CN111694917A - 一种车辆异常轨迹检测、模型训练方法及装置 - Google Patents
一种车辆异常轨迹检测、模型训练方法及装置 Download PDFInfo
- Publication number
- CN111694917A CN111694917A CN202010525309.8A CN202010525309A CN111694917A CN 111694917 A CN111694917 A CN 111694917A CN 202010525309 A CN202010525309 A CN 202010525309A CN 111694917 A CN111694917 A CN 111694917A
- Authority
- CN
- China
- Prior art keywords
- road network
- track
- abnormal
- represented
- positive
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车辆异常轨迹检测、模型训练方法及装置,其中,该车辆异常轨迹检测方法包括:将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络;其中,所述循环神经网络和卷积神经网络交替分布;输出与位置无关的深度异常特征;基于所述与位置无关的深度异常特征,确定异常轨迹预测结果;基于所述异常轨迹预测结果与所述正负样本中的实际异常轨迹信息的差异,调整所述深度神经网络的模型参数。本申请可以在路网中任意迁移,无需因为路网或外部环境因素变化重新标定样本。
Description
技术领域
本申请涉及轨迹检测技术领域,具体而言,涉及一种车辆异常轨迹检测、模型训练方法及装置。
背景技术
目前,基于监督和半监督学习的方法主要通过设计学习模型,使得模型能够学习异常轨迹的特征从而区分异常。例如:①使用生成模型检测异常轨迹的方法,基于生成模型的构造误差判别模型是否存在异常。②使用降噪自编码器提取轨迹特征,输入带有噪声的轨迹序列,降噪自编码器能够将轨迹数据重建,使其之尽可能接近无噪声的轨迹数据,提高轨迹数据的鲁棒性,从而提高异常轨迹预测的准确性。③使用历史轨迹的共同模式(motifs),构建一个特征空间,将目标轨迹映射到特征空间,得到在特征空间中的特征向量用于对轨迹进行异常识别的分类。④使用轨迹分段的方法来判别异常轨迹,将轨迹划分为若干段,基于每段的距离和密度的混合方法判别异常轨迹段。
传统方案的缺点在于,基于监督和半监督学习的方法需要人工标定训练样本,为保证模型的有效性,需要随着路网或其他外部因素的变化重新标定样本训练,模型学到的异常特征与特定路网位置强相关,无法在路网中任意迁移。
发明内容
有鉴于此,本申请的目的在于提供一种车辆异常轨迹检测、模型训练方法及装置,可以在路网中任意迁移,无需因为路网或外部环境因素变化重新标定样本。
根据本申请的第一方面,提供一种车辆异常轨迹检测模型的训练方法,包括:
将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络,其中,所述循环神经网络和卷积神经网络交替分布;
输出与位置无关的深度异常特征;
基于所述与位置无关的深度异常特征,确定异常轨迹预测结果;
基于所述异常轨迹预测结果与所述正负样本中的实际异常轨迹信息的差异,调整所述深度神经网络的模型参数。
在一种可能的实施方式中,将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络,包括:
将正负样本中的轨迹映射到路网网格中,得到路网网格表示的正负样本中的轨迹;
获取在地理空间约束下的路网网格特征矩阵;
从所述路网网格特征矩阵中查询与所述路网网格表示的正负样本中的轨迹对应的路网网格特征向量,得到路网网格特征向量表示的正负样本中的轨迹;
将所述路网网格特征向量表示的正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络。
在一种可能的实施方式中,所述地理空间约束包括起点和终点的约束;
