列归为负样本。

进一步地，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：

使用词向量转换，将轨迹网格序列转换成一维表示向量；所述一维表示向量用于输入至所述第一人工智能模型。

进一步地，所述根据所述车辆行驶轨迹处理得到轨迹图像，包括：

对所述车辆行驶轨迹进行离散化，获得轨迹点序列；

将所述轨迹点序列上的各离散点映射到所述离散点所在的地图网格中，被映射的所述地图网格组成所述轨迹网格序列；

添加颜色至所述轨迹网格序列中的各所述地图网格；所述地图网格中的颜色的深度与所述地图网格对应的离散点的数量相关。

进一步地，所述第一人工智能模型为双向长短期记忆模型，所述第二人工智能模型为卷积神经网络。

另一方面，本发明实施例还包括一种车辆行驶轨迹异常性检测方法，包括：

获取车辆行驶轨迹；

对所述车辆行驶轨迹处理，得到轨迹网格序列和轨迹图像；

以所述轨迹网格序列作为第一人工智能模型的输入，获取所述第一人工智能模型输出的序列特征；所述第一人工智能模型经过实施例中的人工智能模型训练方法训练；

以所述轨迹图像作为第二人工智能模型的输入，获取所述第二人工智能模型输出的图像特征；所述第二人工智能模型经过实施例中的人工智能模型训练方法训练；

将所述序列特征和所述图像特征拼接为融合向量；

以所述融合向量作为分类器的输入，获取所述分类器输出的异常性检测结果；所述异常性检测结果用于表示所述车辆行驶轨迹的异常性。

另一方面，本发明实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例所述方法。

另一方面，本发明实施例还包括一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例所述方法。

本发明的有益效果是：通过对车辆行驶轨迹处理得到轨迹网格序列以训练第一人工智能模型，对车辆行驶轨迹处理得到轨迹图像以训练第二人工智能模型，可以使得第一人工智能模型和第二人工智能模型学习到车辆行驶轨迹的宏观信息和微观信息，当应用经过训练的第一人工智能模型和第二人工智能模型进行车辆行驶轨迹异常性检测，可以避免阈值敏感，对于轨迹稀疏的区域也能取得较准确的检测结果。

附图说明

图1为实施例中人工智能模型训练方法的流程图；

图2为实施例中轨迹图像的显示效果图；

图3为实施例中人工智能模型训练方法的原理图；

图4为实施例中所使用的卷积神经网络的结构示意图；

图5为实施例中车辆行驶轨迹异常性检测方法的流程图。

具体实施方式

本实施例中，参照图1，所执行的人工智能模型训练方法包括以下步骤：

P1.获取训练集；其中，训练集包括多组车辆行驶轨迹，各车辆行驶轨迹均对应有各自的标签，标签用于标记车辆行驶轨迹的异常性；

P2.对车辆行驶轨迹处理得到轨迹网格序列；

P3.对车辆行驶轨迹处理得到轨迹图像；

P4.以轨迹网格序列作为第一人工智能模型的输入，获取第一人工智能模型输出的序列特征；

P5.以轨迹图像作为第二人工智能模型的输入，获取第二人工智能模型输出的图像特征；

P6.将序列特征和图像特征拼接为融合向量；

P7.以融合向量作为分类器的输入，获取分类器输出的异常性检测结果，其中，异常性检测结果用于表示车辆行驶轨迹的异常性；

P8.根据异常性检测结果与相应标签之间的偏差，对第一人工智能模型的参数和第二人工智能模型的参数执行反向计算，直至满足损失函数条件。

本实施例中，步骤P1中的训练集中的各组车辆行驶轨迹，采集自2013年1月7日至2014年6月30日期间葡萄牙波尔图市的442辆出租车的行驶记录，每组车辆行驶轨迹由同一辆出租车的一系列GPS轨迹点组成，每组车辆行驶轨迹可以表示为T＝{p₁→p₂→…p_n}，每个轨迹点p_i可以表示为(lon_i,lat_i,t_i)，其中(lon_i,lat_i)为地理坐标，t_i为时间戳。该训练集的各组车辆行驶轨迹中，轨迹点的采样率为15s/point，整个训练集共包含486268条出租车轨迹。考虑到出租车行驶的现实意义，首先去除训练集中轨迹点个数不足20的车辆行驶轨迹，即时间小于5min的短距离行程所产生的车辆行驶轨迹将被筛除出训练集。

