CN117746348A - 一种非法运营车辆的识别方法、装置、电子设备及介质 - Google Patents

Abstract

本发明涉及一种非法运营车辆的识别方法、装置、电子设备及介质，该方法包括：获取待识别车辆的车辆属性特征集合和目标地域，所述车辆属性特征集合中包括至少一个车辆属性特征；对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征；根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果，所述身份识别结果为正常运营车辆或非法运营车辆。通过本发明的方法，可提高待识别车辆的身份识别结果的准确性。

Description

一种非法运营车辆的识别方法、装置、电子设备及介质

技术领域

本发明涉及大数据、人工智能技术领域，具体而言，本发明涉及一种非法运营车辆的识别方法、装置、电子设备及介质。

背景技术

非法运营车辆的存在不仅给社会治安带来恶劣影响，而且还给正常交通运输市场秩序造成极大的冲击，危害颇多；但是，目前并没有一种有效的方法或***可实现非法运营车辆的自动识别。

现有方法多采用对车辆的视频监控和过车数据进行快速检索，接着使用无监督或者有监督的传统机器学习算法进行识别，但是以上方案严重依赖最新的车辆视频监控和过车数据，而现有的非法运营车辆具有“非法运营手法不断翻新、模式不断升级”的特点，意味着难以简单根据过往行为模式经验来满足非法运营车辆识别的要求，导致识别的准确率无法保证，仍需进一步改进。

发明内容

本发明所要解决的技术问题是提供了一种非法运营车辆的识别方法、装置、电子设备及介质，旨在解决识别准确率低的问题。

第一方面，本发明解决上述技术问题的技术方案如下：一种非法运营车辆的识别方法，该方法包括：

获取待识别车辆的车辆属性特征集合和目标地域，所述车辆属性特征集合中包括至少一个车辆属性特征；

对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征，所述目标时间为所述待识别车辆行驶至所述目标地域所需的时间；

根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果，所述身份识别结果为正常运营车辆或非法运营车辆。

本发明的有益效果是：在识别待识别车辆的身份识别结果的过程中，不但考虑到待识别车辆的车辆属性特征，还考虑到了待识别车辆的地域动态变迁特征，即待识别车辆的车辆属性特征在运动过程中的变化特征，基于这两方面的特征可以提高待识别车辆的身份识别结果的准确性。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，该方法还包括：

将所述目标时间划分为多个时间切片；

对于每个所述车辆属性特征，上述根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征，包括：

对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征。

采用上述进一步方案的有益效果是，将目标时间划分为更小粒度的时间切片，可以更加准确的反映地域动态变迁特征随着时间的变化情况。

进一步，对于每个所述车辆属性特征，上述根据所述车辆属性特征，确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征，包括：

对于每个所述车辆属性特征，根据所述车辆属性特征，通过LPC编码确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征。

采用上述进一步方案的有益效果是，通过LPC编码方式可以更加准确的提取车辆属性特征对应的地域动态变迁特征。

进一步，上述车辆属性特征集合是通过以下方式确定的：

获取所述待识别车辆的初始集合，所述初始集合中的车辆属性特征的数量不小于所述车辆属性特征集合中车辆属性特征的数量；

根据所述初始集合中的各个车辆属性特征，确定所述初始集合中每个所述车辆属性特征的权重；

根据所述初始集合中每个所述车辆属性特征的权重和预设阈值，对所述初始集合中的各个所述车辆属性特征进行筛选，得到所述车辆属性特征集合。

采用上述进一步方案的有益效果是，根据各个车辆属性特征的权重，对初始集合中的车辆属性特征进行筛选，可去除初始集合中的冗余项，减小计算复杂度。

进一步，上述初始集合中每个所述车辆属性特征的权重是通过以下方式确定的：

获取使识别模型的损失函数为最小值时对应的目标模型参数，所述识别模型为根据车辆的初始集合，识别该车辆的身份识别结果的模型；

根据所述目标模型参数，确定所述初始集合中的每个所述车辆属性特征的权重。

采用上述进一步方案的有益效果是，本方案采用一边进行模型训练，一边确定权重的方式，提高了权重确定的准确性。

进一步，上述目标模型参数是通过以下方式确定的：

获取训练样本，所述训练样本中包括多个样本车辆的样本车辆属性特征集合，每个所述样本车辆属性特征集合中包括多个车辆属性特征，每个所述样本车辆对应一个分类标签，对于每个所述样本车辆，所述分类标签表征了该样本车辆的真实身份识别结果；

