CN110766937A

CN110766937A - 停车点识别方法、装置、电子设备以及可读存储介质

Info

Publication number: CN110766937A
Application number: CN201910430522.8A
Authority: CN
Inventors: 李海波
Original assignee: Beijing Didi Infinity Technology and Development Co Ltd
Current assignee: Ditu Beijing Technology Co Ltd
Priority date: 2019-05-22
Filing date: 2019-05-22
Publication date: 2020-02-07
Anticipated expiration: 2039-05-22
Also published as: CN110766937B

Abstract

本申请提供一种停车点识别方法、装置、电子设备以及可读存储介质，涉及移动位置服务技术领域。该方法包括：获取目标移动设备的N个位置点的信息。提取N个位置点的特征信息，其中，N个位置点的特征包括时序特征和非时序特征。根据时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息。本申请实施例中，在识别停车点时，能够通过位置点的时序特征和非时序特征，获取位置点的停车状态信息，解决现有技术中识别异常停车点时，识别效果不佳的问题，达到提高识别精度，提升识别效率的效果。

Description

停车点识别方法、装置、电子设备以及可读存储介质

技术领域

本申请涉及移动位置服务技术领域，具体而言，涉及一种停车点识别方法、装置、电子设备以及可读存储介质。

背景技术

近年来，共享经济发展迅速，许多共享经济所提供的服务需要基于位置来提供，例如共享单车、共享出行等。这些服务的提供都要依赖于基于移动位置服务(Location BasedService，LBS)，因此，全球定位系统(Global Positioning System，GPS)轨迹流的异常停车点检测作为底层数据预处理，就显得非常基础和重要。

现有技术中，通常使用聚类或监督学习识别异常停车点，其中，聚类是将GPS按照密度聚类，找出汽车行驶轨迹中GPS点较为密集的簇，作为异常停车；监督学习是使用传统机器学习的方式，对异常停车点进行标注，抽取特征后学习。

但是，使用聚类或监督学习识别异常停车点时，存在着识别效果不佳的问题。

发明内容

有鉴于此，本申请实施例的目的在于提供一种停车点识别方法、装置、电子设备以及可读存储介质，能够通过位置点的时序特征和非时序特征，获取位置点的停车状态信息，解决现有技术中识别异常停车点时，识别效果不佳的问题，达到提高识别精度，提升识别效率的效果。

根据本申请的一个方面，提供停车点识别方法，可以包括：

获取目标移动设备的N个位置点的信息。提取N个位置点的特征信息，其中，N个位置点的特征包括时序特征和非时序特征。根据时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息。

可选地，提取N个位置点的特征信息，包括：通过第一预设模型处理N个位置点的信息，获取时序特征。通过第二预设模型处理N个位置点的信息，获取非时序特征。

可选地，提取N个位置点的特征信息，包括：对N个位置点的信息进行降噪预处理，获取N个位置点的处理后信息。根据N个位置点的处理后信息，提取N个位置点的特征信息。

可选地，获取N个位置点的信息，包括：每隔预设时间段，获取一次目标移动设备的位置点的信息，其中，每个位置点的信息包括：GPS信息、时间信息。

可选地，根据时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息，包括：根据异常停车点检测模型、时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息，其中，目标位置点为第M个位置点，M大于1、且小于N。

可选地，停车状态信息包括目标位置点为异常停车点的概率。

可选地，根据异常停车点检测模型、时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息之后，还包括：根据异常停车点的概率，判断目标位置点是否为异常停车点。

可选地，根据异常停车点检测模型、时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息之前，还包括：获取历史停车点的多媒体数据。根据多媒体数据，标记异常停车点。提取异常停车点的特征信息。根据异常停车点的特征信息，训练获取异常停车点检测模型。

可选地，非时序特征包括下述一项或多项：用户账号、采集位置点的时间信息、N个位置点的平均速度、N个位置点的速度方差、N个位置点的平均运动方向、N个位置点的运动方向方差、与目标移动设备所属行驶时间段相同且运动轨迹相同的其他移动设备的平均速度。时序特征包括下述一项或多项：N个位置点构成的点方向序列、点速度序列、坐标序列以及N个位置点中相邻两点之间的时间差。

