CN111353467B - 行驶状态识别方法、装置、终端及存储介质 - Google Patents

行驶状态识别方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN111353467B
CN111353467B CN202010171506.4A CN202010171506A CN111353467B CN 111353467 B CN111353467 B CN 111353467B CN 202010171506 A CN202010171506 A CN 202010171506A CN 111353467 B CN111353467 B CN 111353467B
Authority
CN
China
Prior art keywords
probability
running state
mobile terminal
layer
feature
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
Application number
CN202010171506.4A
Other languages
English (en)
Other versions
CN111353467A (zh
Inventor
宋天龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN202010171506.4A priority Critical patent/CN111353467B/zh
Publication of CN111353467A publication Critical patent/CN111353467A/zh
Priority to PCT/CN2021/073794 priority patent/WO2021179818A1/zh
Application granted granted Critical
Publication of CN111353467B publication Critical patent/CN111353467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C9/00—Measuring inclination, e.g. by clinometers, by levels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本申请实施例公开了一种行驶状态识别方法、装置、终端及存储介质，属于信息处理领域。所述方法包括：对采集的行驶状态数据进行特征提取，得到行驶状态特征；通过RNN模型对行驶状态特征数据进行处理，得到第一输出特征；通过注意力模型对第一输出特征进行注意力计算，得到注意力权重向量，对注意力权重向量进行尺度化处理，根据处理后的注意力权重向量对第一输出特征进行加权处理，得到第二输出特征；对第二输出特征进行概率转换，得到第一概率矩阵；基于第一概率矩阵，确定移动终端的行驶状态，该行驶状态用于指示所乘地铁或用户步行的行驶状态。本申请可以通过移动终端检测所乘地铁或用户步行的行驶状态，灵活性较高，而且识别准确度较高。

Description

行驶状态识别方法、装置、终端及存储介质
技术领域
本申请实施例涉及信息处理领域，特别涉及一种行驶状态识别方法、装置、终端及存储介质。
背景技术
目前，在公交或地铁等交通工具运行的过程中，需要识别和监控这些交通工具的行驶状态，以便根据监控的行驶状态对乘客进行分流或者制定运行策略等。
相关技术中，可以在车辆中安装用于采集机车速度的速度采集模块、用于采集机车加速度的加速度采集模块、用于采集机车制动压力的压力采集模块、用于采集机车闸瓦表面温度的温度采集模块、以及用于对上述采集数据进行处理的监测终端。在车辆行驶过程中，速度采集模块、加速度采集模块、压力采集模块以及温度采集模块可以将采集到的数据分别发送给监控终端，由监控终端根据机车速度、机车加速度、机车制动压力以及机车闸瓦表面温度，确定车辆的行驶状态。
但是，上述方法需要在车辆中安装多种用于采集机车数据的传感器，成本较高，而且仅能根据从机车上采集到的数据来识别车辆的行驶状态，识别方式较为单一，灵活性较低。
发明内容
本申请实施例提供了一种行驶状态识别方法、装置、终端及存储介质，能够解决相关技术中存在的对唤醒词概率的预测准确率较低，容易出现误唤醒的技术问题。所述技术方案如下：
一方面，本申请实施例提供了一种行驶状态识别方法，应用于移动终端中，所述方法包括：
采集所述移动终端的行驶状态数据，所述行驶状态数据能够反映所述移动终端的行驶状态，所述行驶状态用于指示所述移动终端所乘车辆的行驶状态或用户步行的行驶状态；
对所述行驶状态数据进行特征提取，得到行驶状态特征；
将所述行驶状态特征作为循环神经网络RNN模型的输入，通过所述RNN模型对所述行驶特征进行处理，得到第一输出特征；
将所述第一输出特征作为注意力模型的输入，通过所述注意力模型对所述第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量，对所述注意力权重向量进行尺度化处理，根据处理后的注意力权重向量状态和所述第一输出特征，确定第二输出特征；
对所述第二输出特征进行概率转换，得到第一概率矩阵，所述第一概率矩阵用于指示所述移动终端处于至少一种行驶状态中每种行驶状态的概率；
基于所述第一概率矩阵，确定所述移动终端的第一行驶状态。
另一方面，提供了一种行驶状态识别装置，应用于移动终端中，所述装置包括：
采集模块，用于采集所述移动终端的行驶状态数据，所述行驶状态数据能够反映所述移动终端的行驶状态，所述移动终端的行驶状态用于指示所述移动终端所乘车辆的行驶状态或用户的行驶状态；
提取模块，用于对所述行驶状态数据进行特征提取，得到行驶状态特征；
第一处理模块，用于将所述行驶状态特征作为循环神经网络RNN模型的输入，通过所述RNN模型对所述行驶状态特征进行处理，得到第一输出特征；
第二处理模块，用于将所述第一输出特征作为注意力模型的输入，通过所述注意力模型对所述第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量，对所述注意力权重向量进行尺度化处理，根据处理后的注意力权重向量和所述第一输出特征，确定第二输出特征；
转换模块，用于对所述第二输出特征进行概率转换，得到第一概率矩阵，所述第一概率矩阵用于指示所述移动终端处于至少一种行驶状态中每种行驶状态的概率；
第一确定模块，用于基于所述第一概率矩阵，确定所述移动终端的第一行驶状态。
另一方面，提供了一种移动终端，所述移动终端包括处理器和存储器；所述存储器存储有至少一条指令，所述至少一条指令用于被所述处理器执行以实现上述行驶状态识别方法。
另一方面，提供了计算机可读存储介质，其特征在于，所述存储介质存储有至少一条指令，所述至少一条指令用于被处理器执行以实现上述行驶状态识别方法。
另一方面，还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令用于被处理器执行以实现上述行驶状态识别方法。
本申请提供的技术方案至少可以带来以下有益效果：
本申请实施例中，移动终端可以对自身采集的行驶状态数据进行预测，来确定所乘车辆或用户步行的行驶状态，从而提供了一种能够应用在移动终端中的行驶状态的方法，该方法无需在车辆上安装采集机车数据的传感器，降低了状态识别成品，且灵活性较高。而且，移动终端在对自身采集的行驶状态数据进行特征提取，得到行驶状态特征之后，可以先通过RNN模型对行驶状态特征进行处理，得到第一输出数据，再通过注意力模型对第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量，并对注意力权重向量进行尺度化处理，以便根据处理后的注意力权重向量对第一输出特征进行加权处理，如此，可以增强有用特征，削弱无用特征，由于对提取的特征进行了充分的特征融合和注意力计算，因此对行驶状态的识别准确度较高，泛化能力更强，减小了识别误差。
附图说明
图1是本申请实施例提供的一种行驶状态识别方法的流程图；
图2是本申请实施例提供的一种对加速度向量进行向量分解的示意图；
图3是本申请实施例提供的一种对水平加速度数据进行特征提取的流程图；
图4是本申请实施例提供的一种GRU模型的结构示意图；
图5是本申请实施例提供的一种注意力特征提取流程；
图6是本申请实施例提供的一种注意力模型的模型结构图；
图7是本申请实施例提供的一种历史窗口记忆模型和记忆融合处理模型的模型结构图；
图8是本申请实施例提供的另一种行驶状态识别方法的流程图；
图9是本申请实施例提供的一种一级行驶状态识别方法的逻辑结构示意图；