获取在地理空间约束下的路网网格特征矩阵,包括:
将当前行驶轨迹映射到路网网格中,得到路网网格表示的当前行驶轨迹;
将所述路网网格表示的当前行驶轨迹进行划分得到多个路网网格表示的子轨迹;其中,每个路网网格表示的子轨迹包括起点、途经点和终点,每两个相邻的路网网格表示的子轨迹部分重合;
对路网网格特征矩阵进行随机初始化;
针对每个路网网格表示的子轨迹,在起点和终点的约束下,基于所述路网网格表示的子轨迹和路网网格特征矩阵对途经点出现的平均对数概率进行最大化;
通过反向传播更新所述路网网格特征矩阵,直至所述路网网格特征矩阵趋于稳定。
在一种可能的实施方式中,将所述路网网格表示的当前行驶轨迹进行划分得到多个路网网格表示的子轨迹,包括:
利用具有固定窗口大小和固定滑动步长的滑动窗口,将所述路网网格表示的当前行驶轨迹进行划分得到多个长度相同的路网网格表示的子轨迹。
在一种可能的实施方式中,路网网格特征矩阵包括:起点特征矩阵、终点特征矩阵和途经点特征矩阵;
对路网网格特征矩阵进行随机初始化,包括:
对目标区域的所有路网网格进行随机初始化,得到起点特征矩阵和终点特征矩阵;其中,所述目标区域的所有路网网格互不相同;
将初始化的起点特征矩阵和终点特征矩阵进行拼接,得到途经点特征矩阵。
在一种可能的实施方式中,基于所述与位置无关的深度异常特征,确定异常轨迹预测结果,包括:
将每个时间步的所述与位置无关的深度异常特征输入到多层感知机分类器中,得到异常轨迹预测结果。
在一种可能的实施方式中,所述多层感知机分类器由多层全连接网络组成。
在一种可能的实施方式中,所述正负样本中还包括所述正负样本中的实际异常轨迹信息,所述正负样本中的实际异常轨迹信息包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的实际标签,所述异常轨迹预测结果包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的预测标签。
根据本申请的第二方面,提供一种车辆异常轨迹检测方法,包括:
将目标行驶轨迹映射到路网网格中,得到路网网格表示的目标行驶轨迹;
从路网网格特征矩阵中查询与所述路网网格表示的目标行驶轨迹对应的路网网格特征向量,得到路网网格特征向量表示的目标行驶轨迹;
将所述路网网格特征向量表示的目标行驶轨迹输入到经训练的车辆异常轨迹检测模型中,输出目标行驶轨迹的异常轨迹预测结果;其中,该车辆异常轨迹检测模型通过异常轨迹预测结果与正负样本中的实际异常轨迹信息的差异训练获得,所述异常轨迹预测结果通过与位置无关的深度异常特征获得,所述与位置无关的深度异常特征通过将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络获得,所述循环神经网络和卷积神经网络交替分布。
根据本申请的第三方面,提供一种车辆异常轨迹检测装置,包括:
模型处理模块,用于将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络中,其中,所述循环神经网络和卷积神经网络交替分布;
特征输出模块,用于输出与位置无关的深度异常特征;
轨迹预测模块,用于基于所述与位置无关的深度异常特征,确定异常轨迹预测结果;
模型调整模块,用于基于所述异常轨迹预测结果与所述正负样本中的实际异常轨迹信息的差异,调整所述深度神经网络的模型参数。
在一种可能的实施方式中,所述模型处理模块包括:
映射单元,用于将正负样本中的轨迹映射到路网网格中,得到路网网格表示的正负样本中的轨迹;
获取单元,用于获取在地理空间约束下的路网网格特征矩阵;
查询单元,用于从所述路网网格特征矩阵中查询与所述路网网格表示的正负样本中的轨迹对应的路网网格特征向量,得到路网网格特征向量表示的正负样本中的轨迹;
输入单元,用于将所述路网网格特征向量表示的正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络。
在一种可能的实施方式中,所述地理空间约束包括起点和终点的约束;
所述获取单元具体用于:
将当前行驶轨迹映射到路网网格中,得到路网网格表示的当前行驶轨迹;