根据所述训练样本对初始模型进行训练，得到每个所述样本车辆的预测识别结果；

根据各个所述预测识别结果和各个所述分类标签，确定所述初始模型的损失函数值；

将所述损失函数值为最小时对应的初始模型作为所述识别模型，将所述损失函数值为最小时对应的所述初始模型的模型参数作为所述目标模型参数。

采用上述进一步方案的有益效果是，由于目标模型参数是损失函数值为最小时对应的模型参数，因此基于目标模型参数确定权重，可使得确定的权重更准确。

进一步，上述根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果，包括：

根据各个所述车辆属性特征对应的地域动态变迁特征，通过预训练的LSTM模型，得到所述待识别车辆的身份识别结果。

采用上述进一步方案的有益效果是，由于地域动态变迁特征具有时序性，因此基于考虑时序特征的LSTM模型进行待识别车辆的身份识别结果的识别，可提高身份识别结果的准确性。

第二方面，本发明为了解决上述技术问题还提供了一种非法运营车辆的识别装置，该装置包括：

数据获取模块，用于获取待识别车辆的车辆属性特征集合和目标地域，所述车辆属性特征集合中包括至少一个车辆属性特征；

特征确定模块，用于对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征，所述目标时间为所述待识别车辆行驶至所述目标地域所需的时间；

识别模块，用于根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果，所述身份识别结果为正常运营车辆或非法运营车辆。

第三方面，本发明为了解决上述技术问题还提供了一种电子设备，该电子设备包括存储器、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，处理器执行该计算机程序时实现本申请的非法运营车辆的识别方法。

第四方面，本发明为了解决上述技术问题还提供了一种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本申请的非法运营车辆的识别方法。

本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍。

图1为本发明一个实施例提供的一种非法运营车辆的识别方法的流程示意图；

图2为本发明一个实施例提供的一种非法运营车辆的识别装置的结构示意图；

图3为本发明一个实施例提供的一种电子设备的结构示意图。

具体实施方式

以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

下面以具体实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

本发明实施例所提供的方案可以适用于任何需要在对非法运营车辆进行识别的应用场景中。本发明实施例所提供的方案可以由任一电子设备执行，比如，可以是用户的终端设备，包括以下至少一项：智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能电视、智能车载设备。

本发明实施例提供了一种可能的实现方式，如图1所示，提供了一种非法运营车辆的识别方法的流程图，该方案可以由任一电子设备执行，例如，可以是终端设备，或者由终端设备和服务器共同执行。为描述方便，下面将以终端设备作为执行主体为例对本发明实施例提供的方法进行说明，如图1中所示的流程图，该方法可以包括以下步骤：

步骤S110，获取待识别车辆的车辆属性特征集合和目标地域，所述车辆属性特征集合中包括至少一个车辆属性特征；

步骤S120，对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征，所述目标时间为所述待识别车辆行驶至所述目标地域所需的时间；

步骤S130，根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果，所述身份识别结果为正常运营车辆或非法运营车辆。

通过本发明的方法，在识别待识别车辆的身份识别结果的过程中，不但考虑到待识别车辆的车辆属性特征，还考虑到了待识别车辆的地域动态变迁特征，即待识别车辆的车辆属性特征在运动过程中的变化特征，基于这两方面的特征可以提高待识别车辆的身份识别结果的准确性。

下面结合以下具体的实施例，对本发明的方案进行进一步的说明，在该实施例中，非法运营车辆的识别方法可以包括以下步骤：

步骤S110，获取待识别车辆的车辆属性特征集合和目标地域，所述车辆属性特征集合中包括至少一个车辆属性特征；

可选的，至少一个车辆属性特征包括但不限于车的类型(电车或油车)，车辆使用年限，车辆价值等。

其中，目标地域可以是一个给定的目标区域。

可选的，上述车辆属性特征集合是通过以下方式确定的：

获取所述待识别车辆的初始集合，所述初始集合中的车辆属性特征的数量不小于所述车辆属性特征集合中车辆属性特征的数量；

根据所述初始集合中的各个车辆属性特征，确定所述初始集合中每个所述车辆属性特征的权重，对于每个所述车辆属性特征，该车辆属性特征的权重越大，表征该车辆属性特征所反映的车辆的特征越明显，进而该车辆属性特征对于身份识别结果的影响越大；