图10是本申请实施例提供的又一种行驶状态识别方法的流程图；
图11是本申请实施例提供的一种行驶状态识别装置的结构框图；
图12是本申请实施例提供的一种移动终端的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在对本申请实施例进行详细介绍之前，先对本申请实施例的实施环境进行介绍。本申请实施例提供的行驶状态识别方法应用于移动终端中，该移动终端可以为手机、平板电脑、或智能可穿戴设备等。该移动终端可以采集行驶状态数据，并根据行驶状态数据来预测移动终端的行驶状态，且该行驶状态可以指示移动终端所乘车辆的行驶状态或用户步行的行驶状态，比如，移动终端的行驶状态可以包括所乘车辆的启停状态，以及用户的步行状态等。
作为一个示例，该移动终端配置有加速度传感器和重力计，加速度传感器用于采集移动终端的加速度数据，重力计用于采集移动终端的重力数据。移动终端可以根据加速度数据和重力数据来预测移动终端的行驶状态。
图1是本申请实施例提供的一种行驶状态识别方法的流程图，该方法应用于移动终端中，如图1所示，该方法包括如下步骤：
步骤101：采集移动终端的行驶状态数据。
移动终端可以在熄屏或亮屏状态下采集行驶状态数据。另外，移动终端可以实时地或周期性地采集行驶状态数据，也可以按照其他采集策略采集行驶状态数据。
其中，该行驶状态数据能够反映移动终端的行驶状态。示例的，该行驶状态数据可以包括加速度数据和重力数据。加速度数据可以通过加速度传感器采集得到，重力数据可以通过传感器采集得到。重力传感器可以为重力计等。当然，该行驶状态数据也可以包括其他数据，本申请实施例对此不作限定。
示例的，加速度数据可以为加速度三轴数据，即加速度数据分别在移动终端的三维空间坐标系的三个坐标轴的分量，如X轴分量、Y轴分量和Z轴分量。示例的，重力数据可以为重力三轴数据，即重力数据分别在移动终端的三维空间坐标系的三个坐标轴的分量。
其中，该行驶状态用于指示移动终端所乘车辆的行驶状态或用户步行的行驶状态。比如，所乘车辆的行驶状态可以包括所乘车辆的启动状态、行驶中状态、停止状态中的至少一种，用户步行的行驶状态可以包括用户的步行状态和停止状态中的至少一种。
步骤102：对行驶状态数据进行特征提取，得到行驶状态特征。
作为一个示例，可以先对行驶状态数据进行处理，然后对处理后的行驶状态数据进行特征提取，得到行驶状态特征。
作为一个示例，若行驶状态数据包括加速度数据和重力数据，则可以先根据重力数据，确定加速度数据的水平分量，得到水平加速度数据，然后对水平加速度数据进行特征提取，得到行驶状态特征。也即是，先进行水平加速度计算，再进行特征提取。如此，可以有效降低用户在乘坐地铁等交通工具的过程中的加速度垂直分量噪声，同时对于用户在车辆内步行的状态也没有产生不良影响。
在一种实现方式中，水平加速度计算可以通过向量计算，可以根据重力计数据对加速度数据进行向量分解，得到加速度数据的水平分量。如图2所示，可以分别在重力方向和水平方向上对加速度向量进行向量分解，得到加速度重力分量和加速度水平分量。
作为一个示例，可以通过以下公式(1)计算加速度数据的水平分量：
Horizon＝Acc-(Acc×Gra)/(Acc×Acc) (1)
其中，Horizon为加速度的水平分量，Acc为加速度向量，Gra为重力向量，×是指向量相乘。
需要说明的是，在进行水平加速度计算时，需要根据相同时刻的重力数据，来确定相同时刻的加速度数据的水平分量。
作为一个示例，可以采用STFT(Short-Time Fourier Transform，短时傅里叶变换)方式，对水平加速度数据进行特征提取。相应地，行驶状态特征可以为降维后的短时傅里叶变换特征。
请参考图3，图3是本申请实施例提供的一种对水平加速度数据进行特征提取的流程图，如图3所示，对水平加速度数据进行特征提取的过程可以包括预处理、平滑和傅里叶变换这几个过程。
比如，先通过高斯滤波器对水平加速度数据进行滤波处理，然后对滤波后的水平加速度数据进行平滑处理，以平滑帧信号的边缘，再对平滑后的数据进行短时傅里叶变换，将得到的短时傅里叶变换特征作为行驶状态特征。
作为一个示例，滤波处理的数学表达式可以为：H(z)＝1-az-1。其中，z为水平加速度数据，a为修正系数，一般取0.95-0.97，H(z)为滤波处理结果。
作为一个示例，平滑处理时可以采用汉明窗进行平滑处理，平滑处理的数学表达式可以为：
Figure BDA0002409344970000041
其中，n为正整数，n＝0,1,2,3....M；M为傅里叶变换的点数，比如M可以为32；ω(n)为平滑处理结果。
步骤103：将行驶状态特征作为RNN模型的输入，通过RNN模型对行驶状态特征进行处理，得到第一输出特征。
其中，RNN(Recurrent Neural Network，循环神经网络)模型的输入为步骤102提取得到的行驶状态特征，输出为第一输出特征。
另外，由于RNN模型是一类用于处理序列数据的网络模型，因此，该RNN模型的输入可以为行驶状态特征序列，该行驶特征状态序列包括不同时间采集的行驶状态数据对应的行驶状态特征。比如，该行驶状态特征可以对周期性连续采集得到的多个行驶状态数据进行特征提取得到的多个行驶状态特征。
作为一个示例，RNN模型可以为GRU(Gate Recurrent Unit，门循环单元)模型或LSTM(Long-Short Term Memory，长短期记忆)模型。图4是本申请实施例提供的一种GRU模型的结构示意图。其中，x(t)为不同时间序列的行驶状态特征，y(t)为第一输出特征。
需要说明的是，GRU模型能够很容易地记住长依赖问题。即前面很久之前出现过一个重要的特征，如果遗忘门或者更新门选择不重写内部的记忆，那么网络就会一直记住之前的重要特征，并会对当前或者未来继续产生影响。而且，这种设计还可以为不同状态之间提供一条捷径，如此梯度回传的时候就不会消失的太快，从而减缓了梯度消失带来的难训练问题。
作为一个示例，RNN模型中RNN单元的数量可以为N，N为大于或等于1的整数，示例的，N可以为16或32等。比如，若RNN模型为GRU模型，则GRU模型中的GRU单元的数量可以为N。比如，N为16或32等。
步骤104：将第一输出特征作为注意力模型的输入，通过注意力模型对第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量，对注意力权重向量进行尺度化处理，根据处理后的注意力权重向量和第一输出特征，确定第二输出特征。
其中，该注意力模型的输入为第一输出特征，输出为第二输出特征。
注意力模型能够对输入特征进行逐通道的注意力特征提取，注意力特征提取的目的是将模型在高维特征上的各通道信息表征能力进行尺度化，进而得到基于行驶状态识别等深度学习任务的不同尺度。各通道注意力提取在GRU模型之后进行信息流的分流，将原有的输入特征分别进行各通道注意力尺度化和原始输入特征的保留。
作为一个示例，请参考图5，图5是本申请实施例提供的一种注意力特征提取流程，如图5所示，可以对第一输出特征进行逐通道的注意力特征提取。
通过对注意力模型对第一输出特征的各个通道的特征进行注意力计算，并根据注意力权重向量对第一输出特征进行加权处理，可以增强有用特征，削弱无用特征，将语音识别的注意力集中在唤醒词上，提高识别效果，对连续语音中包含唤醒词的情况识别效果较好，减小了误唤醒概率。
作为一个示例，请参考图6，图6是本申请实施例提供的一种注意力模型的模型结构图，如图6所示，该注意力模型包括池化层、卷积层、第一全连接层和第一非线性激活层。相应地，通过注意力模型对第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量的操作包括如下步骤1)-4)：
1)通过池化层对第一输出特征的各个通道的特征分别进行池化操作，得到池化层的输出特征。
其中，该池化层的输入为第一输出特征。将第一输出特征输入至池化层后，池化层可以对第一输出特征的各个通道的特征分别进行池化操作。
作为一个示例，池化层为TopN池化层，用于对第一输出特征的各个通道进行TopN维的特征提取。也即是，对于第一输出特征的每个通道，TopN池化层可以对每个通道的全部特征按照从大到小的顺序进行排序，并提取排序在前的N位特征作为该通道的池化结果。依次对所有通道进行如上操作，即可得到输出特征。
作为一个示例，第一输出特征的尺寸为C*H*W，其中C为通道数，H为高度，W为宽度，池化层为TopN池化层。对于每一个通道c,c∈C，TopN池化层对该通道的全部特征按照从大到小的顺序进行排序，提取排序在前的N位特征作为该通道的池化值。依次对所有通道进行如上操作，即可得到尺寸为C*N*1的输出特征。
2)将池化层的输出特征作为卷积层的输入，通过卷积层对池化层的输出特征进行卷积处理，得到卷积层的输出特征。