执行步骤P1时，还通过对训练集的各组车辆行驶轨迹的异常性进行判断和标记，本实施例中通过标签的方式标记车辆行驶轨迹的异常性。异常性的表示方式可以是异常的有无、存在异常的概率或者异常程度的大小。

步骤P2中，根据车辆行驶轨迹处理得到轨迹网格序列，具体包括：

P201.对车辆行驶轨迹进行离散化，获得轨迹点序列；

P202.将轨迹点序列上的各离散点映射到离散点所在的地图网格中，被映射的地图网格组成轨迹网格序列。

步骤P201中，T＝{p₁→p₂→…p_n}形式的车辆行驶轨迹即为轨迹点序列。本实施例中，将波尔图市的地图均匀划分为200m×200m大小的地图网格，认为位于同一地图网格内的轨迹点具有相同的位置。步骤P202中，将每个轨迹点p_i映射到其所在的地图网格grid_i中，从而得到轨迹网格序列tr＝{grid₁→grid₂…grid_n}。

本实施例中，由于出租车的车辆行驶轨迹是混***织在一起的，考虑到只有相同起始区域内的车辆行驶轨迹才具有可比性，因此按照开始-结束所在地图网格，将训练集中的各车辆行驶轨迹划分到不同的子集。具体来说，对轨迹网格序列tr＝{grid₁→grid₂→…grid_n}提取起始点grid₁和终止点grid_n作为OD-Grids，统计4846286条轨迹中具有相同OD-Grids的轨迹，并在波尔图市出租车轨迹数据集上提取了前5对包含轨迹数量最多的OD-Grids，共计4880条轨迹。

本实施例中，将被标签标记为属于“正常”的车辆行驶轨迹称为正样本，将被标签标记为属于“异常”的车辆行驶轨迹称为负样本。本实施例中，执行步骤P2时，具体还通过以下步骤去区分正样本和负样本并进行标记：

P203.将对应的离散点数量小于阈值λ的地图网格，标记为稀疏网格；

P204.若轨迹网格序列中包含连续的n个稀疏网格，将轨迹网格序列归为负样本，反之将轨迹网格序列归为正样本。

步骤P203中，由于一辆出租车在一次行程中，一般会在一个地图网格内逗留足够长的时间，一个地图网格通常会有多个离散的轨迹点，因此在步骤P204中，设定阈值λ，如果一个地图网格对应的轨迹点数量小于阈值λ，这意味着轨迹可能存在异常，如果一条车辆行驶轨迹上存在达到n个的连续的稀疏网格，那么可以确定这条轨迹存在异常，将轨迹网格序列归为负样本。在不满足上述条件的情况下，将轨迹网格序列归为正样本。

本实施例中，执行步骤P203和P204后，正样本和负样本的比例约为41：1，即标签分布不平衡。为了应对这种不平衡的情况，可以进一步执行以下步骤：

P205.对于被归为正样本的轨迹网格序列，将其中的部分轨迹网格序列随机翻转；

P206.将经过地图网格随机翻转的轨迹网格序列归为负样本。

步骤P205中，对轨迹网格序列执行翻转，可以包括对轨迹网格序列中地图网格对应的离散点数量进行改变，例如减小地图网格对应的离散点数量，也可以包括对轨迹网格序列中地图网格对应的离散点数值进行改变，例如以待翻转轨迹网格序列的起止位置连线为对称轴，将离散点的数值转换为对称点的数值等。步骤P205中，所翻转的轨迹网格序列的长度占所有轨迹网格序列长度的30％-60％。