本发明还提供了一种停车点识别装置，包括：第一获取模块、提取模块、第二获取模块。第一获取模块用于获取目标移动设备的N个位置点的信息。提取模块用于提取N个位置点的特征信息，其中，N个位置点的特征包括时序特征和非时序特征。第二获取模块用于根据时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息。

可选地，提取模块具体用于通过第一预设模型处理N个位置点的信息，获取时序特征。通过第二预设模型处理N个位置点的信息，获取非时序特征。

可选地，提取模块具体用于对N个位置点的信息进行降噪预处理，获取N个位置点的处理后信息。根据N个位置点的处理后信息，提取N个位置点的特征信息。

可选地，第一获取模块具体用于每隔预设时间段，获取一次目标移动设备的位置点的信息，其中，每个位置点的信息包括：全球定位系统GPS信息、时间信息。

可选地，第二获取模块具体用于根据异常停车点检测模型、时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息，其中，目标位置点为第M个位置点，M大于1、且小于N。

可选地，还包括判断模块，用于根据异常停车点的概率，判断目标位置点是否为异常停车点。

可选地，还包括训练模块，用于获取历史停车点的多媒体数据。根据多媒体数据，标记异常停车点。提取异常停车点的特征信息。根据异常停车点的特征信息，训练获取异常停车点检测模型。

本发明还提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行上述请求停车点识别方法的步骤。

本发明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运行时执行如上述停车点识别方法的步骤。

基于上述任一方面，在识别停车点时，能够通过位置点的时序特征和非时序特征，获取位置点的停车状态信息，解决现有技术中识别异常停车点时，识别效果不佳的问题，达到提高识别精度，提升识别效率的效果。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本申请实施例提供的停车点识别方法的应用场景图；

图2示出了本申请一实施例提供的停车点识别方法的流程图；

图3示出了本申请另一实施例提供的停车点识别方法的流程图；

图4示出了本申请再一实施例提供的停车点识别方法的流程图；

图5示出了本申请一实施例提供的停车点识别方法的模型结构图；

图6示出了本申请又一实施例提供的停车点识别方法的流程图；

图7示出了本申请一实施例提供的停车点识别装置的结构示意图；

图8示出了本申请另一实施例提供的停车点识别装置的结构示意图；

图9示出了本申请再一实施例提供的停车点识别装置的结构示意图；

图10示出了本申请实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。

为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“异常停车点识别”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕异常停车点识别进行描述，但是应该理解，这仅是一个示例性实施例。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

图1示出了本申请实施例提供的停车点识别方法的应用场景图。

如图1所示，包括车辆、网络、服务器、数据库中的一种或多种，服务器中可以包括执行指令操作的处理器(未示出)。该停车点识别方法可以是用于诸如出租车、代驾、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台提供的车辆，以及外卖服务平台、家政服务平台、购物服务平台等服务类平台提供的车辆。在一些实施例中，服务器可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器可以是分布式系统)。在一些实施例中，服务器可以包括：管理节点、工作节点和计算节点。其中，管理节点与工作节点连接，工作节点包括至少一个计算节点。在一些实施例中，服务器相对于车辆，可以是本地的、也可以是远程的。例如，服务器可以经由网络访问车辆上的目标移动设备中的信息和/或数据。作为另一示例，服务器可以直接连接到目标移动设备，以访问存储的信息和/或数据。在一些实施例中，服务器可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。

在一些实施例中，服务器可以包括处理器(未示出)。处理器(未示出)可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器(未示出)可以基于从服务请求方终端130获得的服务请求来确定目标车辆。在一些实施例中，处理器(未示出)可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器(未示出)可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(GraphicsProcessing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable GateArray,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等，或其任意组合。

服务器还可以与数据库通信连接，数据库可以存储数据和/或指令。在一些实施例中，数据库可以存储从目标移动设备获得的数据。在一些实施例中，数据库可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM)；RAM可以包括动态RAM(Dynamic Random AccessMemory,DRAM)，双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDRSDRAM)；静态RAM(Static Random-Access Memory,SRAM)，晶闸管RAM(Thyristor-BasedRandom Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-Only Memory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中，数据库可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。

