CN107704918B - 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 - Google Patents
驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN107704918B CN107704918B CN201710846077.4A CN201710846077A CN107704918B CN 107704918 B CN107704918 B CN 107704918B CN 201710846077 A CN201710846077 A CN 201710846077A CN 107704918 B CN107704918 B CN 107704918B
- Authority
- CN
- China
- Prior art keywords
- data
- driving
- trained
- user
- model
- 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
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种驾驶模型训练方法、驾驶人识别方法、装置、设备及介质。该驾驶模型训练方法包括:获取用户的训练行为数据,所述训练行为数据与用户标识相关联;基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据;基于所述用户标识,从所述训练驾驶数据获取正负样本;采用所述正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型。该驾驶模型训练方法解决了当前驾驶模型识别效果较差的问题,并提高了识别驾驶人开车的精确度。
Description
技术领域
本发明涉及行为识别领域,尤其涉及一种驾驶模型训练方法、驾驶人识别方法、装置、设备及介质。
背景技术
目前在判断是否为手机用户本人开车一般采用傅里叶分析算法对手机采集到的随时间变化的数据进行判断处理,以确定是否为手机用户本人开车。当前手机上内置的传感器实时根据采集到的随时间变化的数据,通过傅里叶分析算法对采集到的随时间变化的数据进行时频转换,提取到用于评价是否手机用户本人开车的指标。由于采用傅里叶分析算法处理数据是对基于具有周期性的随时间变化的数据进行处理判断的过程,因此获取的指标也具有周期性。然而,普通驾驶者的驾驶行为数据不具备明显的周期性,使得获取的指标不能较好地反映是否为用户本人开车,即识别结果较差,使得当前识别手机用户本人开车的精确度较低。
发明内容
本发明实施例提供一种驾驶模型训练方法、装置、设备及介质,以解决当前驾驶模型识别效果较差的问题。
本发明实施例还提供一种驾驶人识别方法、装置、设备及介质,以解决当前识别手机用户本人开车的精确度较低的问题。
第一方面,本发明实施例提供一种驾驶模型训练方法,包括:
获取用户的训练行为数据,所述训练行为数据与用户标识相关联;
基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据;
基于所述用户标识,从所述训练驾驶数据获取正负样本;
采用所述正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型。
第二方面,本发明实施例提供一种驾驶模型训练装置,包括:
训练行为数据获取模块,用于获取用户的训练行为数据,所述训练行为数据与用户标识相关联;
训练驾驶数据获取模块,用于基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据;
正负样本获取模块,用于基于所述用户标识,从所述训练驾驶数据获取正负样本;
目标驾驶模型获取模块,用于采用所述正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型。
第三方面,本发明实施例提供一种驾驶人识别方法,包括:
获取用户的待识别行为数据,所述待识别行为数据与用户标识相关联;
基于所述用户标识查询数据库,获取与所述用户标识相对应的目标驾驶模型;
基于所述待识别行为数据和所述目标驾驶模型,获取识别概率值;
判断所述识别概率值是否大于预设概率值;若所述识别概率值大于所述预设概率值,则确定为本人驾驶。
第四方面,本发明实施例提供一种驾驶人识别装置,包括:
待识别行为数据获取模块,用于获取用户的待识别行为数据,所述待识别行为数据与用户标识相关联;
目标驾驶模型获取模块,用于基于所述用户标识查询数据库,获取与所述用户标识相对应的目标驾驶模型;
识别概率值获取模块,用于基于所述待识别行为数据和所述目标驾驶模型,获取识别概率值;
识别结果判断模块,用于判断所述识别概率值是否大于预设概率值;若所述识别概率值大于所述预设概率值,则确定为本人驾驶。
第五方面,本发明实施例提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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所述驾驶模型训练方法的步骤;或者,所述处理器执行所述计算机程序时实现所述驾驶人识别方法的步骤。
第六方面,本发明实施例提供一种计算机可读介质,所述计算机可读介质存储有计算机程序,所述计算机程序被处理器执行时实现所述驾驶模型训练方法的步骤;或者,所述处理器执行所述计算机程序时实现所述驾驶人识别方法的步骤。
本发明实施例所提供的驾驶模型训练方法、装置、设备及介质中,先获取用户的训练行为数据,训练行为数据与用户标识相关联,以便基于用户标识分别获取与目标用户标识和非目标用户标识对应的训练行为数据,以保证训练获得的目标驾驶模型能够识别目标用户的驾驶行为。然后基于训练行为数据,获取与用户标识相关联的训练驾驶数据,该训练驾驶数据是从不同行为类型中提取驾驶类型对应的训练行为数据,排除其他非驾驶行为数据的干扰,有利于保证训练获得的目标驾驶模型的识别准确率并且提高目标驾驶模型的训练效率,节省训练时长。接着基于用户标识,从训练驾驶数据获取正负样本,正负样本可以有效确定训练目标驾驶模型所需参数,保证训练获取的目标驾驶模型识别结果的准确性。最后采用正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型,能够有效更新长短时记忆神经网络模型中各层的权值,使得通过正负样本训练得到的驾驶模型识别效果更精准。
本发明实施例所提供的驾驶人识别方法、装置、设备及介质中,通过获取用户的待识别行为数据和目标驾驶模型,基于待识别行为数据和目标驾驶模型,获取识别概率值,通过判断识别概率值是否大于预设概率值确定是否为本人驾驶,使得驾驶人识别结果更精确可靠。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例1中驾驶模型训练方法的一流程图。
图2是图1中步骤S12的一具体流程图。
图3是图2中步骤S121的一具体流程图。
图4是图1中步骤S13的一具体流程图。
图5是图1中步骤S14的一具体流程图。
图6是本发明实施例2中驾驶模型训练装置的一原理框图。
图7是本发明实施例3中驾驶人识别方法的一流程图。
图8是本发明实施例4中驾驶人识别装置的一原理框图。