根据所述初始集合中每个所述车辆属性特征的权重和预设阈值，对所述初始集合中的各个所述车辆属性特征进行筛选，得到所述车辆属性特征集合。

可选的，根据所述初始集合中每个所述车辆属性特征的权重和预设阈值，对所述初始集合中的各个所述车辆属性特征进行筛选的一种实现方式为：将小于预设阈值的权重对应的车辆属性特征从初始集合中删除。小于预设阈值的权重对应的车辆属性特征表示的是对身份识别结果影响较小的特征，因此，可从初始集合中删除。

可选的，上述初始集合中每个所述车辆属性特征的权重是通过以下方式确定的：

获取使识别模型的损失函数为最小值时对应的目标模型参数，所述识别模型为根据车辆的初始集合，识别该车辆的身份识别结果的模型；

根据所述目标模型参数，确定所述初始集合中的每个所述车辆属性特征的权重。

可选的，上述目标模型参数是通过以下方式确定的：

获取训练样本，所述训练样本中包括多个样本车辆的样本车辆属性特征集合，每个所述样本车辆属性特征集合中包括多个车辆属性特征，每个所述样本车辆对应一个分类标签，对于每个所述样本车辆，所述分类标签表征了该样本车辆的真实身份识别结果，比如，分类标签为：y＝1，表示真实身份识别结果为非法运营车辆，分类标签为：y＝0表示真实身份识别结果为正常运营车辆；

根据所述训练样本对初始模型进行训练，得到每个所述样本车辆的预测识别结果；

根据各个所述预测识别结果和各个所述分类标签，确定所述初始模型的损失函数值；

将所述损失函数值为最小时对应的初始模型作为所述识别模型，将所述损失函数值为最小时对应的所述初始模型的模型参数作为所述目标模型参数。

上述识别模型的训练过程具体可参见以下过程：

获取训练样本，训练样本中包括M辆样本车辆，可记为：U＝{u₁,u₂,u₃...u_M}，M辆样本车辆对应N个停车位置，可记为车辆停车点集合V＝{v₁,v₂,v₃...v_N}；对于一辆样本车辆u_j，该样本车辆u_j的车辆属性特征可记为a，该样本车辆发生在t时刻的车辆驾驶行为可记为：(u_j,v_j,t,a)，其中，v_j∈V表示样本车辆的停车位置，该样本车辆对应的分类标签为y＝1,表示该样本车辆为非法运营车辆。基于上述表征方式，对于训练样本中的多个样本车辆，将每个样本车辆的车辆属性特征a按照特征项(车辆属性特征的类型)先进行归一化处理，得到归一化处理后的车辆属性特征，可表示为：f＝{a₁，a₁，a₁···a_p}，其中，a_j表示第j个车辆属性特征，1≤j≤p。各个样本属性特征的预设的初始属性特征权重向量可表示为：θ＝{θ₁,θ₂,θ₃...θ_p}，其中，θ_i表示第i个车辆属性特征的初始权重，1≤i≤p，p表示训练样本中车辆属性特征的类型的数量。

根据训练样本，通过初始模型中的sigmoid函数，得到每个所述样本车辆的预测识别结果，其中，sigmoid函数可表示为：

其中，h_θ(f)表示各个样本车辆的预测识别结果，可以通过概率值表示，θ^T表示θ的转置。

其中，θ₁a₁+θ₂a₂+...+θ_pa_p＝θ^Tf，根据公式(1)得到的样本车辆的预测识别结果还可表示为：

P(y＝1|f；θ)＝h_θ(f) (2)

P(y＝0|f；θ)＝1-h_θ(f) (3)

上述公式(2)表示的是样本车辆是非法运营车辆的概率是h_θ(f)，上述公式(3)表示的是样本车辆是正常运营车辆的概率是1-h_θ(f)。

整合上述公式(2)和公式(3)，可得到公式(4)：

P(y|f；θ)＝(h_θ(f))^y(1-h_θ(f))^1-y (4)