在一些实施例中，数据库可以连接到网络以与服务器或目标移动设备中的一个或多个组件通信。服务器或目标移动设备中的一个或多个组件可以经由网络访问存储在数据库中的数据或指令。在一些实施例中，数据库可以直接连接到服务器或目标移动设备中的一个或多个组件；或者，在一些实施例中，数据库也可以是服务器的一部分。

网络可以用于信息和/或数据的交换。在一些实施例中，停车点识别方法中的一个或多个组件(例如，服务器、目标移动设备、数据库)可以向其他组件发送信息和/或数据。例如，服务器可以经由网络从目标移动设备获取位置点的信息。在一些实施例中，网络与目标移动设备之间可以是任何类型的无线网络，网络与服务器或数据库之间可以是任何类型的有线或无线网络，或者是他们的结合。仅作为示例，网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(WideArea Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、紫蜂(ZigBee)网络、或近场通信(Near Field Communication,NFC)网络等，或其任意组合。在一些实施例中，网络可以包括一个或多个网络接入点。例如，网络可以包括有线或无线网络接入点，例如网络和/或网络交换节点，停车点识别方法的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。

在一些实施例中，上述车辆包括如私人车辆、共享出行车辆、公共交通车辆等，可以通过目标移动设备与网络进行通信，将车辆的位置点的信息发送给网络，网络接收到车辆位置点的信息后，将车辆位置点的信息发送给服务器，通过服务其对上述的车辆位置点的信息进行处理，其中，共享出行车辆可以包括如快车、拼车、顺风车、代驾等，其位置点的采集可以通过安装有客户端的目标移动设备进行采集，客户端包括用户客户端和驾驶员客户端。

目标移动设备可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能监控设备、智能摄像机、或对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏设备、导航设备、或销售点(Point ofSale，POS)设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。在一些实施例中，机动车辆中的内置设备可以包括车载计算机、车载电视等。需要说明的是，目标移动设备可以是具有用于定位设备的位置的定位技术的设备。

图2示出了本申请一实施例提供的停车点识别方法的流程图。

参考图2，在一些实施方式中，本申请提供的请求处理方法包括：

S101、获取目标移动设备的N个位置点的信息。

一种可能的实施方式中，目标移动设备包括移动终端、车载GPS、车载终端等。例如，当车辆为共享出行的车辆时，目标移动设备可以是安装驾驶员客户端的智能手机；当车辆为公共交通的车辆时，目标移动设备可以是车载GPS；当车辆为具有智能控制系统的车辆时，目标移动设备可以是车载终端。在此不对车辆的类型、目标移动设备的类型做限制。

其中，由于目标移动设备跟随车辆同步移动，所以采集的目标移动设备的位置点的信息，可以代表车辆的位置点信息。

需要说明的是，N的取值为大于1的整数，在本实施例中，以N为61进行说明，但不以此为限。当N为61时，可以取得在结果准确的前提下，取得较佳的计算性能，当N大于61时，计算性能可能会下滑，并且由于位置点的增多，会造成整体的位置点数据偏平均化，不利于判断异常停车点。

S102、提取N个位置点的特征信息。

可选地，位置点的特征信息可以包括时序特征和非时序特征。时序特征可以包括时间序列特征，例如方向序列、速度序列、坐标序列等；非时序特征可以包括平均速度、速度方差、平均运动方向等。

可选地，根据目标移动设备类型的不同，位置点的特征信息还可以包括其他信息，例如设备ID、用户识别信息等，但不以此为限。

S103、根据时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息。

在本实施例中，停车状态可以包括正常停车和异常停车，其中，正常停车指的是行驶中必要的、不违反交通规则的停车，例如，上下乘客、等候交通灯、正常停车位的停车等。而异常停车指的是有可能出现意外的停车，例如，违章停车、驾驶员身体不适导致的停车、对驾驶员或乘客存在安全隐患的停车等。

基于上方法，在识别停车点时，能够通过位置点的时序特征和非时序特征，获取位置点的停车状态信息，解决现有技术中识别异常停车点时，识别效果不佳的问题，达到提高识别精度，提升识别效率的效果。