图9是本发明实施例6中终端设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1示出本实施例中驾驶模型训练方法的一流程图。该驾驶模型训练方法可应用在保险机构或其他机构的终端设备上,用于训练驾驶模型,以便利用训练好的驾驶模型进行识别,达到智能识别的效果。如该驾驶模型训练方法可应用在保险机构的终端设备上,用于训练与用户相对应的驾驶模型,以便利用训练好的驾驶模型对在保险机构办理车险的用户进行识别,以确定是否为用户本人开车。如图1所示,该驾驶模型训练方法包括如下步骤:
S11:获取用户的训练行为数据,训练行为数据与用户标识相关联。
其中,训练行为数据是指用户在出行时获取的用于进行驾驶模型训练的行为数据。行为数据包括但不限于用户在出行时任意时刻采集到的速度、加速度、角度和角加速度等数据中的至少一个。用户标识是用于唯一识别用户的标识,为了保证训练得到的驾驶模型可用于识别是否为用户本人开车,需使获取到的所有训练行为数据均与用户标识相关联。其中,训练行为数据与用户标识相关联,是指每一用户标识对应的用户在出行时产生的训练行为数据。可以理解地,一个用户标识可相关联的多个训练行为数据。
本实施例中,用户预先在手机和平板等移动终端上的应用程序(即(Application,简称APP)上完成注册,以使应用程序对应的服务器可获取相应的用户标识。该用户标识可以为用户的手机号或身份证号等可唯一识别用户的标识。当用户携带移动终端出行时,移动终端中内置的传感器可实时采集用户出行过程中任意时刻的速度、加速度、角度和角加速度等行为数据,也可实时任意时刻的采集GPS定位信息,并基于GPS定位信息进行计算获取对应的行为数据。移动终端获取到行为数据后,将该行为数据上传到服务器中,以使服务器将获取到的行为数据存储在MySQL、Oracle等数据库中,并使每一行为数据与一用户标识关联存储。在终端设备需要进行驾驶模型训练时,可从MySQL、Oracle等数据库中查询获取与用户标识相关联的行为数据,作为训练驾驶模型的训练行为数据。数据库中存储有大量的训练行为数据,为驾驶模型训练提供良好的数据基础,以保证训练得到的驾驶模型的识别效果。
当前用户出行时可采用步行、自行车、轻骑、公共汽车、轿车、铁路和飞机中的至少一种交通方式出行,不同交通方式对应的速度、加速度、角度和角加速度等行为数据不相同。因此,步骤S11中获取的训练行为数据可能是步行、自行车、铁路和飞机等交通方式对应的行为数据,其与用户驾驶车辆时的行为数据存在较大差异,若直接基于步骤S11获取的训练行为数据进行驾驶模型训练,可能影响训练得到的驾驶模型的识别效果。
S12:基于训练行为数据,获取与用户标识相关联的训练驾驶数据。
其中,训练驾驶数据是指用户在以驾驶轿车这一种交通方式出行时获取的用于训练驾驶模型的行为数据。可以理解地,由于每一训练行为数据与用户标识相关联,而训练驾驶数据是训练行为数据中的一种,所以训练驾驶数据与用户标识相关联。训练驾驶数据区别于训练行为数据中采用步行、自行车、铁路、飞机等不是以驾驶轿车方式出行时采集的行为数据。从训练行为数据获取训练驾驶数据,有利于保障训练得到的驾驶模型更好反映用户的驾驶习惯,以便识别是否为用户本人开车。在本实施例中,原始采集的训练行为数据并不能直接用于训练驾驶模型,需在训练行为数据中提取用户驾驶轿车方式出行时采集的行为数据作为驾驶模型的训练驾驶数据。移动终端采集用户的训练行为数据并存储在数据库中,在各种训练行为数据中识别并提取出用户的驾驶行为数据作为训练驾驶数据,使得获取的训练驾驶数据可以应用于驾驶模型的训练过程,为驾驶模型的训练过程提供可靠的驾驶训练数据。
如图2所示,步骤S12中,获取用户的训练行为数据,训练行为数据与用户标识相关联,具体包括如下步骤:
S121:基于训练行为数据,获取与训练行为数据对应的行为类型,行为类型与用户标识相关联。
其中,行为类型是与训练行为数据相对应的用户出行交通方式,用户可以采用步行、自行车、轻骑、公共汽车、轿车、铁路和飞机等交通方式出行。训练行为数据可以包括速度、加速度、角度和角加速度等行为数据。本实施例中,每一行为类型都与对应的用户标识相关联,移动终端上的应用程序根据获取的训练行为数据,识别出训练行为数据中不同训练行为数据对应的行为类型,获取与用户标识相关联的行为类型。
具体地,用户A和用户B均可采用移动终端向服务器上传行为数据,以使终端设备在进行驾驶模型训练时,可通过服务器从数据库中获取用户A多个时刻对应的速度、加速度、角度和角加速度等训练行为数据,获取用户B多个时刻对应的速度、加速度、角度和角加速度等训练行为数据,根据用户标识相关确定获取的训练行为数据属于用户A或用户B,再对训练行为数据如速度、加速度、角度和角加速度等行为数据进行处理,识别该用户的训练行为数据对应的行为类型具体是属于步行、自行车、轻骑、公共汽车、轿车、铁路和飞机等交通方式中的哪一种行为类型,以获取与训练行为数据对应的行为类型。
如图3所示,步骤S121中,基于训练行为数据,获取与训练行为数据对应的行为类型,行为类型与用户标识相关联,具体包括如下步骤:
S1211:获取训练好的行为类型识别模型,行为类型识别模型包括至少两个聚类类簇,每一聚类类簇对应一行为类型,且每一聚类类簇包括一质心。
其中,行为类型识别模型是预先训练好的用于识别行为数据对应的行为类型的模型。该行为类型识别模型预先存储在数据库中,在终端设备进行驾驶模型训练时,可从数据库中调取该行为类型识别模型。本实施例中,行为类型识别模型是通过K-means聚类算法对历史行为数据进行聚类处理后获得的模型。该历史行为数据是用户在出行时获取的用于训练行为类型识别模型的行为数据,该行为数据包括但不限于用户在出行时的任意时刻采集到的速度、加速度、角度和角加速度等数据的至少一个。其中,K-means聚类算法是一种基于距离评估相似度的聚类算法,即两个对象的距离越近,其相似度越大的聚类算法。
具体地,采用K-means聚类算法进行聚类后获取的行为类型识别模型包括至少两个聚类类簇,每一聚类类簇对应一行为类型,并且每一聚类类簇包括一质心。本实施例中,该训练好的行为类型识别模型中可以包括7个聚类类簇,每个聚类类簇分别代表步行、自行车、轻骑、公共汽车、轿车、铁路和飞机,即每个聚类类簇代表一种行为类型。训练行为数据到聚类类簇的质心距离越小,则该训练行为数据越有可能属于该聚类类簇对应的行为类型。
S1212:计算训练行为数据到每一质心的距离。
本实施例中,分别计算获取的训练行为数据与至少两个聚类类簇对应的质心的距离,以确定该训练行为数据与每一聚类类簇的相似性。通过计算训练行为数据和每个聚类类簇对应的质心的欧氏距离,以便根据欧氏距离的大小评价训练行为数据与各个聚类类簇的相似性。欧氏距离(euclidean metric,又称欧几里得度量)是指在m维空间中两个点之间的真实距离,或向量的自然长度(即该点到原点的距离)。任意两个n维向量a(Xi1,Xi2,...,Xin)与b(Xj1,Xj2,...,Xjn)的欧氏距离
S1213:将距离最小的聚类类簇对应的行为类型,作为训练行为数据对应的行为类型。
本实施例中,通过计算训练行为数据和每个聚类类簇对应的质心的欧氏距离,将计算得出的距离最小的质心所属的聚类类簇对应的行为类型,作为训练行为数据对应的行为类型。可以理解地,训练行为数据与聚类类簇对应的行为类型的距离越接近,则该训练行为数据越有可能属于该聚类类簇代表的行为类型。例如获取到用户A的速度为40km/s,加速度为5km/s2,而行为类型识别模型中包括7个聚类类簇,则分别计算该训练行为数据与7个聚类类簇的质心的欧式距离;再比较计算获取的7个欧式距离的大小,将欧式距离最小的质心所属的聚类类簇对应的行为类型,确定为训练行为数据对应的行为类型。
S122:将行为类型为驾驶类型的训练行为数据,作为训练驾驶数据。