通过执行步骤P205和P206，可以根据正样本构造负样本，从而缓解标签分布极端不平衡问题。

本实施例中，执行步骤P2时具体还执行以下步骤：

P207.使用词向量转换，将轨迹网格序列转换成一维表示向量。

步骤P207中，使用Word2vec词向量转换工具，将轨迹网格序列tr＝{grid₁→grid₂→…grid_n}转换成一维表示向量V＝{v₁→v₂→…v_n}，其中一维表示向量V＝{v₁→v₂→…v_n}是能够适用于第一人工智能模型的输入数据格式。

步骤P3中，根据车辆行驶轨迹处理得到轨迹图像，具体包括：

P301.对车辆行驶轨迹进行离散化，获得轨迹点序列；

P302.将轨迹点序列上的各离散点映射到离散点所在的地图网格中，被映射的地图网格组成轨迹网格序列；

P303.添加颜色至轨迹网格序列中的各地图网格，具体地，地图网格中的颜色的深度与地图网格对应的离散点的数量相关。

步骤P301和P302的原理，与步骤P201和P202的原理相同，因此在执行了步骤P201和P202的情况下，也可以不执行步骤P301和P302，直接使用执行步骤P201和P202所得的轨迹网格序列tr＝{grid₁→grid₂…grid_n}。

执行步骤P303时，可以通过以下方式进行：每个地图网格默认背景为黑色，对于轨迹网格序列tr＝{grid₁→grid₂→…grid_n}，如果其经过一个地图网格，则变换这个地图网格的颜色，具体地可以是将该地图网格的颜色深度变浅，如果轨迹网格序列多次经过一个地图网格，那么这个地图网格的颜色深度也会多次变浅，从而使得这个地图网格的颜色深度与轨迹网格序列的经过次数相关。对轨迹网格序列tr＝{grid₁→grid₂→…grid_n}执行步骤P303所得的轨迹图像I的显示效果如图2所示。

本实施例中，执行步骤P1-P8的原理如图3所示。

本实施例中，使用双向长短期记忆模型即Bi-LSTM作为第一人工智能模型，使用卷积神经网络CNN作为第二人工智能模型。

双向长短期记忆模型能够记忆序列中重要信息并且适量遗忘部分不重要的信息，双向长短期记忆模型包含三个门控机制：第一阶段是遗忘门，遗忘层决定遗忘过去的某些信息，下一阶段是输入门，输入门确定一定程度的新信息被更新到细胞状态中，最后一个阶段是输出门，确定输出的内容。双向长短期记忆模型的前向计算公式如下所示：

遗忘门：f_t＝σ(W_f·[h_t-1,x_t]+b_f)

输入门：i_t＝σ(W_i·[h_t-1，x_t]+b_t)，

输出门：O_t＝σ(W_o·[h_t-1,x_t]+b_o)，h_t＝o_t*tanh(C_t)

其中σ代表sigmoid激活函数，输出范围为(0,1)之间；tanh也是激活函数，输出范围为(-1,1)之间；Ct代表当前细胞状态，*代表向量之间对应元素的乘积计算。

针对轨迹网格序列，在对数据进行序列特征提取之前，首先要将轨迹网格转换为机器可理解的表示向量，本文利用词向量(Word2vec)的思想得到网格grid_i对应的一维表示向量v_i：

接着将一维表示向量V逐一输入到双向长短期记忆模型中，对于每个输入v_i都可以得到相应的正向隐藏特征

和反向隐藏特征

在整个一维表示向量V完全输入到双向长短期记忆模型后，将最后一个正向隐藏特征

和最后一个反向隐藏

并接在一起作为双向长短期记忆模型所输出的序列特征

本实施例中，所使用的卷积神经网络利用组合卷积(Convolution)-池化(Pooling)的计算方式对轨迹图像提取局部特征，再通过全连接层(Fully connectedlayer，FC)对所有的局部特征进行连接得到最终特征。其中卷积计算是对图像进行局部特征提取的过程，具体来说，通过卷积核(m*m)在图像上依次进行滑动计算，方式为将卷积核和滑动区域内对应的元素先乘积再求和的计算，通常一个卷积核只为提取一种特征。池化则是为了防止模型进入过拟合状态而进行的降维操作，池化方式有最值池化(Maxpooling)和平均池化(Average pooling)，具体方法是依据池化核的大小(n*n)将上一层输出的图像特征平均划分为n*n个模块，对每一模块内的元素取最大值或平均值。全连接计算是将该层的每一节点和上一层的所有节点相连得到最终的特征向量，计算公式为Y＝WX+b，其中W为权重系数，b为偏置向量，X则是上一层的输出向量。