其中，P(y|f；θ)表示初始模型得出的每个样本车辆的预测识别结果的概率，θ还可表示为初始模型的模型参数。

通过最大化似然函数得出初始模型的训练损失函数L(θ)为：

通过对公式(5)双边取对数得到：

其中，公式(6)表示的是梯度上升任务。

引入将上述公式(6)转换为梯度下降任务，通过对训练损失函数进行最小化训练，对初始属性特征权重向量进行更新，得到更新后的属性特征权重向量，具体过程为：

其中，α为初始模型的模型学习率，θ_j表示更新后的第j个车辆属性特征的权重。

通过最小化训练损失函数进行模型训练，得到属性特征权重向量θ，然后对θ进行权重归一化，得到归一化后的属性特征权重向量ω_i：

将归一化后的属性特征权重向量作为各个车辆属性特征的权重。

确定了各个车辆属性特征的权重后，设定阈值η，将权重小于η对应的车辆属性特征从训练样本中进行滤除，实现冗余特征滤除，得到优化后的特征集合f^new＝{a₁,a₂,a₃...a_s}。

同理，基于上述确定好的各个车辆属性特征的权重，可实现对初始集合的过滤，得到车辆属性特征集合，得到车辆属性特征集合之后，执行以下步骤S120。另外，在得到了车辆属性特征集合之后，还可依次对优化得到的车辆属性特征a_i进行基于时间的间隔采样。

步骤S120，对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征，所述目标时间为所述待识别车辆行驶至所述目标地域所需的时间；

其中，目标时间可以基于待识别车辆当前所处的位置到目标地域之间的距离，以及待识别车辆的当前车速推导出来。

对于每个车辆属性特征，该车辆属性特征对应的地域动态变迁特征可以反映该车辆属性特征，在待识别车辆从当前位置到目标地域过程中的变化情况。

可选的，该方法还包括：

将所述目标时间划分为多个时间切片，每个时间切片的时长可以相等，也可以不相等，多个时间切片可通过时间切片集合表示：T＝{t₁,t₂,t₃...t_τ}，其中，τ为多个时间切片的数量；

对于每个所述车辆属性特征，上述S120中，根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征，包括：

对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征。

可选的，对于每个所述车辆属性特征，所述根据所述车辆属性特征，确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征，包括：

对于每个所述车辆属性特征，根据所述车辆属性特征，通过LPC编码确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征。

对于车辆属性特征a_i，该车辆属性特征a_i对应的地域动态变迁特征的确定过程可以为：通过LPC编码确定车辆属性特征a_i在一个时间切片t_i的LPC谱特征，该LPC谱特征即为车辆属性特征a_i对应的地域动态变迁特征。

步骤S130，根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果，所述身份识别结果为正常运营车辆或非法运营车辆。

可选的，上述根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果的一种可实现方式为：根据各个所述车辆属性特征对应的地域动态变迁特征，确定所述待识别车辆对应的地域动态变迁特征，根据待识别车辆对应的地域动态变迁特征，确定待识别车辆的身份识别结果。

接上例，表示的是车辆属性特征a_i在时间切片t_i下对应的LPC谱特征，则通过拼接合可得到在时间切片t_i下，待识别车辆u在时间切片t_i下的目标地域LPC谱特征(地域动态变迁特征)：/>基于待识别车辆u在时间切片t_i下的目标地域LPC谱特征，可确定出待识别车辆u在各个所述时间切片下的LPC谱特征：/>即待识别车辆u的地域动态变迁特征，从而基于该待识别车辆u的地域动态变迁特征，可得到待识别车辆u的身份识别结果。

可选的，S130中，根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果，包括：

根据各个所述车辆属性特征对应的地域动态变迁特征，通过预训练的LSTM模型，得到所述待识别车辆的身份识别结果。

接上例，待识别车辆u在各个时间切片下的LPC谱特征可表示为以待识别车辆u在各个时间切片下的LPC谱特征作为LSTM时序网络(LSTM模型)的输入，得到：

其中，h_o和c_o分别表示LSTM模型输入的初始隐藏单元和状态单元，表示为LSTM模型的输出状态，x^u表示待识别车辆u在各个时间切片下的LPC谱特征在LSTM模型下对应的表现形式。