其中，该卷积层为卷积神经网络层，用于对池化层的输出特征进行卷积处理。比如，在池化层输出尺寸为C*N*1的输出特征之后，池化层可以将得到的输出特征输入至卷积层进行卷积处理，得到尺寸为C/N*1*1的一维向量输出特征。
作为一个示例，卷积层的计算公式如下：
Figure BDA0002409344970000061
其中，I表示卷积层的输入，W表示卷积对应的权重，bias表示偏置。
3)将卷积层的输出特征作为第一全连接层的输入，通过第一全连接层对卷积层的输出特征进行处理，得到第一全连接层的输出特征。
第一全连接层是一种以权重作为计算方式的神经网络层，用于对输入的特征计算局部特征。比如，若卷积层的输出特征的尺寸为C/N*1*1，则通过第一全连击层的计算得到的第一全连接层的输出特征的尺寸为C*1*1。
需要说明的是，该注意力模型可以包括一个或多个第一全连接层，每个第一全连接层用于对上一个网络层的输出特征进行处理，在将输出特征输入至下一个网络层。如图5所示，该注意力模型包括两个第一全连接层。
4)将第一全连接层的输出特征作为非线性激活层的输入，通过非线性激活层对第一全连接层的输出特征进行非线性处理，得到注意力权重向量。
非线性激活层用于对第一全连接层的输出特征进行非线性变换，具有对输出特征进行非线性提升的功能。示例的，注意力权重向量的尺寸为C*1*1。
作为一个示例，非线性激活层的计算公式如下所示：
y＝sigmoid(x) (3)
其中，y为非线性激活层的输出，即注意力权重向量，x为非线性激活层的输入。
另外，如图6所示，该注意力模型还包括注意力尺度化层，注意力尺度化层的输入包括第一输出特征和注意力权重向量。也即是，RNN模型可以将第一输出特征分别输入至该注意力模型的池化层和注意力尺度化层，在非线性激活层计算得到注意力权重向量之后，可以将注意力权重向量也输入至注意力尺度化层，由注意力尺度化层对第一输出特征和注意力权重向量进行处理，得到第二输出特征。
作为一个示例，通过注意力模型对注意力权重向量进行尺度化处理，根据处理后的注意力权重向量和第一输出特征，确定第二输出特征的操作可以包括如下步骤：
1)通过注意力尺度化层，对注意力权重向量进行尺度化处理，得到第一尺度化权重向量。
作为一个示例，可以通过以下公式中的任一种对注意力权重向量进行尺度化处理，得到第一尺度化权重向量：
at＝gBO(ht)＝bt (4)
at＝gL(ht)＝wt Tht+bt (5)
at＝gSL(ht)＝wTht+b (6)
at＝gNL(ht)＝Vt Ttanh(wt Tht+bt) (7)
at＝gSNL(ht)＝VTtanh(wTht+b) (8)
其中，at为第一尺度化权重向量，ht为注意力权重向量，b为预设参数。
上述5种尺度化处理方式都可以通过端到端的训练达到收敛的结果，同时针对不同特征分布的模型有各自的优势。
在另一种实施例中，还可以通过上述5种尺度化处理方式分别对注意力权重向量进行尺度化处理，得到5种第一尺度化权重向量，然后确定这5种第一尺度化权重向量的均值作为最终的第一尺度化权重向量。
2)通过注意力尺度化层，对第一尺度化权重向量进行归一化处理，得到第二尺度化权重向量。
在得到第一尺度化权重向量之后，还可以对第一尺度化权重向量进行归一化处理，得到第二尺度化权重向量。
作为一个示例，归一化处理的计算公式如下：
Figure BDA0002409344970000071
其中，kt为第二尺度化权重向量，at为第二尺度化权重向量。
3)通过注意力尺度化层，根据第二尺度化权重向量对第一输出特征进行加权处理，得到第三输出特征。
作为一个示例，可以通过以下公式，根据第二尺度化权重向量对第一输出特征进行加权处理：
Figure BDA0002409344970000072
其中，ω为第三输出特征，k为第二尺度化权重向量，j为第一输出特征。
示例的，第一输出特征的尺寸为C*H*W，第二尺度化权重向量的尺寸为C*1*1，第三输出特征的尺寸为C*H*W。
4)根据第三输出特征，确定第二输出特征。
第一种实现方式中，可以直接将第三输出特征确定为第二输出特征。
第二种实现方式中，注意力模型的输入还可以包括行驶状态特征，可以将行驶状态特征和第三输出特征进行合并，得到第二输出特征。
通过注意力模型对注意力权重向量进行尺度化处理，根据处理后的注意力权重向量对第一输出特征进行加权处理，得到第二输出特征，可以融合低维特征和高纬特征，使得模型在多种场景下有更好的泛化能力。
步骤105：对第二输出特征进行概率转换，得到第一概率矩阵，第一概率矩阵用于指示移动终端处于至少一种行驶状态中每种行驶状态的概率。
对第二输出特征进行概率转换，也即是，将第二输出特征与行驶状态概率进行映射，得到包括至少一个行驶特征概率的第一概率矩阵。第一概率矩阵包括1个或多个行驶状态概率，每个行驶状态概率对应一个行驶状态，用于指示移动终端处于对应行驶状态的概率，范围一般在[0,1]之间。
其中，该至少一种行驶状态可以包括所乘车辆的启动状态、行驶中状态、停止状态，以及用户的步行状态和停止状态中的至少一种。作为一个示例，该至少一种行驶状态包括所乘车辆的启动状态、所乘车辆的停止状态以及用户的步行状态，第一概率矩阵可以包括所乘车辆处于启动状态的概率，所乘车辆处于停止状态的概率，以及用户处于步行状态的概率。
作为一个示例，对第二输出特征进行概率转换，得到第一概率矩阵的操作包括：对第二输出特征进行全局池化操作，得到全局池化特征；对全局池化特征进行全局归一化处理，得到第一概率矩阵。
通过全局池化可以对第二输出特征进行特征降维，对第二输出特征进行高度和宽度方向上的池化。比如，全局池化的计算公式可以如下所示：
Figure BDA0002409344970000081
其中，
Figure BDA0002409344970000082
为全局池化特征，βi为第二输出特征。
作为一个示例，全局池化特征的尺寸为C*1*1。
作为一个示例，归一化处理的计算公式如下所示：
Figure BDA0002409344970000083
其中，gt为第一概率矩阵，
Figure BDA0002409344970000084
为全局池化特征。
步骤106：基于第一概率矩阵，确定移动终端的第一行驶状态。
作为一个示例，基于第一概率矩阵，确定移动终端的第一行驶状态的操作可以包括以下两种实现方式：
第一种实现方式：基于第一概率矩阵中的最大概率，确定第一行驶状态。比如，将第一概率矩阵中的最大概率对应的行驶状态，确定为第一行驶状态。
第二种实现方式：将第一概率矩阵与历史概率矩阵进行融合处理，得到第二概率矩阵，基于第二概率矩阵中的最大概率，确定第一行驶状态。比如，将第二概率矩阵中的最大概率对应的行驶状态，确定为第一行驶状态。
通过将第一概率矩阵与历史概率矩阵进行融合处理，可以进一步提高行驶状态概率的预测准确度，进而减小预测误差。
作为一个示例，可以确定M个历史概率矩阵，M个历史概率矩阵是对历史行驶状态数据进行预测得到；然后，对M个历史概率矩阵和第一概率矩阵进行融合处理，得到第二概率矩阵。
作为一个示例，可以对M个历史概率矩阵和第一概率矩阵进行融合处理，得到第二概率矩阵的操作包括以下步骤：
步骤1061：将M个历史概率矩阵和第一概率矩阵作为历史窗口记忆模型的输入，通过历史窗口记忆模型，对M个历史概率矩阵进行特征提取，将提取的特征与第一概率矩阵进行逐点相乘，得到融合特征。
其中，历史窗口记忆模型能够将已输出的M个历史概率矩阵依次保存在历史记忆模型中，并将历史保留的概率矩阵进行二次特征提取，进行含有记忆能力的模型概率估计。示例的，M个历史概率矩阵的数据大小为M*C。
作为一个示例，请参考图7，图7是本申请实施例提供的一种历史窗口记忆模型和记忆融合处理模型的模型结构图，如图7所示，历史窗口记忆模型包括双向RNN层、第一逐点相乘层、归一化处理层和第二逐点相乘层，双向RNN层包括第一RNN层和第二RNN层。相应的，步骤1061可以包括如下步骤：
1)将M个历史概率矩阵作为双向RNN层的输入，通过第一RNN层和第二RNN层分别对M个历史概率矩阵进行特征提取，得到第二概率特征和第三概率特征。
双向RNN层可以对有效地对序列信息特征进行特征提取和处理。作为一个示例，该双向RNN层可以为N节点的双向RNN层。
将M个历史概率矩阵分别作为第一RNN层和第二RNN层的输入，通过第一RNN层对M个历史概率矩阵进行特征提取得到第二概率特征，通过第二RNN层对M个历史概率矩阵进行特征提取得到第三概率特征。
2)将第一概率矩阵和第二概率特征作为第一逐点相乘层的输入，通过第一逐点相乘层对第一概率矩阵和第二概率特征进行逐点相乘，得到第一逐点相乘层的输出特征。
也即是，第一RNN层的下一个网络层为第一逐点相乘层，且第一逐点相乘层的输入不仅包括第一RNN层输出的第二概率特征，还包括第一概率矩阵。