在一些实施方式中，第一预设模型为时序模型，时序模型的类型包括：长短期记忆网络(Long Short-Term Memory，LSTM)、门控递归单元(Gated Recurrent Unit，GRU)以及其对应变种，在本申请中，以LSTM为例进行说明，但不以此为限。

时序模型通过N个位置点的信息获取时序特征，例如，当N为61时，时序模型获取每个位置点的方向、速度、坐标等，经提取得到61个位置点构成的序列的点方向序列、61个位置点构成的序列的点速度序列、61个位置点构成序列的坐标序列、61个位置点构成点序列中，相邻两位置点之间的时间差等作为时序特征。

其中，第二预设模型为非时序模型，非时序模型包括：逻辑回归(LogisticRegression，LR)、梯度提升决策树(Gradient Boosting Decison Tree，GBDT)、因子分解机(Factorization Machine，FM)、场感知因子分解机(Field-aware FactorizationMachine，FFM)、随机森林、自适应增强算法(Adaboost)等。本申请中，使用了上述至少一种的非时序模型。需要说明的是，非时序模型的类型在此不做限制。

非时序模型通过N个位置点的信息获取非时序特征，例如，当N为61时，非时序模型获取每个位置点的方向、速度、坐标等，经过提取得到用户账号、当前时间的特征，如工作日、周末、早高峰、晚高峰等、以及是否有乘客在车上、61个位置点的平均速度、61个位置点的速度方差、61个位置点的平均运动方向、61个位置点的运动方向方差、同时间段通过该路段的轨迹的平均速度等作为非时序特征。

一种可能的实施方式中，降噪处理包括剔除漂移的点，例如，在61个位置点中，有某个位置点的坐标信息与其它位置点的坐标信息存在明显漂移，例如61个位置点形成的轨迹中，该位置点的坐标在轨迹上显示出明显偏离公路轨迹超出预设距离，即轨迹中这个位置点格外突出，则可认为该位置点为漂移的位置点，将该位置点移除，完成降噪。

一种可能的实施方式中，N个点经过降噪处理后，剩余位置点的数量小于N，则此时将N的数值更新为剩余的位置点的数量，例如，N为61，61个位置点中，存在两个漂移的位置点，则降噪处理是指，对61个位置点中漂移的两个位置点进行平滑修正或均值修正。其中，平滑修正指用该漂移的位置点相邻多个位置点数据的平滑值代替该漂移位置点的数据；均值修正值，指用该漂移的位置点相邻两个位置点数据的平均值代替该漂移位置点的数据。

还有一种可能的实施方式，例如，获取了61个位置点，在61个位置点中，存在两个漂移的位置点，通过降噪处理将两个漂移的位置点剔除，保留剩余的59个位置点。此时，在提取特征信息时，仅从剩余的59个位置点中提取特征信息。需要说明的是，降噪处理存在多种不同的方式，在本申请中，对降噪处理的方式不做限制。

其中GPS信息是位置坐标信息的一种，也可以是北斗信息等其他定位系统获取的坐标信息，本申请不做限制。

一些实施方式中，预设时间设为3秒，也可以设为1秒、5秒、10秒等，在此不做限制。

其中，GPS信息可以包括：GPS坐标、GPS速度、GPS夹角等，但不以此为限。时间信息表示采集该位置点的时间。

可选的，位置点的信息还可以包括如设备ID、用户账号、设备类型等，在此不做限制。

一些实施方式中，将N个点的时序特征、非时序特征输入异常停车点检测模型，异常停车点检测模型输出第M个位置点为停车点，且得到该位置点的停车状态信息，其中，停车状态信息包括该位置点为异常停车点的概率。例如，将61个点的时序特征、非时序特征输入异常停车点检测模型，异常停车点检测模型输出第31个位置点为停车点，且得到第31个位置点为异常停车点的概率。第M个位置点优选为N个位置点的中间点，即第M个点为N个位置点时序中间的位置点时，预测结果相对较优。