其中,驾驶类型是指与用户标识相对应的其中一种行为类型,具体是指用户在出行时选择驾驶方式出行的行为类型。本实施例中,终端设备在识别出与训练行为数据对应的行为类型后,选取其中行为类型为驾驶类型的训练行为数据,作为训练驾驶数据,以便利用该训练驾驶数据训练用于识别是否用户本人开车的驾驶模型。具体地,终端设备从数据库中获取用户A的训练行为数据可能对应步行、公共汽车、轿车和飞机等行为类型,在采用步骤S121对训练行为数据进行识别时,确定每一训练行为数据对应的行为类型后,从中选取行为类型为驾驶类型的训练行为数据作为训练驾驶数据。通过在多种行为类型中选取驾驶行为类型,可以获取进行驾驶模型训练所需的驾驶训练数据,有利于提高训练获取的驾驶模型识别是否为用户本人开车的准确率。
S13:基于用户标识,从训练驾驶数据获取正负样本。
其中,用户标识是指用于确定用户身份的标识,正样本是所要识别的用户本人开车的训练驾驶数据,负样本是指不是所要识别的用户本人开车的训练驾驶数据。本实施例中,训练驾驶数据是从训练行为数据提取出来的,训练行为数据与用户标识相关联,因此训练驾驶数据也与用户标识相关联,根据训练驾驶数据的用户标识,可简单快捷地获取需要进行驾驶模型训练的正负样本。
由于用户的行为类型与宏观路况相关,在行程的大多数时间内,驾驶行为是类似的,不具备可辨别性,故应缩短训练驾驶数据时长,以使获得的训练驾驶数据更具代表性,且具备较高的可辨别性,并有利于节省驾驶模型的训练时长。本实施例中,步骤S13具体包括:基于用户标识,从训练驾驶数据中选取预设数据时长的数据作为正负样本,以达到缩短训练驾驶数据时长的目的,从而缩短驾驶模型训练的时长。该预设数据时长是系统预先设置的用于限定数据采集的时长。如采集训练驾驶数据中每次行程起始时十分钟的数据作为正负样本,该正负样本可以为驾驶轿车刚驶出小区或刚驶出地库时等所采集到的训练驾驶数据。通过训练驾驶数据获取的正负样本可以有效训练驾驶模型中的所需参数,有效防止训练结果偏向极端的情况,以使通过正负样本训练获得的驾驶模型的识别结果更加精准。
如图4所示,步骤S13中,基于用户标识,从训练驾驶数据获取正负样本,具体包括如下步骤:
S131:从目标用户标识对应的训练驾驶数据中,选取预设时间段对应的训练驾驶数据作为正样本。
其中,目标用户是指驾驶模型所要识别的用户。相应地,目标用户标识是用于唯一识别目标用户的标识。本实施例中,选取与目标用户标识对应的训练驾驶数据,并将预设时间段对应的训练驾驶数据作为正样本。具体地,该正样本可以是目标用户A在预设时间段如连续2个月的上午8-9点内训练驾驶数据中前600s(即预设数据时长)的驾驶训练数据。为了进一步节省驾驶模型的训练时长,可使正样本对应的驾驶训练数据是在预设数据时长每隔一单位时间获取的数据,如任一训练驾驶数据前600s内每隔10s获取一次的驾驶训练数据,则可获取60条具体的驾驶训练数据作为正样本。
S132:从非目标用户标识对应的训练驾驶数据中,选取同一时间段对应的训练驾驶数据作为负样本。
其中,非目标用户是指驾驶模型所要识别的用户以外的其他用户。相应地,非目标用户标识是用于唯一识别非目标用户的标识。本实施例中,选取与非目标用户标识对应的训练驾驶数据,并将预设时间段对应的训练驾驶数据作为负样本。可以理解地,负样本中选取训练驾驶数据对应的预设时间段与正样本中选取训练驾驶数据预设时间段相同,以保证负样本与正样本是不同一用户在同一条件下获取的驾驶训练数据。具体地,该负样本可以是非目标用户B或非目标用户C在预设时间段如连续2个月的上午8-9点内训练驾驶数据中前600s的驾驶训练数据。为了进一步节省驾驶模型的训练时长,可使负样本对应的驾驶训练数据是在预设数据时长每隔一单位时间获取的数据,该一单位时间与正样本的单位时间相同,如任一训练驾驶数据前600s每隔10s获取一次驾驶训练数据,共获取60条具体的驾驶训练数据作为负样本。
进一步地,为提高驾驶模型训练的准确性,在训练目标用户对应的驾驶模型时,终端设备还可接收用户输入的数据查询指令,该数据查询指令包括目标用户标识。终端设备在接收到该数据查询指令后,通过数据库查询语句查询目标用户标识对应的目标用户详细信息。该目标用户详细信息包括目标用户的家庭住址、办公地址、上班时间等信息。并且,终端设备进一步查询数据库中是否存在与目标用户详细信息相同或相似的非目标用户,以使终端设备可基于非目标用户对应的非目标用户标识查询并获取对应的训练驾驶数据作为负样本,以使正负样本的详细信息相同或相似,使得采集到的目标用户和非目标用户对应的训练驾驶数据的宏观路况基本相似,在驾驶模型训练时更有利于保证训练得到的驾驶模型的识别准确率。
S133:按预设比例配置正样本和负样本的数量。
其中,预设比例是指初始预先设置的正样本和负样本数量的比例。本实施例中,正负样本的比例按1:1混合,避免因正负样本对应的训练驾驶数据数量不相同而出现过拟合现象。其中,过拟合是指为了得到一致假设而使假设变得过度严格的现象,避免过拟合是分类器设计中的一个核心任务。本实施例中,可以采集于目标用户A中60条具体的驾驶训练数据作为正样本,并采集非目标用户B、非目标用户C或者其他非目标用户间以任意比例组合而成的60条驾驶训练数据作为负样本,使得正负样本的比例按1:1混合,以避免过拟合现象。
S14:采用正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型。
其中,长短时记忆网络(Long Short-Term Memory,简称LSTM)模型,是一种时间递归神经网络模型,用于训练具有时序性特点的数据,将该具有时序性特点的数据在长短时记忆网络模型训练,能够获取与该数据相对应的识别模型。本实施例中,该具有时序性特点的数据为基于训练驾驶数据提取的正负样本,通过正负样本训练获取的模型即为目标驾驶模型。长短时记忆神经网络模型包括一输入层、一输出层和至少一隐藏层,长短时记忆神经网络模型中各层的权值是指神经网络模型中各层连接的权值,权值决定了各层最终输出的信息,并使得网络具有时序上的记忆功能。通过采用正负样本对长短时记忆神经网络模型进行训练,能够有效更新长短时记忆神经网络模型中各层的权值,由于正负样本分别对应目标用户和非目标用户的训练驾驶数据,使得获取的目标驾驶模型可识别出是否为目标用户本人驾驶。并且,长短时记忆神经网络模型通过对具有时序性特点的正负样本进行识别,可使目标驾驶模型的识别结果更为准确。
如图5所示,步骤S14中,采用正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型,具体包括如下步骤:
S141:初始化长短时记忆神经网络模型。
本实施例中,对长短时记忆神经网络模型进行初始化操作,其中,长短时记忆神经网络是在时间上相互连接的网络,其基本单元称为神经元。长短时记忆神经网络模型包括一输入层、一输出层和至少一隐藏层,其隐藏层包括输入门、遗忘门、输出门、神经元状态和神经元输出,长短时记忆神经网络模型中的每一层可以包括多个神经元。遗忘门决定了在神经元状态中所要丢弃的信息。输入门决定了在神经元中所要增加的信息。输出门决定了在神经元中所要输出的信息。神经元状态决定了各个门丢弃、增加和输出的信息,具体表示为与各个门之间连接的权值。神经元输出决定了与下一层的连接权值。可以理解地,初始化长短时记忆神经网络模型,即为设置长短时记忆神经网络模型各层之间连接的权值以及隐藏层中输入门、遗忘门、输出门、神经元状态和神经元输出之间的初始权值,本实施例中初始权值可设为1。
S142:在长短时记忆神经网络模型中输入正负样本,计算长短时记忆神经网络模型各层的输出值。