作为一个示例，第一概率矩阵与第二概率特征的特征尺寸相同。第一逐点相乘层的输出特征可以为尺寸为C的一维特征向量。
3)将第一逐点相乘层的输出特征作为归一化处理层的输入，通过归一化处理层对第一逐点相乘层的输出特征进行归一化处理，得到归一化处理层的输出特征。
也即是，第一逐点相乘层的下一个网络层为为归一化处理层。示例的，归一化处理层可以为softmax层。
作为一个示例，归一化处理层的计算公式可以如下所示：
Figure BDA0002409344970000091
其中，ht为归一化处理层的输出特征，ct为第一逐点相乘层的输出特征。
4)将归一化处理层的输出特征和第三概率特征作为第二逐点相乘层的输入，通过第二逐点相乘层对归一化处理层的输出特征和第三概率特征进行逐点相乘，得到该融合特征。
也即是，得到归一化处理层的输出特征后，可以将归一化处理层的输出特征与另一路双向RNN层的输出特征进行逐点相乘，得到融合特征。
步骤1062：将第一概率矩阵作为记忆融合处理模型的输入，通过记忆融合处理模型对第一概率矩阵进行特征提取，得到第一概率特征，根据第一概率特征和融合特征，确定第二概率矩阵。
作为一个示例，如图7所示，记忆融合处理模型包括特征提取模型，可以将第一概率矩阵作为特征提取模型的输入，通过特征提取模型，对第一概率矩阵进行特征提取，得到第一概率特征。
作为一个示例，如图7所示，特征提取模型包括第二全连接层和第二非线性激活层；通过特征提取模型，对第一概率矩阵进行特征提取时，可以先通过第二全连接层对第一概率矩阵进行处理，得到第二全连接层的输出特征，然后将第二全连接层的输出特征作为第二非线性激活层的输入，通过第二非线性激活层对第二全连接层的输出特征进行非线性处理，得到第一概率特征。
作为一个示例，对第一概率矩阵进行特征提取，得到第一概率特征的操作可以包括如下步骤：
1)基于概率阈值对第一概率特征进行更新，得到更新后的第一概率特征。
其中，若第一概率特征大于概率阈值，则更新后的第一概率特征为1，若第二概率特征小于或等于概率阈值，则更新后的第一概率特征为0。
作为一个示例，可以通过如下公式对第一概率特征进行更新：
Figure BDA0002409344970000101
其中，G为第一概率特征，thre为概率阈值。
2)基于更新后的第一概率特征、第一概率矩阵和融合特征，确定第二概率矩阵。
作为一个示例，可以对第一乘积和第二乘积进行相加，得到第二概率矩阵。其中，第一乘积为所述更新后的第一概率特征与第一概率矩阵的乘积，第二乘积为指定差值与融合特征的乘积，指定差值是指1与更新后的第一概率特征之间的差值。
作为一个示例，可以通过如下公式确定第二概率矩阵：
result＝G*input+(1-G)*memory (15)
其中，G为更新后的第一概率特征，input为第一概率矩阵，memory为融合特征。
另外，在确定移动终端的第一行驶状态之后，还可以基于移动终端的第一行驶状态以及历史行驶状态，判断移动终端的行驶状态是否发生变化。
若行驶状态未发生变化，则继续采集移动终端的行驶状态数据，并按照上述步骤102-106继续确定移动终端的行驶状态，然后结合历史行驶状态，判断其行驶状态是否发生变化。
若行驶状态发生变化，则移动终端可以对车辆的行驶站点进行更新，若更新后的行驶站点为目的站点，则发出提醒信息，该提醒信息用于提醒用户下车。
其中，发出提醒信息的方式可以为弹出提示窗口或者发出提醒声音等，本申请实施例提醒信息的形式不做限定。其中，目的站点可以由用户设置得到，也可以根据用户的历史行驶数据学习得到，本申请实施例对此不做限定。
另外，在发出提醒信息之后，还可以继续按照上述方法识别移动终端的行驶状态，若行驶状态指示用户处于步行状态，则还可以显示出站图形标识，该出站图形标识用于进行扫描出站。比如，该出站图形标识可以为用于扫码出站的二维码。如此，可以在用户出站时自动显示出站图形标识，避免了用户需要手动调出图形标识的操作，提高了用户体验。
进一步地，移动终端还可以在确定行驶状态发生变化，且行驶状态是从所乘车辆由启动状态或行驶中状态切换为停止状态的情况下，对车辆的行驶站点进行更新。
在另一种实施例中，若基于移动终端的第一行驶状态以及历史行驶状态，确定移动终端的行驶状态发生变化，移动终端还可以采用其他行驶状态识别方法对行驶状态数据进一步进行预测，得到第三概率矩阵，然后基于第三概率矩阵确定移动终端的第二行驶状态。这种方式将在下述图8实施例进行详细描述，本申请实施例先不作赘述。
需要说明的是，本申请实施例仅是已在识别到移动终端的行驶状态发生变化时，对车辆的行驶站点进行更新为例进行说明，而在其他实施例中，还可以在识别到移动终端的行驶状态发生变化时，根据需要执行其他操作，本申请实施例对此不作限定。
本申请实施例中，移动终端可以对自身采集的行驶状态数据进行预测，来确定所乘车辆或用户步行的行驶状态，从而提供了一种能够应用在移动终端中的行驶状态的方法，该方法无需在车辆上安装采集机车数据的传感器，降低了状态识别成品，且灵活性较高。而且，移动终端在对自身采集的行驶状态数据进行特征提取，得到行驶状态特征之后，可以先通过RNN模型对行驶状态特征进行处理，得到第一输出数据，再通过注意力模型对第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量，并对注意力权重向量进行尺度化处理，以便根据处理后的注意力权重向量对第一输出特征进行加权处理，如此，可以增强有用特征，削弱无用特征，由于对提取的特征进行了充分的特征融合和注意力计算，因此对行驶状态的识别准确度较高，泛化能力更强，减小了识别误差。
需要说明的是，为了提高行驶状态的识别准确度，进一步减少识别误差，本申请实施例还可以采用两级识别算法对移动终端的运行状态进行识别。为了便于说明，将上述图1实施例的行驶状态识别方法称为一级行驶状态识别方法。接下来将对通过多级识别算法对移动终端的运行状态进行识别的识别过程进行详细介绍。
图8是本申请实施例提供的另一种行驶状态识别方法的流程图，该方法应用于移动终端中，如图8所示，该方法包括如下步骤：
步骤801：采集移动终端的行驶状态数据。
移动终端可以不断采集移动终端的行驶状态数据，比如加速度数据和重力数据。
步骤802：通过一级行驶状态识别方法，对采集的行驶状态数据进行预测，得到第一概率矩阵，基于第一概率矩阵，确定移动终端的第一行驶状态。
作为一个示例，基于第一概率矩阵，确定移动终端的第一行驶状态的操作可以包括以下两种实现方式：
第一种实现方式：基于第一概率矩阵中的最大概率，确定第一行驶状态。比如，将第一概率矩阵中的最大概率对应的行驶状态，确定为第一行驶状态。
第二种实现方式：将第一概率矩阵与历史概率矩阵进行融合处理，得到第二概率矩阵，基于第二概率矩阵中的最大概率，确定第一行驶状态。比如，将第二概率矩阵中的最大概率对应的行驶状态，确定为第一行驶状态。
作为一个示例，请参考图9，图9是本申请实施例提供的一种一级行驶状态识别方法的逻辑结构示意图，如图9所示，一级行驶状态识别方法包括特征提取模块901、RNN模块902、注意力特征提取模块903、概率预测模块904、历史窗口记忆模块905和记忆融合处理模块906。
特征提取模块901用于对行驶状态数据进行特征提取，得到行驶状态特征。
RNN模块902用于通过RNN模型对行驶状态特征进行处理，得到第一输出特征。
注意力特征提取模块903用于通过注意力模型对第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量，对注意力权重向量进行尺度化处理，根据处理后的注意力权重向量对第一输出特征进行加权处理，得到第二输出特征。
概率预测模块904用于对第二输出特征进行概率转换，得到第一概率矩阵。
历史窗口记忆模块905用于通过历史窗口记忆模型，对M个历史概率矩阵进行特征提取，将提取的特征与第一概率矩阵进行逐点相乘，得到融合特征。
记忆融合处理模块906用于通过记忆融合处理模型对第一概率矩阵进行特征提取，得到第一概率特征，根据第一概率特征和融合特征，确定第二概率矩阵。
步骤803：若根据第一行驶状态和移动终端的历史行驶状态，确定移动终端的行驶状态发生变化，则启动二级行驶状态识别方法，通过二级行驶状态识别方法，对采集的行驶状态数据进行预测，得到第三概率矩阵。
作为一个示例，二级行驶状态识别方法的识别准确度大于一级行驶状态识别方法，如此，可以在一级行驶状态识别方法的基础上，通过二级行驶状态识别方法对行驶状态数据进一步进行识别和校验，如此，可以进一步提高行驶状态识别的准确度，带来更好的识别效果，减小识别误差。
作为一个示例，可以通过一级行驶状态识别方法，采用较高的查全率和相对较低的查准率对所有潜在的状态变换场景进行有效识别，通过二级行驶状态识别方法，可以采用较大较深的注意力序列模型对行驶状态进行有效分类，通过一级和二级两种行驶状态识别方法得到较为准确的状态识别结果。