图3示出了本申请另一实施例提供的停车点识别方法的流程图。

如图3所示，根据异常停车点检测模型、时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息之后，还包括：

S104、根据异常停车点的概率，判断目标位置点是否为异常停车点。

一种可能的实施方式中，可以通过S形(sigmoid)函数，对异常停车点的概率进行二分类，例如，将阈值设为0.6，则目标位置点为异常停车点的概率大于0.6时，将目标位置点标记为异常停车点，若目标位置点为异常停车点的概率小于0.6时，将目标位置点标记为普通停车点，其中，阈值的设置以应用时的实际情况为准，在此不做限制。

图4示出了本申请再一实施例提供的停车点识别方法的流程图。

上述异常停车点检测模型需要通过训练获得，如图4所示，本申请实施例还提供了异常停车点检测模型的训练方法。

上述根据异常停车点检测模型、时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息之前，还包括：

S201、获取历史停车点的多媒体数据。

其中，历史停车点的多媒体数据包括停车点图像、车辆内的音频等内容。多媒体数据可以使用目标移动设备获取，也可以使用其他设备获取，或者同时使用目标移动设备获取和其他设备获取，以共享出行为例，可以通过安装驾驶员客户端的智能手机获取音频，通过车辆上安装的行车记录仪获取停车点图像，也可以在通过安装驾驶员客户端的智能手机获取音频的同时，通过智能手机的摄像头获取停车点图像，在此不做限制。

S202、根据多媒体数据，标记异常停车点。

一些实施方式中，人工查阅历史停车点的多媒体数据，并根据历史停车点的多媒体数据判断该历史停车点是否为异常停车点，若为异常停车点，则将该历史停车点标记为异常停车点。

S203、提取异常停车点的特征信息。

一种可能的实施方式中，异常停车点的特征信息可以包括下述一项或多项：用户账号、异常停车点的时间信息、异常停车点的速度、异常停车点的速度方差、异常停车点的运动方向、异常停车点的运动方向方差、与目标移动设备所属行驶时间段相同且运动轨迹相同的其他移动设备的平均速度、异常停车点前序和后序位置点构成的点方向序列、异常停车点前序和后序位置点构成的点速度序列、异常停车点前序和后序位置点构成的坐标序列以及异常停车点前序和后序位置点中相邻两点之间的时间差等。

S204、根据异常停车点的特征信息，训练获取异常停车点检测模型。

一些实施方式中，将提取的异常停车点的特征信息作为真值输入深度神经网络，对历史停车点进行识别，得到历史停车点为异常停车点的概率。根据历史停车点为异常停车点的概率判断该历史停车点是否为异常停车点，得到异常停车点检测模型的损失函数，并将异常停车点检测模型的损失函数反向传播，训练异常停车点检测模型。当异常停车点检测模型的损失函数收敛到一定的范围内时，获取此时的异常停车点检测模型，作为训练完成的异常停车点检测模型。

对于上述实施例，需要说明的是，非时序特征包括下述一项或多项：用户账号、采集位置点的时间信息、N个位置点的平均速度、N个位置点的速度方差、N个位置点的平均运动方向、N个位置点的运动方向方差、与目标移动设备所属行驶时间段相同且运动轨迹相同的其他移动设备的平均速度。时序特征包括下述一项或多项：N个位置点构成的点方向序列、点速度序列、坐标序列以及N个位置点中相邻两点之间的时间差。

图5示出了本申请一实施例提供的停车点识别方法的模型结构图。

如图5所示，该停车识别方法的模型可以包括：LSTM 301、非时序特征提取模型302、异常停车点检测模型303、二分类算法304。

其中，LSTM301中还包括多个单元3011，每个单元3011表示了一个位置点的GPS信息，例如包括GPS坐标、GPS速度、GPS夹角等，同时多个单元3011按照时序顺序排列，用于提取上述的时序特征。同时，通过非时序特征提取模型302，提取得到非时序特征，将时序特征和非时序特征作为异常停车点检测模型303的输入数据，通过异常停车点检测模型303、时序特征和非时序特征获得其中一个位置点为异常停车点的概率。最后将位置点为异常停车点的概率输入二分类算法304，进行二分类，确定该位置点是否为异常停车点。