本实施例中,采用按单元时间间隔在一预设时间段内获取的正负样本输入到长短时记忆神经网络模型中,分别计算各层的输出值,包括计算正负样本在输入门、遗忘门、输出门、神经元状态和神经元输出的输出。其中,一个神经元包括有三种激活函数f(sigmoid)、g(tanh)和h(softmax)。激活函数能够将权值结果转化成分类结果,其作用是能够给神经网络加入一些非线性因素,使得神经网络可以更好地解决较为复杂的问题。
一个神经元所接收和处理的数据包括:输入的正负样本:x,状态数据:s。此外,以下提及的参数还包括:神经元的输入用a表示,输出用b表示。下标ι,φ和ω分别表示输入门、遗忘门和输出门。下标c表示神经元,t代表时刻。神经元跟输入门、遗忘门和输出门连接的权值分别记做wcl、wcφ和wcω。Sc表示神经元状态。I表示输入层的神经元的个数,H是隐层神经元的个数,C是神经元状态的神经元个数,这里取C=H。
输入门接收当前时刻的样本Xt、上一时刻的输出值bt-1 h以及上一时刻神经元的状态数据St-1 c,通过连接输入的正负样本与输入门的权值wil、连接上一时刻的输出值与输入门的权值whl和连接神经元与输入门的权值wcl,根据公式计算得到输入门的输出将激活函数f作用于由公式得到一个0-1区间的标量。此标量控制了神经元根据当前状态和过去状态的综合判断所接收当前信息的比例。
遗忘门接收当前时刻的样本Xt、上一时刻的输出值bt-1 h以及上一时刻的状态数据St-1 c,通过连接输入的正负样本与遗忘门的权值wiφ、连接上一时刻的输出值与遗忘门的权值whφ和连接神经元与遗忘门的权值wcφ,根据公式计算得到遗忘门的输出将激活函数f作用于由公式得到一个0-1区间的标量,此标量控制了神经元根据当前状态和过去状态的综合判断所接收过去信息的比例。
神经元接收当前时刻的样本Xt、上一时刻的输出值bt-1 h以及上一时刻的状态数据St-1 c、连接神经元与输入的正负样本的权值wic、连接神经元与上一时刻的输出值的权值whc以及输入门、遗忘门的输出标量,根据式计算当前时刻的神经元状态
输出门接收当前时刻的样本以及当前时刻的状态数据Xt,上一时刻的输出值bt-1 h以及当前时刻的状态数据通过连接输入的正负样本与输出门的权值wiw、连接上一时刻的输出值与输出门的权值whw以及连接神经元与输出门的权值wcw,根据公式计算输出门的输出将激活函数f作用于上由公式得到一个0-1区间的标量。
神经元输出根据输出门输出的标量计算。具体地,神经元输出的输出根据公式计算得出。由上述对正负样本在各层间的计算可获取长短时记忆神经网络模型各层的输出值。
S143:根据输出值对长短时记忆神经网络模型各层进行误差反传更新,获取更新后的各层的权值。
本实施例中,根据获取长短时记忆神经网络模型各层的输出值对长短时记忆神经网络模型各层进行误差反传更新。具体地,首先根据误差项的表达式可求出各层的误差项。其中,ε和δ均表示误差项,特别地,表示神经元输出反传的误差项,表示神经元状态反传的误差项,两者均表示误差项,但具体含义不同。在以下表达式中,神经元的输入用a表示,输出用b表示。下标ι,φ和ω分别表示输入门、遗忘门和输出门。下标c表示神经元,t代表时刻。神经元跟输入门、遗忘门和输出门连接的权值分别记做wcl、和wcω。Sc表示神经元状态,控制门的激活函数用f(sigmoid)表示,g(tanh)和h(softmax)分别表示神经元的输入激活函数和输出激活函数。K是输出层神经元的个数,H是隐层神经元的个数,C是神经元状态的神经元个数,这里取C=H。则输入门反传的误差项为遗忘门反传的误差项为神经元状态反传的误差项为其中,输出门反传的误差项为神经元输出反传的误差项为根据获得的各层误差项,再进行权值梯度的计算即可更新各层的权值,其中,权值更新的表达式为式中T表示时刻,W表示权值,如wcl、wcφ和wcω等连接权值。B表示输出值,如和等输出。δ表示误差项,如和等误差项。为上一时刻神经元的状态数据,bt-1 h为上一时刻的输出值。上述表达式各参数需相对应,如更新的具体权值为wcl时,则输出B为相对应的误差项δ为相对应的根据步骤S142和步骤S143的表达式可获得该权值更新表达式的所需参数值。则根据该权值更新的表达式进行运算即可获取更新后各层的权值。
S144:基于更新后的各层的权值,获取目标驾驶模型。
本实施例中,将获取的更新后的各层的权值,应用到长短时记忆神经网络模型中即可获取目标驾驶模型。进一步地,该目标驾驶模型中各层之间的权值实现了目标驾驶模型决定丢弃哪些旧信息、增加哪些新信息以及输出哪些信息的功能。在目标驾驶模型的输出层最终会输出一概率值,该概率值表示信息在通过目标驾驶模型处理后与该目标驾驶模型的贴近程度,即信息输入该驾驶模型的概率有多大,可广泛应用于驾驶人识别,以达到准确识别是否目标用户本人驾驶的效果。
可以理解地,步骤S14之后,该驾驶模型训练方法还包括:将获取的目标驾驶模型存储在数据库中,并在数据库中创建模型信息表,模型信息表包括至少一个模型信息,每一模型信息包括用户标识和与用户标识相对应的目标驾驶模型在数据库中的存储地址,以便于在利用目标驾驶模型进行识别时,可基于用户标识查询到对应的目标驾驶模型。
本实施例所提供的驾驶模型训练方法中,先获取用户的训练行为数据,训练行为数据与用户标识相关联,以便基于用户标识分别获取与目标用户标识和非目标用户标识对应的训练行为数据,以保证训练获得的目标驾驶模型能够识别目标用户的驾驶行为。然后基于训练行为数据,获取与用户标识相关联的训练驾驶数据,该训练驾驶数据是从不同行为类型中提取驾驶类型对应的训练行为数据,排除其他非驾驶行为数据的干扰,有利于保证训练获得的目标驾驶模型的识别准确率且提高目标驾驶模型的训练效率,节省训练时长,为驾驶模型的训练过程提供了可靠、相对应的驾驶训练数据,以实现驾驶模型的训练。接着基于用户标识,从训练驾驶数据获取正负样本,正负样本可以有效确定训练目标驾驶模型所需参数,保证训练得到的目标驾驶模型识别结果的准确性。最后采用正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型,采用正负样本进行训练,能够有效更新长短时记忆神经网络模型中各层的权值,使得通过正负样本训练得到的驾驶模型识别效果更精准。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例2
图6示出与实施例1中驾驶模型训练方法一一对应的驾驶模型训练装置的原理框图。如图6所示,该驾驶模型训练装置包括训练行为数据获取模块11、训练驾驶数据获取模块12、正负样本获取模块13和目标驾驶模型获取模块14。其中,训练行为数据获取模块11、训练驾驶数据获取模块12、正负样本获取模块13和目标驾驶模型获取模块14的实现功能与实施例1中驾驶模型训练方法对应的步骤一一对应,为避免赘述,本实施例不一一详述。
训练行为数据获取模块11,用于获取用户的训练行为数据,训练行为数据与用户标识相关联。
训练驾驶数据获取模块12,用于基于训练行为数据,获取与用户标识相关联的训练驾驶数据。
正负样本获取模块13,用于基于用户标识,从训练驾驶数据获取正负样本。
目标驾驶模型获取模块14,用于采用正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型。
优选地,训练驾驶数据获取模块12包括行为类型获取单元121和训练驾驶数据获取单元122。
行为类型获取单元121,用于基于训练行为数据,获取与训练行为数据对应的行为类型,行为类型与用户标识相关联。
训练驾驶数据获取单元122,用于将行为类型为驾驶类型的训练行为数据,作为训练驾驶数据。