步骤804：基于第三概率矩阵，确定移动终端的第二行驶状态。
作为一个示例，可以基于第三概率矩阵中的最大概率，确定第二行驶状态。比如，将第三概率矩阵中的最大概率对应的行驶状态，确定为第二行驶状态。
在基于第三概率矩阵，确定移动终端的第二行驶状态之后，还可以根据第二行驶状态和移动终端的历史行驶状态，确定移动终端的行驶状态是否发生变化。
若根据第二行驶状态和移动终端的历史行驶状态，确定移动终端的行驶状态未发生变化，则返回步骤801，继续采集移动终端的行驶状态数据，并通过一级行驶状态识别方法确定移动终端的行驶状态，然后结合历史行驶状态，判断其行驶状态是否发生变化。
若根据第二行驶状态和移动终端的历史行驶状态，确定移动终端的行驶状态发生变化，则移动终端可以对车辆的行驶站点进行更新，若更新后的行驶站点为目的站点，则发出提醒信息，该提醒信息用于提醒用户下车。
作为一个示例，移动终端还可以在确定行驶状态发生变化，且行驶状态是从所乘车辆由启动状态或行驶中状态切换为停止状态的情况下，对车辆的行驶站点进行更新。
另外，在发出提醒信息之后，还可以继续按照上述方法识别移动终端的行驶状态，若行驶状态指示用户处于步行状态，则还可以显示出站图形标识，该出站图形标识用于进行扫描出站。比如，该出站图形标识可以为用于扫码出站的二维码。如此，可以在用户出站时自动显示出站图形标识，避免了用户需要手动调出图形标识的操作，提高了用户体验。
另外，为了降低移动终端的功耗，当通过一级行驶状态识别方法进行识别时，还可以停止运行二级行驶状态识别方法，当通过一级行驶状态识别方法识别到移动终端的行驶状态发生变化，并启动二级行驶状态识别方法时，还可以停止运行一级行驶状态识别方法。当二级行驶状态识别方法识别到行驶状态未发生变化，再启动一级行驶状态识别方法，并停止运行二级行驶状态识别方法。如此，可以降低一级行驶状态识别方法和二级行驶状态识别方法同时运行导致的高功耗，使得一级行驶状态识别方法和二级行驶状态识别方法可以交替运行。
另外，为了进一步降低移动终端的功耗，还可以在硬件上对移动终端进行改进。比如，在移动终端中配置第一处理器和第二处理器，且第一处理器的功耗小于第二处理器。第一处理器用于采集移动终端的行驶状态数据，通过一级行驶状态识别方法对行驶状态数据进行识别处理。第二处理器用于通过二级行驶状态识别方法对行驶状态数据进行识别处理。示例的，第一处理器为DSP(Digital Signal Processor，数字信号处理器)，第二处理器为ARM(Advanced RISC Machine，精简指令集微处理器)。
作为一个示例，第一处理器和第二处理器的工作流程为：通过第一处理器不断采集行驶状态数据，通过一级行驶状态识别方法对采集的行驶状态数据进行预测，得到第一概率矩阵，基于第一概率矩阵确定移动终端的第一行驶状态，若基于第一行驶状态确定移动终端的行驶状态未发生变化，则通过第一处理器继续采集行驶状态数据，通过一级行驶状态识别方法对采集的行驶状态数据进行识别处理。若基于第一行驶状态确定移动终端的行驶状态发生变化，则将第一处理器从工作状态切换为休眠状态，启动第二处理器，通过第二处理器采用二级行驶状态识别方法对行驶状态数据进行预测，得到第三概率矩阵，基于第三概率矩阵确定移动终端的第二行驶状态。若基于第二行驶状态确定移动终端的行驶状态未发生变化，则将第二处理器从工作状态切换为休眠状态，并启动第一处理器，通过第一处理器继续采集行驶状态数据，通过一级行驶状态识别方法对采集的行驶状态数据进行识别处理。若基于第二行驶状态确定移动终端的行驶状态发生变化，则对车辆的行驶站点进行更新，或者执行其他操作。
作为一个示例，可以在移动终端处于熄屏状态时，为了节省移动终端的功耗，采用两级识别算法对移动终端的运行状态进行识别。而当移动终端处于亮屏状态时，还可以直接采用二级行驶状态识别方法对移动终端的运行状态进行识别。
作为一个示例，当移动终端处于亮屏状态时，移动终端可以调用数据接口，通过数据接口获取行驶状态数据，然后通过二级行驶状态识别方法对获取的行驶状态数据进行预测，得到第三概率矩阵，然后基于第三概率矩阵确定移动终端的行驶状态。
比如，当移动终端处于亮屏状态时，第二处理器一直处于工作状态，第二处理器可以调用数据接口，通过数据接口获取行驶状态数据，然后通过二级行驶状态识别方法对获取的行驶状态数据进行预测，得到第三概率矩阵，然后基于第三概率矩阵确定移动终端的行驶状态。
本申请实施例提供了一种两级行驶状态识别方法，通过一级行驶状态识别方法可以全面识别行驶状态的变化，通过二级行驶状态识别方法可以精准识别移动终端的行驶状态，如此可以提高行驶状态的识别准确度，减少识别误差。另外，本申请实施例在硬件上对电子设备进行了改进，为电子设备配置第一处理器和第二处理器，通过对两者的工作状态进行切换，可以降低功耗。
接下来以用户携带移动终端乘坐地铁为例，对移动终端进行行驶状态识别的过程进行举例说明。其中，该移动终端配置有第一处理器和第二处理器，且第一处理器的功耗小于第二处理器。请参考图10，图10是本申请实施例提供的又一种行驶状态识别方法的流程图，如图10所示，该方法包括如下步骤：
步骤1001：打开智能地铁助手。
智能地铁助手用于根据移动终端的行驶状态，为用户提供乘坐地铁的相关服务。比如，提供站点更新服务、下车提醒服务或自动显示出站二维码的服务等。
作为一个示例，该智能地铁助手可以位于手机-设置-安全菜单中，当然，该智能地铁助手还可以位于其他菜单中，本申请实施例对此不作限定。
步骤1002：在智能地铁助手中输入目的站点。
步骤1003：用户刷码进行地铁站，智能地铁助手显示当前站点。
步骤1004：若移动终端处于熄屏状态，则通过一级行驶状态识别方法+二级行驶状态识别方法，识别移动终端的行驶状态。
步骤1005：若移动终端处于亮屏状态，则通过二级行驶状态识别方法，识别移动终端的行驶状态。
步骤1006：若基于识别到的行驶状态，确定移动终端的行驶状态发生变化，则对智能手机助手中显示的行驶站点进行更新。
步骤1007：若更新后的行驶站点为目的站点，则提醒用户下车。
步骤1008：继续识别移动终端的行驶状态，若识别到的行驶状态指示用户处于步行状态，则显示出站二维码，等待用户刷码出站。
步骤1009：在用户刷码出站后，关闭智能地铁助手。
需要说明的是，本申请实施例仅是以乘车地铁场景为例进行说明，而在其他实施例中，还可以将上述行驶状态识别方法应用于其他场景中，本申请实施例对此不做限定。
图11是本申请实施例提供的一种行驶状态识别装置的结构框图，该装置可以集成于移动终端中，该装置可以为包括采集模块1101，提取模块1102，第一处理模块1103，第二处理模块1104，转换模块1105和确定模块1106。
采集模块1101，用于采集该移动终端的行驶状态数据，该行驶状态数据能够反映该移动终端的行驶状态，该移动终端的行驶状态用于指示该移动终端所乘车辆的行驶状态或用户的行驶状态；
提取模块1102，用于对该行驶状态数据进行特征提取，得到行驶状态特征；
第一处理模块1103，用于将该行驶状态特征作为循环神经网络RNN模型的输入，通过该RNN模型对该行驶状态特征进行处理，得到第一输出特征；
第二处理模块1104，用于将该第一输出特征作为注意力模型的输入，通过该注意力模型对该第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量，对该注意力权重向量进行尺度化处理，根据处理后的注意力权重向量和该第一输出特征，确定第二输出特征；
转换模块1105，用于对该第二输出特征进行概率转换，得到第一概率矩阵，该第一概率矩阵用于指示该移动终端处于至少一种行驶状态中每种行驶状态的概率；
第一确定模块1106，用于基于该第一概率矩阵，确定该移动终端的第一行驶状态。
可选地，该行驶状态数据包括加速度数据和重力数据；
该提取模块1102用于：
根据该重力数据和该加速度数据，确定该加速度数据的水平分量，得到水平加速度数据；
对该水平加速度数据进行特征提取，得到该行驶状态特征。
可选地，该注意力模型包括池化层、卷积层、第一全连接层和第一非线性激活层；
该第二处理模块1104用于：
通过该池化层对该第一输出特征的各个通道的特征分别进行池化操作，得到该池化层的输出特征；
将该池化层的输出特征作为该卷积层的输入，通过该卷积层对该池化层的输出特征进行卷积处理，得到该卷积层的输出特征；
将该卷积层的输出特征作为该第一全连接层的输入，通过该第一全连接层对该卷积层的输出特征进行处理，得到该第一全连接层的输出特征；
将该第一全连接层的输出特征作为该非线性激活层的输入，通过该非线性激活层对该第一全连接层的输出特征进行非线性处理，得到该注意力权重向量。
可选地，该注意力模型还包括注意力尺度化层，该注意力尺度化层的输入包括该第一输出特征和该注意力权重向量；
该第二处理模块1104用于：