本实施例中，所使用的卷积神经网络共设计了四个卷积模块和一个全连接模块，这四个卷积模块分别为{c-block₁，c-block₂，c-block₃，c-block₄}，全连接模块为{fc₁，fc₂，fc₃}，卷积神经网络的结构如图4所示，这四个卷积模块和一个全连接模块对轨迹图像进行特征提取。每个卷积块采用相同的网络结构，即卷积层-激活函数-池化层。其中第一卷积块和第二卷积块均采用64个3*3大小的卷积核进行特征提取，池化核大小为2*2，池化方式为Max pooling；第三卷积块和第四个卷积块则采用128个3*3大小的卷积核，池化核大小依然是2*2，池化方式为Max pooling。最后一个全连接模块由三个全连接层组成，其中fc₁含有4096个隐藏节点，fc₂均含有512个隐藏节点，fe₃含有2个隐藏节点。轨迹图像经过上述过程最终得到二维的图像特征P(p₁，p₂)。

通过使用双向长短期记忆模型和卷积神经网络，可以得到车辆行驶轨迹T的二维序列特征

和二维图像特征P(p₁，p₂)，本发明采用向量拼接的方式得到轨迹T的融合向量

接着将融合向量F接入一个全连接层，其隐藏单元个数为2，最后将输出的二维特征最后接入一个softmax分类器即可得到车辆行驶轨迹对应标签的概率值y：

y＝softmax(W^TF+b)

其中W^T为权重参数，b为偏置向量，softmax分类器的函数为：

最终概率较大的一方代表车辆行驶轨迹T的异常检测结果，即车辆行驶轨迹T存在异常或不存在异常。

以上是对第一人工智能模型和第二人工智能模型的训练过程中的正向传播过程。本实施例中，执行步骤P8，采用交叉熵损失函数(Cross entropy loss)Loss_entropy＝-t_jlog(1-y_i)来衡量异常性检测结果与相应标签之间的偏差，对第一人工智能模型的参数和第二人工智能模型的参数进行反向计算。交叉熵损失函数中，y_i为softmax层输出对应类别i的概率，t_j代表真实的输入数据X的类别。在执行完一轮反向计算后，跳转回步骤P1执行，直至异常性检测结果与相应标签之间的偏差满***叉熵损失函数的收敛条件后，停止对第一人工智能模型和第二人工智能模型的训练。

本实施例中，经过步骤P1-P8训练的第一人工智能模型和第二人工智能模型，可以同时学习到车辆行驶轨迹的宏观信息和微观信息，可以避免阈值敏感，对于轨迹稀疏的区域也能取得较准确的检测结果。

在获得了通过步骤P1-P8训练所得的第一人工智能模型和第二人工智能模型后，可以使用第一人工智能模型和第二人工智能模型执行车辆行驶轨迹异常性检测方法。参照图5，车辆行驶轨迹异常性检测方法包括以下步骤：

S1.获取车辆行驶轨迹；

S2.对车辆行驶轨迹处理，得到轨迹网格序列和轨迹图像；

S3.以轨迹网格序列作为第一人工智能模型的输入，获取第一人工智能模型输出的序列特征；

S4.以轨迹图像作为第二人工智能模型的输入，获取第二人工智能模型输出的图像特征；

S5.将序列特征和图像特征拼接为融合向量；

S6.以融合向量作为分类器的输入，获取分类器输出的异常性检测结果，其中，异常性检测结果用于表示车辆行驶轨迹的异常性。

通过使用经过训练的第一人工智能模型和第二人工智能模型执行车辆行驶轨迹异常性检测方法，可以提取出车辆行驶轨迹的宏观信息和微观信息，根据车辆行驶轨迹的宏观信息和微观信息确定车辆行驶轨迹存在异常或不存在异常，可以避免阈值敏感，对于轨迹稀疏的区域也能取得较准确的检测结果。