优选地,行为类型获取单元121包括行为类型识别模型获取子单元1211、距离计算子单元1212和行为类型确定子单元1213。
行为类型识别模型获取子单元1211,用于获取训练好的行为类型识别模型,行为类型识别模型包括至少两个聚类类簇,每一聚类类簇对应一行为类型,且每一聚类类簇包括一质心。
距离计算子单元1212,用于计算训练行为数据到每一质心的距离。
行为类型确定子单元1213,用于将距离最小的聚类类簇对应的行为类型,作为训练行为数据对应的行为类型。
优选地,正负样本获取模块13包括正样本获取单元131、负样本获取单元132、和比例配置单元133。
正样本获取单元131,用于从目标用户标识对应的训练驾驶数据中,选取预设时间段对应的训练驾驶数据作为正样本。
负样本获取单元132,用于从非目标用户标识对应的训练驾驶数据中,选取同一时间段对应的训练驾驶数据作为负样本。
比例配置单元133,用于按预设比例配置正样本和负样本的数量。
优选地,目标驾驶模型获取模块14包括网络模型初始化单元141、输出值计算单元142、权值更新单元143和目标驾驶模型获取单元144。
网络模型初始化单元141,用于初始化长短时记忆神经网络模型。
输出值计算单元142,用于在长短时记忆神经网络模型中输入正负样本,计算长短时记忆神经网络模型各层的输出值。
权值更新单元143,用于根据输出值对长短时记忆神经网络模型各层进行误差反传更新,获取更新后的各层的权值。
目标驾驶模型获取单元144,用于基于更新后的各层的权值,获取目标驾驶模型。
本实施例所提供的驾驶模型训练装置中,训练行为数据获取模块11用于获取用户的训练行为数据,其中训练行为数据与用户标识相关联,以便基于用户标识分别获取与目标用户标识和非目标用户标识对应的训练行为数据,以保证训练获得的目标驾驶模型能够识别目标用户的驾驶行为。训练驾驶数据获取模块12用于基于训练行为数据,获取与用户标识相关联的训练驾驶数据,该训练驾驶数据是从不同行为类型中提取驾驶类型对应的训练行为数据,排除其他非驾驶行为数据的干扰,有利于保证训练获得的目标驾驶模型的识别准确率且提高目标驾驶模型的训练效率,节省训练时长,为驾驶模型的训练过程提供了可靠、相对应的驾驶训练数据,以实现驾驶模型的训练。正负样本获取模块13用于基于用户标识,从训练驾驶数据获取正负样本,正负样本可以有效确定训练目标驾驶模型所需参数,保证训练得到的目标驾驶模型识别结果的准确性。目标驾驶模型获取模块14用于采用正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型,通过采用正负样本对长短时记忆神经网络模型进行训练,将初始化的长短时记忆神经网络模型中各层的权值进行更新,以使能够获取具有识别驾驶人功能的驾驶模型,并且能够实现通过训练获取的驾驶模型识别结果更精准的效果。
实施例3
图7示出本实施例中驾驶人识别方法的一流程图。该驾驶人识别方法可应用在保险机构或者其他机构的终端设备上,以便对驾驶人驾驶行为进行识别,达到智能识别的效果。如图7所示,该驾驶人识别方法包括如下步骤:
S21:获取用户的待识别行为数据,待识别行为数据与用户标识相关联。
其中,待识别行为数据是指用户在出行时实时采集到的用于识别是否为目标用户本人开车的行为数据。行为数据包括但不限于用户在出行时的任意时刻采集到的速度、加速度、角度和角加速度等数据中的至少一个。本实施例中,该待识别行为数据与用户标识相关联,是指每一用户在出行时形成的待识别行为数据与用户标识相关联,以便基于该用户标识查找对应的目标驾驶模型对待识别行为数据进行识别。
S22:基于用户标识查询数据库,获取与用户标识相对应的目标驾驶模,其中,目标驾驶模型是采用实施例1中驾驶模型训练方法获取的模型。
本实施例中,终端设备根据待识别行为数据中的用户标识查询存储在数据库中的目标驾驶模型,以便基于该目标驾驶模型识别出待识别行为数据是否为用户标识对应的用户本人驾驶。其中,数据库中存储有目标驾驶模型和模型信息表,模型信息表包括至少一个模型信息,每一模型信息包括用户标识和与用户标识相对应的目标驾驶模型在数据库中的存储地址,以便于在利用目标驾驶模型进行识别时,可基于用户标识查询到对应的目标驾驶模型。具体地,可以为用户A的移动终端实时获取用户A的待识别行为数据,并上传到服务器,以使保险机构中的终端设备可从服务器中获取该待识别行为数据,并根据该待识别行为数据中关于用户A的用户标识,查询存储在数据库中的与用户A的用户标识相关联的目标驾驶模型的存储地址,基于该存储地址获取对应的目标驾驶模型。
S23:基于待识别行为数据和目标驾驶模型,获取识别概率值。
本实施例中,将待识别行为数据输入到目标驾驶模型中进行识别,在目标驾驶模型中对输入的待识别行为数据进行基于各层间权值的转换处理,在输出层输出识别概率值。具体地,终端设备在获取用户A的待识别行为数据和目标驾驶模型后,将待识别行为数据在目标驾驶模型中进行基于各层间权值的转换处理,获取最终的识别概率值。其中,该识别概率值可以为0-1之间的实数。
S24:判断识别概率值是否大于预设概率值;若识别概率值大于预设概率值,则确定为本人驾驶。
其中,预设概率值是预先设置的用于评价是否为本人驾驶的概率值。本实施例中,将待识别行为数据在目标驾驶模型中处理最终获取的识别概率值,与预设概率值进行比较。若识别概率值大于预设概率值,则可以确定为本人驾驶。若识别概率值小于或等于预设概率值,则认为不是本人在驾驶。具体地,若终端设备获取用户A的识别概率值为0.95,而预设概率值为0.9,则可以确定是用户A本人驾驶。
本实施例所提供的驾驶人识别方法中,基于待识别行为数据中的用户标识查询并获取对应的目标驾驶模型,目标驾驶模型的获取过程简单快捷。再采用目标驾驶模型对待识别行为数据进行识别,有利保障获取识别概率值的准确性。通过判断识别概率值是否大于预设概率值确定是否为本人驾驶,即确定是用户标识对应的用户本人驾驶,还是用户标识对应的用户搭乘其他用户驾驶的轿车,以保证驾驶人识别结果更精确可靠。
实施例4
图8示出与实施例1中驾驶模型训练方法一一对应的驾驶模型训练装置的原理框图。如图8所示,该驾驶模型训练装置包括待识别行为数据获取模块21、目标驾驶模型获取模块22、识别概率值获取模块23和识别结果判断模块24。其中,待识别行为数据获取模块21、目标驾驶模型获取模块22、识别概率值获取模块23和识别结果判断模块24的实现功能与实施例中驾驶模型训练方法对应的步骤一一对应,为避免赘述,本实施例不一一详述。
待识别行为数据获取模块21,用于获取用户的待识别行为数据,待识别行为数据与用户标识相关联。
目标驾驶模型获取模块22,用于基于用户标识查询数据库,获取与用户标识相对应的目标驾驶模型。
识别概率值获取模块23,用于基于待识别行为数据和目标驾驶模型,获取识别概率值。
识别结果判断模块24,用于判断识别概率值是否大于预设概率值;若识别概率值大于预设概率值,则确定为本人驾驶。
本实施例所提供的驾驶人识别方法装置中,待识别行为数据获取模块21实现了对用户实时发出的待识别行为数据的采集功能,为驾驶人识别提供了进行模型识别的数据基础。目标驾驶模型获取模块22基于待识别行为数据中的用户标识查询并获取对应的目标驾驶模型,目标驾驶模型的获取过程简单快捷。识别概率值获取模块23和识别结果判断模块24将待识别行为数据输入到驾驶模型中进行识别处理,采用目标驾驶模型对待识别行为数据进行识别,有利保障获取识别概率值的准确性。在驾驶模型输出层输出一识别概率值,通过与预设概率值的比较,可以实现对待识别行为数据代表的驾驶人进行有效识别,以保证驾驶人识别结果更精确可靠。
实施例5