通过该注意力尺度化层，对该注意力权重向量进行尺度化处理，得到第一尺度化权重向量；
通过该注意力尺度化层，对该第一尺度化权重向量进行归一化处理，得到第二尺度化权重向量；
通过该注意力尺度化层，根据该第二尺度化权重向量对该第一输出特征进行加权处理，得到该第三输出特征；
根据该第三输出特征，确定该第二输出特征。
可选地，该注意力模型的输入还包括该行驶状态特征；
该第二处理模块1104用于：
将该行驶状态特征与该第三输出特征进行合并，得到该第二输出特征。
可选地，确定模块1106用于：
确定M个历史概率矩阵，该M个历史概率矩阵是对该移动终端的历史行驶状态数据进行预测得到，该M为正整数；
对该M个历史概率矩阵和该第一概率矩阵进行融合处理，得到第二概率矩阵；
基于该第二概率矩阵中的最大概率，确定该移动终端的第一行驶状态。
可选地，第一确定模块1106用于：
将该M个历史概率矩阵和该第一概率矩阵作为历史窗口记忆模型的输入，通过该历史窗口记忆模型，对该M个历史概率矩阵进行特征提取，将提取的特征与该第一概率矩阵进行逐点相乘，得到融合特征；
将该第一概率矩阵作为特征提取模型的输入，通过该特征提取模型，对该第一概率矩阵进行特征提取，得到第一概率特征；
根据该第一概率特征和该融合特征，确定该第二概率矩阵。
可选地，该历史窗口记忆模型包括双向RNN层、第一逐点相乘层、归一化处理层和第二逐点相乘层，该双向RNN层包括第一RNN层和第二RNN层；
第一确定模块1106用于：
将该M个历史概率矩阵作为该双向RNN层的输入，通过该第一RNN层和该第二RNN层分别对该M个历史概率矩阵进行特征提取，得到第二概率特征和第三概率特征；
将该第一概率矩阵和该第二概率特征作为第一逐点相乘层的输入，通过该第一逐点相乘层对该第一概率矩阵和该第二概率特征进行逐点相乘，得到该第一逐点相乘层的输出特征；
将该第一逐点相乘层的输出特征作为该归一化处理层的输入，通过该归一化处理层对该第一逐点相乘层的输出特征进行归一化处理，得到该归一化处理层的输出特征；
将该归一化处理层的输出特征和该第三概率特征作为该第二逐点相乘层的输入，通过该第二逐点相乘层对该归一化处理层的输出特征和该第三概率特征进行逐点相乘，得到该融合特征。
可选地，该特征提取模型包括第二全连接层和第二非线性激活层；
该第一确定模块1106用于：
通过该第二全连接层对该第一概率矩阵进行处理，得到该第二全连接层的输出特征；
将该第二全连接层的输出特征作为该第二非线性激活层的输入，通过该第二非线性激活层对该第二全连接层的输出特征进行非线性处理，得到该第一概率特征。
可选地，该第一确定模块1106用于：
基于概率阈值对该第一概率特征进行更新，得到更新后的第一概率特征；其中，若该第一概率特征大于该概率阈值，则该更新后的第一概率特征为1，若该第二概率特征小于或等于该概率阈值，则该第四概率阈值为0；
对第一乘积和第二乘积进行相加，得到该第二概率矩阵，该第一乘积为该更新后的第一概率特征与该第一概率矩阵的乘积，该第二乘积为指定差值与该融合特征的乘积，该指定差值是指1与该更新后的第一概率特征之间的差值。
可选地，该装置还包括：
识别模块，用于若根据该第一行驶状态和该移动终端的历史行驶状态，确定该移动终端的行驶状态发生变化，则采用与一级行驶状态识别方法不同的二级行驶状态识别方法，对该移动终端的行驶状态数据进行预测，得到第三概率矩阵，该一级行驶状态识别方法是指权利要求1该的行驶状态识别方法；
第二确定模块，用于基于该第三概率矩阵中的最大概率，确定该移动终端的第二行驶状态。
可选地，该装置还包括：
更新模块，用于若根据该第二行驶状态和该移动终端的历史行驶状态，确定该移动终端所乘车辆的行驶状态发生变化，则对该车辆的行驶站点进行更新；
提醒模块，用于若更新后的行驶站点为目的站点，则发出提醒信息，该提醒信息用于提醒用户下车。
可选地，该装置还包括：
检测模块，用于继续检测该移动终端的行驶状态；
显示模块，用于若检测到的行驶状态指示该移动终端的用户处于步行状态，则显示出站图形标识，该出站图形标识用于进行扫描出站。
可选地，该电子设备配置有第一处理器和第二处理器，且该第一处理器的功耗小于该第二处理器；
该采集模块1101用于：
通过该第一处理器采集该移动终端的行驶状态数据；
该识别模块用于：
若根据该第一行驶状态和该移动终端的历史行驶状态，确定该移动终端的行驶状态发生变化，则将该第一处理器从工作状态切换为休眠状态，启动第二处理器，通过该第二处理器采用该二级行驶状态识别方法对该移动终端的行驶状态进行预测，得到第三概率矩阵。
可选地，该采集模块1101用于：
若根据该第二行驶状态和该移动终端的历史行驶状态，确定该移动终端的行驶状态未发生变化，则将该第二处理器从工作状态切换为休眠状态，启动该第一处理器，通过该第一处理器继续采集该移动终端的行驶状态数据。
本申请实施例中，移动终端可以对自身采集的行驶状态数据进行预测，来确定所乘车辆或用户步行的行驶状态，从而提供了一种能够应用在移动终端中的行驶状态的方法，该方法无需在车辆上安装采集机车数据的传感器，降低了状态识别成品，且灵活性较高。而且，移动终端在对自身采集的行驶状态数据进行特征提取，得到行驶状态特征之后，可以先通过RNN模型对行驶状态特征进行处理，得到第一输出数据，再通过注意力模型对第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量，并对注意力权重向量进行尺度化处理，以便根据处理后的注意力权重向量对第一输出特征进行加权处理，如此，可以增强有用特征，削弱无用特征，由于对提取的特征进行了充分的特征融合和注意力计算，因此对行驶状态的识别准确度较高，泛化能力更强，减小了识别误差。
需要说明的是：上述实施例提供的行驶状态识别装置在进行行驶状态识别时，仅以上述各功能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模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的行驶状态识别装置与行驶状态识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图12是本申请实施例提供的一种移动终端1200的结构示意图，该移动终端可以为手机、平板电脑或智能可穿戴设备等。该移动终端可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器1201和一个或一个以上的存储器1202，其中，所述存储器1202中存储有至少一条指令，所述至少一条指令由所述处理器1201加载并执行以实现上述各个方法实施例提供的行驶状态识别方法。比如，该移动终端包括第一处理器和第二处理器，第一处理器的功耗小于第二处理器，第一处理器用于执行一级行驶状态识别方法，第二处理器用于执行二级行驶状态识别方法。比如，第一处理器为DSP，第二处理器为ARM。当然，该移动终端还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该电子设备还可以包括其他用于实现设备功能的部件，在此不做赘述。示例的，该移动终端配置有加速度传感器和重力传感器，当然也可以配置其他传感器，本申请实施例对此不作限定。
在示例性的实施例中，还提供了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指令，所述指令被处理器执行时实现上述行驶状态识别方法。
在示例性实施例中，还提供了一种计算机程序产品，当该计算机程序产品被执行时，其用于实现上述行驶状态识别方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (18)

1.一种行驶状态识别方法，其特征在于，应用于移动终端中，所述方法包括：
采集所述移动终端的行驶状态数据，所述行驶状态数据能够反映所述移动终端的行驶状态，所述行驶状态用于指示所述移动终端所乘车辆的行驶状态或用户步行的行驶状态；
对所述行驶状态数据进行特征提取，得到行驶状态特征；
将所述行驶状态特征作为循环神经网络RNN模型的输入，通过所述RNN模型对所述行驶状态特征进行处理，得到第一输出特征；
将所述第一输出特征作为注意力模型的输入，通过所述注意力模型对所述第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量，对所述注意力权重向量进行尺度化处理，根据处理后的注意力权重向量和所述第一输出特征，确定第二输出特征；
对所述第二输出特征进行概率转换，得到第一概率矩阵，所述第一概率矩阵用于指示所述移动终端处于至少一种行驶状态中每种行驶状态的概率；
基于所述第一概率矩阵，确定所述移动终端的第一行驶状态。
2.根据权利要求1所述的方法，其特征在于，所述行驶状态数据包括加速度数据和重力数据；