将LSTM模型的输出状态作为待识别车辆u的地域动态变迁特征，从而基于实现待识别车辆u的身份识别结果：

其中，σ为s igmo id函数，y_u表示身份识别结果，W表示模型输出的预测权重。

通过本发明的方案的有益效果为：针对传统的机器学习方法依赖车辆的视频监控和过车数据，其模式特征的稳定性较差，需要根据最新的车辆视频监控和过车数据，而现有的非法运营车辆具有“非法运营手法不断翻新、模式不断升级”的特点，意味着难以简单根据过往行为模式经验来满足非法运营车辆识别的要求的问题，本发明关注非法运营车辆的地域动态变迁模式，分析比较非法运营车辆和正常运营车辆地域结构变迁模式的差异，据此提出基于地域变迁模式特征的非法运营车辆识别算法，从而提升非法运营车辆识别准确率。

基于与图1中所示的方法相同的原理，本发明实施例还提供了一种非法运营车辆的识别装置20，如图2中所示，该非法运营车辆的识别装置20可以包括数据获取模块210、特征确定模块220和识别模块230，其中：

数据获取模块210，用于获取待识别车辆的车辆属性特征集合和目标地域，所述车辆属性特征集合中包括至少一个车辆属性特征；

特征确定模块220，用于对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征，所述目标时间为所述待识别车辆行驶至所述目标地域所需的时间；

识别模块230，用于根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果，所述身份识别结果为正常运营车辆或非法运营车辆。

可选的，该装置还包括：

时间划分模块，用于将所述目标时间划分为多个时间切片；

对于每个所述车辆属性特征，上述特征确定模块220在根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征时，具体用于：

对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征。

可选的，对于每个所述车辆属性特征，上述特征确定模块220在根据所述车辆属性特征，确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征时，具体用于：

对于每个所述车辆属性特征，根据所述车辆属性特征，通过LPC编码确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征。

可选的，上述车辆属性特征集合是通过以下方式确定的：

获取所述待识别车辆的初始集合，所述初始集合中的车辆属性特征的数量不小于所述车辆属性特征集合中车辆属性特征的数量；

根据所述初始集合中的各个车辆属性特征，确定所述初始集合中每个所述车辆属性特征的权重；

根据所述初始集合中每个所述车辆属性特征的权重和预设阈值，对所述初始集合中的各个所述车辆属性特征进行筛选，得到所述车辆属性特征集合。

可选的，上述初始集合中每个所述车辆属性特征的权重是通过以下方式确定的：

获取使识别模型的损失函数为最小值时对应的目标模型参数，所述识别模型为根据车辆的初始集合，识别该车辆的身份识别结果的模型；

根据所述目标模型参数，确定所述初始集合中的每个所述车辆属性特征的权重。

可选的，上述目标模型参数是通过以下方式确定的：

获取训练样本，所述训练样本中包括多个样本车辆的样本车辆属性特征集合，每个所述样本车辆属性特征集合中包括多个车辆属性特征，每个所述样本车辆对应一个分类标签，对于每个所述样本车辆，所述分类标签表征了该样本车辆的真实身份识别结果；

根据所述训练样本对初始模型进行训练，得到每个所述样本车辆的预测识别结果；

根据各个所述预测识别结果和各个所述分类标签，确定所述初始模型的损失函数值；

将损失函数值为最小时对应的初始模型作为所述识别模型，将所述损失函数值为最小时对应的所述初始模型的模型参数作为所述目标模型参数。

可选的，上述识别模块230在根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果时，具体用于：

根据各个所述车辆属性特征对应的地域动态变迁特征，通过预训练的LSTM模型，得到所述待识别车辆的身份识别结果。

本发明实施例的非法运营车辆的识别装置可执行本发明实施例所提供的非法运营车辆的识别方法，其实现原理相类似，本发明各实施例中的非法运营车辆的识别装置中的各模块、单元所执行的动作是与本发明各实施例中的非法运营车辆的识别方法中的步骤相对应的，对于非法运营车辆的识别装置的各模块的详细功能描述具体可以参见前文中所示的对应的非法运营车辆的识别方法中的描述，此处不再赘述。

其中，上述非法运营车辆的识别装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该非法运营车辆的识别装置为一个应用软件；该装置可以用于执行本发明实施例提供的方法中的相应步骤。

在一些实施例中，本发明实施例提供的非法运营车辆的识别装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的非法运营车辆的识别装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的非法运营车辆的识别方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。