本实施例提供一计算机可读介质,该计算机可读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实施例1中驾驶模型训练方法,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现实施例2中驾驶模型训练装置的各模块/单元的功能,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现实施例3中驾驶人识别方法中各步骤的功能,为避免重复,此处不一一赘述。或者,该计算机程序被处理器执行时实现实施例4中驾驶人识别装置中各模块/单元的功能,为避免重复,此处不一一赘述。
实施例6
图9是本发明一实施例提供的终端设备的一示意图。如图9所示,该实施例的终端设备90包括:处理器91、存储器92以及存储在存储器92中并可在处理器91上运行的计算机程序93,该计算机程序被处理器91执行时实现实施例1中的驾驶模型训练方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器91执行时实现实施例2中驾驶模型训练装置中各模型/单元的功能,为避免重复,此处不一一赘述。或者,该计算机程序被处理器91执行时实现实施例3中驾驶人识别方法中各步骤的功能,为避免重复,此处不一一赘述。或者,该计算机程序被处理器91执行时实现实施例4中驾驶人识别装置中各模块/单元的功能。为避免重复,此处不一一赘述。
示例性的,计算机程序93可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器92中,并由处理器91执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序93在终端设备90中的执行过程。例如,计算机程序90可以被分割成实施例2中的训练行为数据获取模块11、训练驾驶数据获取模块12、正负样本获取模块13和目标驾驶模型获取模块14,或者实施例4中的待识别行为数据获取模块21、目标驾驶模型获取模块22、识别概率值获取模块23和识别结果判断模块24,各模块的具体功能如实施例2或实施例4所述,在此不一一赘述。
终端设备90可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器91、存储器92。本领域技术人员可以理解,图9仅仅是终端设备90的示例,并不构成对终端设备90的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器91可以是中央处理单元(Central Processing Unit,CPU),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)、现成可编程门阵列(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。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。
存储器92可以是终端设备90的内部存储单元,例如终端设备90的硬盘或内存。存储器92也可以是终端设备90的外部存储设备,例如终端设备90上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器92还可以既包括终端设备90的内部存储单元也包括外部存储设备。存储器92用于存储计算机程序以及终端设备所需的其他程序和数据。存储器92还可以用于暂时地存储已经输出或者将要输出的数据。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种驾驶模型训练方法,其特征在于,包括:
获取用户的训练行为数据,所述训练行为数据与用户标识相关联;每一所述训练行为数据与用户标识关联存储;
基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据;
基于所述用户标识,从所述训练驾驶数据获取正负样本;
采用所述正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型;
所述基于所述用户标识,从所述训练驾驶数据获取正负样本,包括:
接收数据查询指令,所述数据查询指令包括目标用户标识;
从目标用户标识对应的所述训练驾驶数据中,选取预设时间段内预设数据时长每隔一单位时间获取的所述训练驾驶数据作为正样本;
基于所述目标用户标识查询数据库,获取目标用户详细信息;
基于所述目标用户详细信息查询数据库,获取与所述目标用户详细信息相同或相似的至少一个非目标用户,所述非目标用户对应一非目标用户标识;
从所述非目标用户标识对应的所述训练驾驶数据中,选取同一时间段内预设数据时长每隔一单位时间获取的所述训练驾驶数据作为负样本;
按预设比例配置所述正样本和所述负样本的数量。
2.根据权利要求1所述的驾驶模型训练方法,其特征在于,所述基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据,包括:
基于所述训练行为数据,获取与所述训练行为数据对应的行为类型,所述行为类型与所述用户标识相关联;
将所述行为类型为驾驶类型的所述训练行为数据,作为所述训练驾驶数据。
3.根据权利要求2所述的驾驶模型训练方法,其特征在于,所述基于所述训练行为数据,获取与所述训练行为数据对应的行为类型,所述行为类型与所述用户标识相关联,包括:
获取训练好的行为类型识别模型,所述行为类型识别模型包括至少两个聚类类簇,每一所述聚类类簇对应一所述行为类型,且每一所述聚类类簇包括一质心;
计算所述训练行为数据到每一所述质心的距离;
将所述距离最小的所述聚类类簇对应的所述行为类型,作为所述训练行为数据对应的所述行为类型。
4.根据权利要求1所述的驾驶模型训练方法,其特征在于,所述采用所述正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型,包括:
初始化长短时记忆神经网络模型;
在所述长短时记忆神经网络模型中输入所述正负样本,计算所述长短时记忆神经网络模型各层的输出值;
根据所述输出值对所述长短时记忆神经网络模型各层进行误差反传更新,获取更新后的所述各层的权值,其中,所述误差反传更新的表达式为其中,T表示时刻,W表示权值,B表示输出值,δ表示误差项,为上一时刻神经元的状态数据,bt-1 h为上一时刻的输出值;
基于更新后的所述各层的权值,获取目标驾驶模型。
5.一种驾驶人识别方法,其特征在于,包括:
获取用户的待识别行为数据,所述待识别行为数据与用户标识相关联;
基于所述用户标识查询数据库,获取与所述用户标识相对应的目标驾驶模型,所述目标驾驶模型是采用权利要求1-4任一项所述驾驶模型训练方法获取的模型;
基于所述待识别行为数据和所述目标驾驶模型,获取识别概率值;
判断所述识别概率值是否大于预设概率值;若所述识别概率值大于所述预设概率值,则确定为本人驾驶。
6.一种驾驶模型训练装置,其特征在于,包括:
训练行为数据获取模块,用于获取用户的训练行为数据,所述训练行为数据与用户标识相关联;每一所述训练行为数据与用户标识关联存储;
训练驾驶数据获取模块,用于基于所述训练行为数据,获取与所述用户标识相关联的训练驾驶数据;
正负样本获取模块,用于基于所述用户标识,从所述训练驾驶数据获取正负样本;
目标驾驶模型获取模块,用于采用所述正负样本对长短时记忆神经网络模型进行训练,获取目标驾驶模型;
所述正负样本获取模块,包括:
数据查询指令接收单元,用于接收数据查询指令,所述数据查询指令包括目标用户标识;