所述对所述行驶状态数据进行特征提取，得到行驶状态特征，包括：
根据所述重力数据和所述加速度数据，确定所述加速度数据的水平分量，得到水平加速度数据；
对所述水平加速度数据进行特征提取，得到所述行驶状态特征。
3.根据权利要求1所述的方法，其特征在于，所述注意力模型包括池化层、卷积层、第一全连接层和第一非线性激活层；
所述通过所述注意力模型对所述第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量，包括：
通过所述池化层对所述第一输出特征的各个通道的特征分别进行池化操作，得到所述池化层的输出特征；
将所述池化层的输出特征作为所述卷积层的输入，通过所述卷积层对所述池化层的输出特征进行卷积处理，得到所述卷积层的输出特征；
将所述卷积层的输出特征作为所述第一全连接层的输入，通过所述第一全连接层对所述卷积层的输出特征进行处理，得到所述第一全连接层的输出特征；
将所述第一全连接层的输出特征作为所述非线性激活层的输入，通过所述非线性激活层对所述第一全连接层的输出特征进行非线性处理，得到所述注意力权重向量。
4.根据权利要求3所述的方法，其特征在于，所述注意力模型还包括注意力尺度化层，所述注意力尺度化层的输入包括所述第一输出特征和所述注意力权重向量；
所述根据处理后的注意力权重向量和所述第一输出特征，确定第二输出特征，包括：
通过所述注意力尺度化层，对所述注意力权重向量进行尺度化处理，得到第一尺度化权重向量；
通过所述注意力尺度化层，对所述第一尺度化权重向量进行归一化处理，得到第二尺度化权重向量；
通过所述注意力尺度化层，根据所述第二尺度化权重向量对所述第一输出特征进行加权处理，得到第三输出特征；
根据所述第三输出特征，确定所述第二输出特征。
5.根据权利要求4所述的方法，其特征在于，所述注意力模型的输入还包括所述行驶状态特征；
所述根据所述第三输出特征，确定所述第二输出特征，包括：
将所述行驶状态特征与所述第三输出特征进行合并，得到所述第二输出特征。
6.根据权利要求1-5任一所述的方法，其特征在于，所述基于所述第一概率矩阵，确定所述移动终端的第一行驶状态，包括：
确定M个历史概率矩阵，所述M个历史概率矩阵是对所述移动终端的历史行驶状态数据进行预测得到，所述M为正整数；
对所述M个历史概率矩阵和所述第一概率矩阵进行融合处理，得到第二概率矩阵；
基于所述第二概率矩阵中的最大概率，确定所述移动终端的第一行驶状态。
7.根据权利要求6所述的方法，其特征在于，所述对所述M个历史概率矩阵和所述第一概率矩阵进行融合处理，得到第二概率矩阵，包括：
将所述M个历史概率矩阵和所述第一概率矩阵作为历史窗口记忆模型的输入，通过所述历史窗口记忆模型，对所述M个历史概率矩阵进行特征提取，将提取的特征与所述第一概率矩阵进行逐点相乘，得到融合特征；
将所述第一概率矩阵作为特征提取模型的输入，通过所述特征提取模型，对所述第一概率矩阵进行特征提取，得到第一概率特征；
根据所述第一概率特征和所述融合特征，确定所述第二概率矩阵。
8.根据权利要求7所述的方法，其特征在于，所述历史窗口记忆模型包括双向RNN层、第一逐点相乘层、归一化处理层和第二逐点相乘层，所述双向RNN层包括第一RNN层和第二RNN层；
所述将所述M个历史概率矩阵和所述第一概率矩阵作为历史窗口记忆模型的输入，通过所述历史窗口记忆模型，对所述M个历史概率矩阵进行特征提取，将提取的特征与所述第一概率矩阵进行逐点相乘，得到融合特征，包括：
将所述M个历史概率矩阵作为所述双向RNN层的输入，通过所述第一RNN层和所述第二RNN层分别对所述M个历史概率矩阵进行特征提取，得到第二概率特征和第三概率特征；
将所述第一概率矩阵和所述第二概率特征作为第一逐点相乘层的输入，通过所述第一逐点相乘层对所述第一概率矩阵和所述第二概率特征进行逐点相乘，得到所述第一逐点相乘层的输出特征；
将所述第一逐点相乘层的输出特征作为所述归一化处理层的输入，通过所述归一化处理层对所述第一逐点相乘层的输出特征进行归一化处理，得到所述归一化处理层的输出特征；
将所述归一化处理层的输出特征和所述第三概率特征作为所述第二逐点相乘层的输入，通过所述第二逐点相乘层对所述归一化处理层的输出特征和所述第三概率特征进行逐点相乘，得到所述融合特征。
9.根据权利要求7所述的方法，其特征在于，所述特征提取模型包括第二全连接层和第二非线性激活层；
所述通过所述特征提取模型，对所述第一概率矩阵进行特征提取，得到第一概率特征，包括：
通过所述第二全连接层对所述第一概率矩阵进行处理，得到所述第二全连接层的输出特征；
将所述第二全连接层的输出特征作为所述第二非线性激活层的输入，通过所述第二非线性激活层对所述第二全连接层的输出特征进行非线性处理，得到所述第一概率特征。
10.根据权利要求7所述的方法，其特征在于，所述根据所述第一概率特征和所述融合特征，确定所述第二概率矩阵，包括：
基于概率阈值对所述第一概率特征进行更新，得到更新后的第一概率特征；其中，若所述第一概率特征大于所述概率阈值，则所述更新后的第一概率特征为1，若第二概率特征小于或等于所述概率阈值，则第四概率阈值为0；
对第一乘积和第二乘积进行相加，得到所述第二概率矩阵，所述第一乘积为所述更新后的第一概率特征与所述第一概率矩阵的乘积，所述第二乘积为指定差值与所述融合特征的乘积，所述指定差值是指1与所述更新后的第一概率特征之间的差值。
11.根据权利要求6所述的方法，其特征在于，所述基于所述第二概率矩阵中的最大概率，确定所述移动终端的第一行驶状态之后，包括：
若根据所述第一行驶状态和所述移动终端的历史行驶状态，确定所述移动终端的行驶状态发生变化，则采用与一级行驶状态识别方法不同的二级行驶状态识别方法，对所述移动终端的行驶状态数据进行预测，得到第三概率矩阵，所述一级行驶状态识别方法是指权利要求6所述的行驶状态识别方法；
基于所述第三概率矩阵中的最大概率，确定所述移动终端的第二行驶状态。
12.根据权利要求11所述的方法，其特征在于，所述基于所述第三概率矩阵中的最大概率，确定所述移动终端的第二行驶状态之后，还包括：
若根据所述第二行驶状态和所述移动终端的历史行驶状态，确定所述移动终端所乘车辆的行驶状态发生变化，则对所述车辆的行驶站点进行更新；
若更新后的行驶站点为目的站点，则发出提醒信息，所述提醒信息用于提醒用户下车。
13.根据权利要求12所述的方法，其特征在于，所述发出提醒信息之后，还包括：
继续检测所述移动终端的行驶状态；
若检测到的行驶状态指示所述移动终端的用户处于步行状态，则显示出站图形标识，所述出站图形标识用于进行扫描出站。
14.根据权利要求11所述的方法，其特征在于，电子设备配置有第一处理器和第二处理器，且所述第一处理器的功耗小于所述第二处理器；
所述采集所述移动终端的行驶状态数据，包括：
通过所述第一处理器采集所述移动终端的行驶状态数据；
所述若根据所述第一行驶状态和所述移动终端的历史行驶状态，确定所述移动终端的行驶状态发生变化，则通过与一级行驶状态识别方法不同的二级行驶状态识别方法，对所述移动终端的行驶状态数据进行预测，得到第三概率矩阵，包括：
若根据所述第一行驶状态和所述移动终端的历史行驶状态，确定所述移动终端的行驶状态发生变化，则将所述第一处理器从工作状态切换为休眠状态，启动第二处理器，通过所述第二处理器采用所述二级行驶状态识别方法对所述移动终端的行驶状态进行预测，得到第三概率矩阵。
15.根据权利要求14所述的方法，其特征在于，所述基于所述第三概率矩阵中的最大概率，确定所述移动终端的第二行驶状态之后，还包括：
若根据所述第二行驶状态和所述移动终端的历史行驶状态，确定所述移动终端的行驶状态未发生变化，则将所述第二处理器从工作状态切换为休眠状态，启动所述第一处理器，通过所述第一处理器继续采集所述移动终端的行驶状态数据。
16.一种行驶状态识别装置，其特征在于，应用于移动终端中，所述装置包括：
采集模块，用于采集所述移动终端的行驶状态数据，所述行驶状态数据能够反映所述移动终端的行驶状态，所述移动终端的行驶状态用于指示所述移动终端所乘车辆的行驶状态或用户的行驶状态；
提取模块，用于对所述行驶状态数据进行特征提取，得到行驶状态特征；
第一处理模块，用于将所述行驶状态特征作为循环神经网络RNN模型的输入，通过所述RNN模型对所述行驶状态特征进行处理，得到第一输出特征；
第二处理模块，用于将所述第一输出特征作为注意力模型的输入，通过所述注意力模型对所述第一输出特征的各个通道的特征进行注意力计算，得到注意力权重向量，对所述注意力权重向量进行尺度化处理，根据处理后的注意力权重向量和所述第一输出特征，确定第二输出特征；
转换模块，用于对所述第二输出特征进行概率转换，得到第一概率矩阵，所述第一概率矩阵用于指示所述移动终端处于至少一种行驶状态中每种行驶状态的概率；
确定模块，用于基于所述第一概率矩阵，确定所述移动终端的第一行驶状态。