在另一些实施例中，本发明实施例提供的非法运营车辆的识别装置可以采用软件方式实现，图2示出了存储在存储器中的非法运营车辆的识别装置，其可以是程序和插件等形式的软件，并包括一系列的模块，包括数据获取模块210、特征确定模块220和识别模块230，用于实现本发明实施例提供的非法运营车辆的识别方法。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。

基于与本发明的实施例中所示的方法相同的原理，本发明的实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本发明任一实施例所示的方法。

在一个可选实施例中提供了一种电子设备，如图3所示，图3所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本发明实施例的限定。

处理器4001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器4003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器4003用于存储执行本发明方案的应用程序代码(计算机程序)，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。

其中，电子设备也可以是终端设备，图3示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

本发明实施例提供了一种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，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。

根据本发明的另一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种实施例实现方式中提供的方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

应该理解的是，附图中的流程图和框图，图示了按照本发明各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

本发明实施例提供的计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。

上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种非法运营车辆的识别方法，其特征在于，包括以下步骤：

获取待识别车辆的车辆属性特征集合和目标地域，所述车辆属性特征集合中包括至少一个车辆属性特征；

对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征，所述目标时间为所述待识别车辆行驶至所述目标地域所需的时间；

根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果，所述身份识别结果为正常运营车辆或非法运营车辆。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述目标时间划分为多个时间切片；

对于每个所述车辆属性特征，所述根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征，包括：

对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征。

3.根据权利要求2所述的方法，其特征在于，对于每个所述车辆属性特征，所述根据所述车辆属性特征，确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征，包括：

对于每个所述车辆属性特征，根据所述车辆属性特征，通过LPC编码确定所述待识别车辆在各个所述时间切片下，所述车辆属性特征对应的地域动态变迁特征。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述车辆属性特征集合是通过以下方式确定的：

获取所述待识别车辆的初始集合，所述初始集合中的车辆属性特征的数量不小于所述车辆属性特征集合中车辆属性特征的数量；

根据所述初始集合中的各个车辆属性特征，确定所述初始集合中每个所述车辆属性特征的权重；

根据所述初始集合中每个所述车辆属性特征的权重和预设阈值，对所述初始集合中的各个所述车辆属性特征进行筛选，得到所述车辆属性特征集合。

5.根据权利要求4所述的方法，其特征在于，所述初始集合中每个所述车辆属性特征的权重是通过以下方式确定的：

获取使识别模型的损失函数为最小值时对应的目标模型参数，所述识别模型为根据车辆的初始集合，识别该车辆的身份识别结果的模型；

根据所述目标模型参数，确定所述初始集合中的每个所述车辆属性特征的权重。

6.根据权利要求5所述的方法，其特征在于，所述目标模型参数是通过以下方式确定的：

获取训练样本，所述训练样本中包括多个样本车辆的样本车辆属性特征集合，每个所述样本车辆属性特征集合中包括多个车辆属性特征，每个所述样本车辆对应一个分类标签，对于每个所述样本车辆，所述分类标签表征了该样本车辆的真实身份识别结果；

根据所述训练样本对初始模型进行训练，得到每个所述样本车辆的预测识别结果；

根据各个所述预测识别结果和各个所述分类标签，确定所述初始模型的损失函数值；

将所述损失函数值为最小时对应的初始模型作为所述识别模型，将所述损失函数值为最小时对应的所述初始模型的模型参数作为所述目标模型参数。

7.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果，包括：

根据各个所述车辆属性特征对应的地域动态变迁特征，通过预训练的LSTM模型，得到所述待识别车辆的身份识别结果。

8.一种非法运营车辆的识别装置，其特征在于，包括：

数据获取模块，用于获取待识别车辆的车辆属性特征集合和目标地域，所述车辆属性特征集合中包括至少一个车辆属性特征；

特征确定模块，用于对于每个所述车辆属性特征，根据所述车辆属性特征，确定所述待识别车辆在目标时间下，所述车辆属性特征对应的地域动态变迁特征，所述目标时间为所述待识别车辆行驶至所述目标地域所需的时间；

识别模块，用于根据各个所述车辆属性特征对应的地域动态变迁特征，识别所述待识别车辆的身份识别结果，所述身份识别结果为正常运营车辆或非法运营车辆。

9.一种电子设备，其特征在于，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，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法。

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上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。