正样本获取单元,用于从目标用户标识对应的所述训练驾驶数据中,选取预设时间段内预设数据时长每隔一单位时间获取的所述训练驾驶数据作为正样本;
目标用户详细信息获取单元,获取所述目标用户标识对应的目标用户详细信息;
非目标用户获取单元,基于所述目标用户详细信息查询数据库,获取与所述目标用户详细信息相同或相似的至少一个非目标用户,所述非目标用户对应一非目标用户标识;
负样本获取单元,用于从非目标用户标识对应的所述训练驾驶数据中,选取同一时间段内预设数据时长每隔一单位时间获取的所述训练驾驶数据作为负样本;
比例配置单元,用于按预设比例配置所述正样本和所述负样本的数量。
7.一种驾驶人识别装置,其特征在于,包括:
待识别行为数据获取模块,用于获取用户的待识别行为数据,所述待识别行为数据与用户标识相关联;
目标驾驶模型获取模块,用于基于所述用户标识查询数据库,获取与所述用户标识相对应的目标驾驶模型,所述目标驾驶模型是采用权利要求1-4任一项所述驾驶模型训练方法获取的模型;
识别概率值获取模块,用于基于所述待识别行为数据和所述目标驾驶模型,获取识别概率值;
识别结果判断模块,用于判断所述识别概率值是否大于预设概率值;若所述识别概率值大于所述预设概率值,则确定为本人驾驶。
8.一种终端设备,包括存储器、处理器以及存储在所述存储器中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4任一项所述驾驶模型训练方法的步骤;或者,所述处理器执行所述计算机程序时实现如权利要求5所述驾驶人识别方法的步骤。
9.一种计算机可读介质,所述计算机可读介质存储有计算机程序,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4任一项所述驾驶模型训练方法的步骤;或者,所述处理器执行所述计算机程序时实现如权利要求5所述驾驶人识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710846077.4A CN107704918B (zh) | 2017-09-19 | 2017-09-19 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
PCT/CN2017/108524 WO2019056498A1 (zh) | 2017-09-19 | 2017-10-31 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710846077.4A CN107704918B (zh) | 2017-09-19 | 2017-09-19 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107704918A CN107704918A (zh) | 2018-02-16 |
CN107704918B true CN107704918B (zh) | 2019-07-12 |
Family
ID=61172929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710846077.4A Active CN107704918B (zh) | 2017-09-19 | 2017-09-19 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107704918B (zh) |
WO (1) | WO2019056498A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877775B (zh) * | 2018-06-04 | 2023-03-31 | 平安科技(深圳)有限公司 | 语音数据处理方法、装置、计算机设备及存储介质 |
CN109060370B (zh) * | 2018-06-29 | 2019-12-10 | 奇瑞汽车股份有限公司 | 对自动驾驶车辆进行车辆测试的方法及装置 |
CN110459051B (zh) * | 2019-06-21 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 路段特征模型训练方法、装置、终端设备及存储介质 |
CN111832597B (zh) * | 2019-08-01 | 2024-06-11 | 北京嘀嘀无限科技发展有限公司 | 一种车辆类型的判定方法及装置 |
CN110852527B (zh) * | 2019-11-20 | 2022-05-31 | 成都理工大学 | 一种结合深度学习的储层物性参数预测方法 |
CN112863245B (zh) * | 2019-11-28 | 2022-07-05 | 南京理工大学 | 基于深度神经网络的车辆换道轨迹实时预测方法 |
CN111222563B (zh) * | 2020-01-02 | 2023-10-10 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、数据获取方法以及相关装置 |
CN113298103A (zh) * | 2020-05-27 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 向量聚类训练方法及装置 |
CN112085541A (zh) * | 2020-09-27 | 2020-12-15 | 中国建设银行股份有限公司 | 基于浏览消费时序数据的用户需求分析方法及装置 |
CN112163521A (zh) * | 2020-09-29 | 2021-01-01 | 东软集团股份有限公司 | 一种车辆行驶行为的识别方法、装置及设备 |
CN112308299B (zh) * | 2020-10-19 | 2024-04-19 | 新奥数能科技有限公司 | 用于电力系统负荷预测模型的样本数据提取方法和装置 |
CN112580730B (zh) * | 2020-12-24 | 2024-04-16 | 新华三技术有限公司 | 一种终端类型的识别方法及装置 |
CN113488052B (zh) * | 2021-07-22 | 2022-09-02 | 深圳鑫思威科技有限公司 | 无线语音传输和ai语音识别互操控方法 |
CN113741459B (zh) * | 2021-09-03 | 2024-06-21 | 阿波罗智能技术(北京)有限公司 | 确定训练样本的方法和自动驾驶模型的训练方法、装置 |
CN114332520B (zh) * | 2022-03-14 | 2022-06-17 | 中汽信息科技(天津)有限公司 | 基于深度学习的异常驾驶行为识别模型构建方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263937A (zh) * | 2011-07-26 | 2011-11-30 | 华南理工大学 | 基于视频检测的驾驶员驾驶行为监控装置及监控方法 |
CN105354986A (zh) * | 2015-11-12 | 2016-02-24 | 熊强 | 汽车司机驾驶状态监测系统及方法 |
CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
CN106127164A (zh) * | 2016-06-29 | 2016-11-16 | 北京智芯原动科技有限公司 | 基于显著性检测和卷积神经网络的行人检测方法及装置 |