本实施例中，一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例中的人工智能模型训练方法或车辆行驶轨迹异常性检测方法，实现与实施例所述的相同的技术效果。

本实施例中，一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例中的人工智能模型训练方法或车辆行驶轨迹异常性检测方法，实现与实施例所述的相同的技术效果。

需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (10)

1.一种人工智能模型训练方法，其特征在于，包括：

获取训练集；所述训练集包括多组车辆行驶轨迹；各所述车辆行驶轨迹均对应有各自的标签，所述标签用于标记所述车辆行驶轨迹的异常性；

对所述车辆行驶轨迹处理得到轨迹网格序列；

对所述车辆行驶轨迹处理得到轨迹图像；

以所述轨迹网格序列作为第一人工智能模型的输入，获取所述第一人工智能模型输出的序列特征；

以所述轨迹图像作为第二人工智能模型的输入，获取所述第二人工智能模型输出的图像特征；

将所述序列特征和所述图像特征拼接为融合向量；

以所述融合向量作为分类器的输入，获取所述分类器输出的异常性检测结果；所述异常性检测结果用于表示所述车辆行驶轨迹的异常性；

根据所述异常性检测结果与相应所述标签之间的偏差，对所述第一人工智能模型的参数和所述第二人工智能模型的参数执行反向计算，直至满足损失函数条件。

2.根据权利要求1所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，包括：

对所述车辆行驶轨迹进行离散化，获得轨迹点序列；

将所述轨迹点序列上的各离散点映射到所述离散点所在的地图网格中，被映射的所述地图网格组成所述轨迹网格序列。

3.根据权利要求2所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：

将对应的离散点数量小于阈值λ的所述地图网格标记为稀疏网格；

若所述轨迹网格序列中包含连续的n个所述稀疏网格，将所述轨迹网格序列归为负样本，反之将所述轨迹网格序列归为正样本。

4.根据权利要求3所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：

对于被归为正样本的所述轨迹网格序列，将其中的部分所述轨迹网格序列随机翻转；

将经过地图网格随机翻转的所述轨迹网格序列归为负样本。

5.根据权利要求2-4任一项所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：

使用词向量转换，将轨迹网格序列转换成一维表示向量；所述一维表示向量用于输入至所述第一人工智能模型。

6.根据权利要求1-4任一项所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹图像，包括：

对所述车辆行驶轨迹进行离散化，获得轨迹点序列；

将所述轨迹点序列上的各离散点映射到所述离散点所在的地图网格中，被映射的所述地图网格组成所述轨迹网格序列；

添加颜色至所述轨迹网格序列中的各所述地图网格；所述地图网格中的颜色的深度与所述地图网格对应的离散点的数量相关。

7.根据权利要求1-4任一项所述的人工智能模型训练方法，其特征在于，所述第一人工智能模型为双向长短期记忆模型，所述第二人工智能模型为卷积神经网络。

8.一种车辆行驶轨迹异常性检测方法，其特征在于，包括：

获取车辆行驶轨迹；

对所述车辆行驶轨迹处理，得到轨迹网格序列和轨迹图像；

以所述轨迹网格序列作为第一人工智能模型的输入，获取所述第一人工智能模型输出的序列特征；所述第一人工智能模型经过权利要求1-7任一项所述的人工智能模型训练方法训练；

以所述轨迹图像作为第二人工智能模型的输入，获取所述第二人工智能模型输出的图像特征；所述第二人工智能模型经过权利要求1-7任一项所述的人工智能模型训练方法训练；

将所述序列特征和所述图像特征拼接为融合向量；

以所述融合向量作为分类器的输入，获取所述分类器输出的异常性检测结果；所述异常性检测结果用于表示所述车辆行驶轨迹的异常性。

9.一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-8任一项所述方法。

10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-8任一项所述方法。

Images