17.一种电子设备，其特征在于，所述电子设备包括处理器和存储器；所述存储器存储有至少一条指令，所述至少一条指令用于被所述处理器执行以实现如权利要求1至15任一所述的行驶状态识别方法。
18.一种计算机可读存储介质，其特征在于，所述存储介质存储有至少一条指令，所述至少一条指令用于被处理器执行以实现如权利要求1至15任一所述的行驶状态识别方法。
CN202010171506.4A 2020-03-12 2020-03-12 行驶状态识别方法、装置、终端及存储介质 Active CN111353467B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010171506.4A CN111353467B (zh) 2020-03-12 2020-03-12 行驶状态识别方法、装置、终端及存储介质
PCT/CN2021/073794 WO2021179818A1 (zh) 2020-03-12 2021-01-26 行驶状态识别方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010171506.4A CN111353467B (zh) 2020-03-12 2020-03-12 行驶状态识别方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN111353467A CN111353467A (zh) 2020-06-30
CN111353467B true CN111353467B (zh) 2023-06-13

Family

ID=71194459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010171506.4A Active CN111353467B (zh) 2020-03-12 2020-03-12 行驶状态识别方法、装置、终端及存储介质

Country Status (2)

Country Link
CN (1) CN111353467B (zh)
WO (1) WO2021179818A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353467B (zh) * 2020-03-12 2023-06-13 Oppo广东移动通信有限公司 行驶状态识别方法、装置、终端及存储介质
CN113984078B (zh) * 2021-10-26 2024-03-08 上海瑾盛通信科技有限公司 到站提醒方法、装置、终端及存储介质
CN113807470B (zh) * 2021-11-17 2022-02-25 腾讯科技（深圳）有限公司 一种车辆行驶状态确定方法和相关装置
CN116055629B (zh) * 2022-05-27 2023-10-20 荣耀终端有限公司 一种识别终端状态的方法、电子设备、存储介质和芯片
CN116055618B (zh) * 2022-05-27 2023-10-20 荣耀终端有限公司 一种识别终端状态的方法和装置
CN116596126A (zh) * 2023-04-27 2023-08-15 苏州大学 一种公交串车预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008269495A (ja) * 2007-04-24 2008-11-06 Honda Motor Co Ltd 車両の走行状態認識装置
CN105320966A (zh) * 2015-10-30 2016-02-10 东软集团股份有限公司 一种车辆行驶状态识别方法及装置
CN106952361A (zh) * 2017-03-15 2017-07-14 深圳汇通智能化科技有限公司 一种高效的车辆行驶状态识别系统
CN107492251A (zh) * 2017-08-23 2017-12-19 武汉大学 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
JP2018062300A (ja) * 2016-10-14 2018-04-19 トヨタ自動車株式会社 車両制御システム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353467B (zh) * 2020-03-12 2023-06-13 Oppo广东移动通信有限公司 行驶状态识别方法、装置、终端及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008269495A (ja) * 2007-04-24 2008-11-06 Honda Motor Co Ltd 車両の走行状態認識装置
CN105320966A (zh) * 2015-10-30 2016-02-10 东软集团股份有限公司 一种车辆行驶状态识别方法及装置
JP2018062300A (ja) * 2016-10-14 2018-04-19 トヨタ自動車株式会社 車両制御システム
CN106952361A (zh) * 2017-03-15 2017-07-14 深圳汇通智能化科技有限公司 一种高效的车辆行驶状态识别系统
CN107492251A (zh) * 2017-08-23 2017-12-19 武汉大学 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法

Also Published As

Publication number Publication date
CN111353467A (zh) 2020-06-30
WO2021179818A1 (zh) 2021-09-16

Similar Documents

Publication Publication Date Title
CN111353467B (zh) 行驶状态识别方法、装置、终端及存储介质
CN112465748B (zh) 基于神经网络的裂缝识别方法、装置、设备及存储介质
WO2021136054A1 (zh) 语音唤醒方法、装置、设备及存储介质
CN111027686B (zh) 一种滑坡位移的预测方法、装置及设备
CN111553950B (zh) 一种钢卷对中判断方法、系统、介质及电子终端
CN109685246B (zh) 环境数据预估方法、装置及存储介质、服务器
EP4273754A1 (en) Neural network training method and related device
CN115311730B (zh) 一种人脸关键点的检测方法、系统和电子设备
CN115858609A (zh) 电动汽车充电桩状态监测方法、故障鉴定方法及电子设备
CN113570867A (zh) 一种城市交通状态预测方法、装置、设备及可读存储介质
CN112434260A (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
CN116152254A (zh) 工业泄露目标气体检测模型训练方法、检测方法、电子设备
CN112560981A (zh) 生成对抗模型的训练方法、装置、设备、程序和存储介质
CN113807951A (zh) 一种基于深度学习的交易数据趋势预测方法和系统
CN116714437B (zh) 基于大数据的氢燃料电池汽车安全监控系统及监控方法
CN109379713B (zh) 基于集成极限学习机和主成分分析的楼层预测方法
Yarlagadda et al. Power system state estimation and forecasting using cnn based hybrid deep learning models
CN116011655A (zh) 基于两阶段智能特征工程的负荷超短期预测方法及系统
CN111797986A (zh) 数据处理方法、装置、存储介质及电子设备
CN113570129A (zh) 带钢酸洗浓度的预测方法及计算机可读存储介质
CN112418398A (zh) 电力信息设备安全监测方法
CN112948763A (zh) 件量预测方法、装置、电子设备及存储介质
CN114496263B (zh) 用于体重指数估计的神经网络模型建立方法及存储介质
CN116192667A (zh) 一种远洋船舶卫星网络流量预测方法、模型和网关
CN116052426A (zh) 一种基于大数据的停车场对外属性识别方法及系统

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