CN106203626A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
CN106682602A (zh) * | 2016-12-16 | 2017-05-17 | 深圳市华尊科技股份有限公司 | 一种驾驶员行为识别方法及终端 |
CN106778583A (zh) * | 2016-12-07 | 2017-05-31 | 北京理工大学 | 基于卷积神经网络的车辆属性识别方法与装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7860813B2 (en) * | 2008-01-24 | 2010-12-28 | Nec Laboratories America, Inc. | Monitoring driving safety using semi-supervised sequential learning |
CN102722759B (zh) * | 2012-05-17 | 2015-01-14 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
US20150104757A1 (en) * | 2013-10-15 | 2015-04-16 | Mbfarr, Llc | Driving assessment and training method and apparatus |
CN104463201B (zh) * | 2014-11-28 | 2018-01-19 | 杭州华为数字技术有限公司 | 一种识别驾驶状态、驾驶人的方法及装置 |
CN106781454B (zh) * | 2016-11-25 | 2019-07-19 | 东软集团股份有限公司 | 驾驶行为的评估方法和装置 |
-
2017
- 2017-09-19 CN CN201710846077.4A patent/CN107704918B/zh active Active
- 2017-10-31 WO PCT/CN2017/108524 patent/WO2019056498A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263937A (zh) * | 2011-07-26 | 2011-11-30 | 华南理工大学 | 基于视频检测的驾驶员驾驶行为监控装置及监控方法 |
CN105354986A (zh) * | 2015-11-12 | 2016-02-24 | 熊强 | 汽车司机驾驶状态监测系统及方法 |
CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
CN106127164A (zh) * | 2016-06-29 | 2016-11-16 | 北京智芯原动科技有限公司 | 基于显著性检测和卷积神经网络的行人检测方法及装置 |
CN106203626A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
CN106778583A (zh) * | 2016-12-07 | 2017-05-31 | 北京理工大学 | 基于卷积神经网络的车辆属性识别方法与装置 |
CN106682602A (zh) * | 2016-12-16 | 2017-05-17 | 深圳市华尊科技股份有限公司 | 一种驾驶员行为识别方法及终端 |
Also Published As
Publication number | Publication date |
---|---|
WO2019056498A1 (zh) | 2019-03-28 |
CN107704918A (zh) | 2018-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704918B (zh) | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 | |
CN107766876B (zh) | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 | |
CN107679557A (zh) | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 | |
CN108229555B (zh) | 样本权重分配方法、模型训练方法、电子设备及存储介质 | |
Cao et al. | Support vector machine with adaptive parameters in financial time series forecasting | |
CN107784597A (zh) | 出行方式识别方法、装置、终端设备及存储介质 | |
Ahmad et al. | Genetic algorithm-artificial neural network (GA-ANN) hybrid intelligence for cancer diagnosis | |
CN106796580A (zh) | 用于异步脉冲调制采样信号的事件驱动的空间‑时间短时傅立叶变换处理 | |
CN110532417A (zh) | 基于深度哈希的图像检索方法、装置及终端设备 | |
CN108446534A (zh) | 选择神经网络超参数的方法、装置和计算机可读存储介质 | |
CN110459051A (zh) | 路段特征模型训练方法、装置、终端设备及存储介质 | |
CN109214503A (zh) | 基于kpca-la-rbm的输变电工程造价预测方法 | |
CN110211573A (zh) | 一种基于神经网络模型的任务驱动型对话决策方法 | |
Cios et al. | CLIP4: Hybrid inductive machine learning algorithm that generates inequality rules | |
CN110211684A (zh) | 基于遗传算法优化的bp神经网络的心电图分类方法 | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN109726676A (zh) | 自动驾驶系统的规划方法 | |
WO2023185887A1 (zh) | 模型获取系统、手势识别方法、装置、设备及存储介质 | |
CN110288097A (zh) | 一种模型训练的方法以及相关装置 | |
CN108304852A (zh) | 道路路段类型的确定方法、装置以及存储介质、电子装置 | |
CN110110628A (zh) | 一种频率综合器劣化的检测方法及检测设备 | |
Salama et al. | Learning multi-tree classification models with ant colony optimization | |
CN116348881A (zh) | 联合混合模型 | |
CN103886169A (zh) | 一种基于AdaBoost的链路预测算法 | |
CN109784545A (zh) | 一种基于多智能体的分布式能源枢纽的调度方法 |
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 |