图6示出了本申请又一实施例提供的停车点识别方法的流程图。

如图6所示，一种可能的实施方式中，停车点识别方法包括：

S401、每隔预设时间段，获取一次目标移动设备的位置点的信息，直到采集N个位置点。

S402、对N个位置点的信息进行降噪预处理，获取N个位置点的处理后信息。

S403、通过第一预设模型处理N个位置点的处理后信息，获取时序特征。

S404、通过第二预设模型处理N个位置点的处理后信息，获取时序特征。

S405、根据异常停车点检测模型、时序特征和非时序特征，获取N个位置点中至少一个目标位置点为异常停车点的概率。

S406、根据异常停车点的概率，判断目标位置点是否为异常停车点。

图7示出了本申请一实施例提供的停车点识别装置的结构示意图。

如图7所示，该装置包括：第一获取模块501、提取模块502、第二获取模块503。第一获取模块501用于获取目标移动设备的N个位置点的信息。提取模块502用于提取N个位置点的特征信息，其中，N个位置点的特征包括时序特征和非时序特征。第二获取模块503用于根据时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息。

可选地，提取模块502具体用于通过第一预设模型处理N个位置点的信息，获取时序特征。通过第二预设模型处理N个位置点的信息，获取非时序特征。

可选地，提取模块502具体用于对N个位置点的信息进行降噪预处理，获取N个位置点的处理后信息。根据N个位置点的处理后信息，提取N个位置点的特征信息。

可选地，第一获取模块501具体用于每隔预设时间段，获取一次目标移动设备的位置点的信息，其中，每个位置点的信息包括：全球定位系统GPS信息、时间信息。

可选地，第二获取模块503具体用于根据异常停车点检测模型、时序特征和非时序特征，获取N个位置点中至少一个目标位置点的停车状态信息，其中，目标位置点为第M个位置点，M大于1、且小于N。

图8示出了本申请另一实施例提供的停车点识别装置的结构示意图。

可选地，如图8所示，还包括判断模块504，用于根据异常停车点的概率，判断目标位置点是否为异常停车点。

图9示出了本申请再一实施例提供的停车点识别装置的结构示意图。

可选地，如图9所示，还包括训练模块505，用于获取历史停车点的多媒体数据。根据多媒体数据，标记异常停车点。提取异常停车点的特征信息。根据异常停车点的特征信息，训练获取异常停车点检测模型。

另一方面，图10示出了本申请实施例提供的电子设备的结构示意图。

如图10所示，本申请还提供了一种电子设备，包括：处理器601、计算机可读存储介质602和总线603，计算机可读存储介质602存储有处理器601可执行的机器可读指令，当电子设备运行时，处理器601与计算机可读存储介质602之间通过总线603通信，处理器601执行机器可读指令，以执行上述请求处理方法的步骤。

电子设备可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的停车点识别方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。

例如，电子设备可以包括用于执行程序指令的一个或多个处理器601、通信总线603、和不同形式的计算机可读存储介质602，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。

为了便于说明，在电子设备中仅描述了一个处理器601。然而，应当注意，本申请中的电子设备还可以包括多个处理器601，因此本申请中描述的一个处理器601执行的步骤也可以由多个处理器601联合执行或单独执行。

本申请还提供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运行时执行如上述的停车点识别方法的步骤。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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，也可以采用硬件加软件功能单元的形式实现。

以上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，可轻易想到变化或替换，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

1.一种停车点识别方法，其特征在于，包括：

获取目标移动设备的N个位置点的信息；

提取所述N个位置点的特征信息，其中，所述N个位置点的特征包括时序特征和非时序特征；

根据所述时序特征和所述非时序特征，获取所述N个位置点中至少一个目标位置点的停车状态信息。

2.根据权利要求1所述的方法，其特征在于，所述提取所述N个位置点的特征信息，包括：

通过第一预设模型处理所述N个位置点的信息，获取所述时序特征；

通过第二预设模型处理所述N个位置点的信息，获取所述非时序特征。

3.根据权利要求1所述的方法，其特征在于，所述提取所述N个位置点的特征信息，包括：

对所述N个位置点的信息进行降噪预处理，获取所述N个位置点的处理后信息；

根据所述N个位置点的处理后信息，提取所述N个位置点的特征信息。

4.根据权利要求1所述的方法，其特征在于，所述获取目标移动设备的N个位置点的信息，包括：

每隔预设时间段，获取一次所述目标移动设备的位置点的信息，其中，每个位置点的信息包括：全球定位系统GPS信息、时间信息。

5.根据权利要求1所述的方法，其特征在于，所述根据所述时序特征和所述非时序特征，获取所述N个位置点中至少一个目标位置点的停车状态信息，包括：

根据异常停车点检测模型、所述时序特征和所述非时序特征，获取所述N个位置点中至少一个目标位置点的停车状态信息，其中，所述目标位置点为第M个位置点，M大于1、且小于N。

6.根据权利要求5所述的方法，其特征在于，所述停车状态信息包括所述目标位置点为异常停车点的概率。

7.根据权利要求6所述的方法，其特征在于，所述根据异常停车点检测模型、所述时序特征和所述非时序特征，获取所述N个位置点中至少一个目标位置点的停车状态信息之后，还包括：

根据所述异常停车点的概率，判断所述目标位置点是否为异常停车点。

8.根据权利要求5所述的方法，其特征在于，所述根据异常停车点检测模型、所述时序特征和所述非时序特征，获取所述N个位置点中至少一个目标位置点的停车状态信息之前，还包括：

获取历史停车点的多媒体数据；

根据所述多媒体数据，标记异常停车点；

提取所述异常停车点的特征信息；

根据所述异常停车点的特征信息，训练获取所述异常停车点检测模型。

9.根据权利要求1-8任一项所述的方法，其特征在于，所述非时序特征包括下述一项或多项：用户账号、采集所述位置点的时间信息、N个位置点的平均速度、N个位置点的速度方差、N个位置点的平均运动方向、N个位置点的运动方向方差、与所述目标移动设备所属行驶时间段相同且运动轨迹相同的其他移动设备的平均速度；

所述时序特征包括下述一项或多项：N个位置点构成的点方向序列、点速度序列、坐标序列以及N个位置点中相邻两点之间的时间差。

10.一种停车点识别装置，其特征在于，包括：第一获取模块、提取模块、第二获取模块；

所述第一获取模块用于获取目标移动设备的N个位置点的信息；

所述提取模块用于提取所述N个位置点的特征信息，其中，所述N个位置点的特征包括时序特征和非时序特征；

所述第二获取模块用于根据所述时序特征和所述非时序特征，获取所述N个位置点中至少一个目标位置点的停车状态信息。

11.根据权利要求10所述的装置，其特征在于，所述提取模块具体用于：

12.根据权利要求10所述的装置，其特征在于，所述提取模块具体用于：

13.根据权利要求10所述的装置，其特征在于，所述第一获取模块具体用于每隔预设时间段，获取一次所述目标移动设备的位置点的信息，其中，每个位置点的信息包括：全球定位系统GPS信息、时间信息。

14.根据权利要求10所述的装置，其特征在于，所述第二获取模块具体用于根据异常停车点检测模型、所述时序特征和所述非时序特征，获取所述N个位置点中至少一个目标位置点的停车状态信息，其中，所述目标位置点为第M个位置点，M大于1、且小于N。

15.根据权利要求10所述的装置，其特征在于，所述停车状态信息包括所述目标位置点为异常停车点的概率。

16.根据权利要求15所述的装置，其特征在于，还包括判断模块，用于根据所述异常停车点的概率，判断所述目标位置点是否为异常停车点。

17.根据权利要求14所述的装置，其特征在于，还包括训练模块，用于：

获取历史停车点的多媒体数据；

根据所述多媒体数据，标记异常停车点；

提取所述异常停车点的特征信息；

18.根据权利要求10-17任一项所述的装置，其特征在于，所述非时序特征包括下述一项或多项：用户账号、采集所述位置点的时间信息、N个位置点的平均速度、N个位置点的速度方差、N个位置点的平均运动方向、N个位置点的运动方向方差、与所述目标移动设备所属行驶时间段相同且运动轨迹相同的其他移动设备的平均速度；

19.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1-9任一所述的停车点识别方法的步骤。

20.一种计算机可读存储介质，其特征在于，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运行时执行如权利要求1-9任一所述的停车点识别方法的步骤。