将所述路网网格表示的当前行驶轨迹进行划分得到多个路网网格表示的子轨迹;其中,每个路网网格表示的子轨迹包括起点、途经点和终点,每两个相邻的路网网格表示的子轨迹部分重合;
对路网网格特征矩阵进行随机初始化;
针对每个路网网格表示的子轨迹,在起点和终点的约束下,基于所述路网网格表示的子轨迹和路网网格特征矩阵对途经点出现的平均对数概率进行最大化;
通过反向传播更新所述路网网格特征矩阵,直至所述路网网格特征矩阵趋于稳定。
在一种可能的实施方式中,所述获取单元具体用于:利用具有固定窗口大小和固定滑动步长的滑动窗口,将所述路网网格表示的当前行驶轨迹进行划分得到多个长度相同的路网网格表示的子轨迹。
在一种可能的实施方式中,路网网格特征矩阵包括:起点特征矩阵、终点特征矩阵和途经点特征矩阵;
所述获取单元具体用于:
对目标区域的所有路网网格进行随机初始化,得到起点特征矩阵和终点特征矩阵;其中,所述目标区域的所有路网网格互不相同;
将初始化的起点特征矩阵和终点特征矩阵进行拼接,得到途经点特征矩阵。
在一种可能的实施方式中,所述轨迹预测模块包括:
轨迹预测单元,用于将每个时间步的所述与位置无关的深度异常特征输入到多层感知机分类器中,得到异常轨迹预测结果。
在一种可能的实施方式中,所述多层感知机分类器由多层全连接网络组成。
在一种可能的实施方式中,所述正负样本中还包括所述正负样本中的实际异常轨迹信息,所述正负样本中的实际异常轨迹信息包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的实际标签,所述异常轨迹预测结果包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的预测标签。
根据本申请的第四方面,提供一种车辆异常轨迹检测装置,包括:
第一轨迹转化模块,用于将目标行驶轨迹映射到路网网格中,得到路网网格表示的目标行驶轨迹;
第二轨迹转化模块,用于从路网网格特征矩阵中查询与所述路网网格表示的目标行驶轨迹对应的路网网格特征向量,得到路网网格特征向量表示的目标行驶轨迹;
异常轨迹预测模块,用于将所述路网网格特征向量表示的目标行驶轨迹输入到训练好的车辆异常轨迹检测模型中,输出目标行驶轨迹的异常轨迹预测结果;其中,该车辆异常轨迹检测模型通过异常轨迹预测结果与正负样本中的实际异常轨迹信息的差异训练获得,所述异常轨迹预测结果通过与位置无关的深度异常特征获得,所述与位置无关的深度异常特征通过将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络获得,所述循环神经网络和卷积神经网络交替分布。
根据本申请的第五方面,提供一种电子设备,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,以执行上述第一方面或第二方面中任一所述方法的步骤。
根据本申请的第六方面,提供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计算机程序,所述计算机程序被处理器运行时执行上述第一方面或第二方面中任一所述方法的步骤。
本申请提供的车辆异常轨迹检测模型的训练方法,由于深度神经网络包括交替分布的循环神经网络和卷积神经网络,将正负样本中的轨迹输入到深度神经网络中,输出与位置无关的深度异常特征。然后基于所述与位置无关的深度异常特征确定异常轨迹预测结果,并基于其与实际异常轨迹信息的差异调整深度神经网络的模型参数,从而完成车辆异常轨迹检测模型的训练。由于学习到的深度异常特征与位置无关,可以在路网中任意迁移,无需因为路网或外部环境因素变化重新标定样本。
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一种车辆异常轨迹检测模型的训练方法的流程图;
图2示出了深度异常特征的获取方法的流程图;
图3示出了路网网格特征矩阵的获取方法的流程图;
图4示出了本申请实施例提供的一种车辆异常轨迹检测方法的流程图;
图5示出了本申请实施例提供的一种车辆异常轨迹检测模型的训练装置的结构示意图;
图6示出了本申请实施例提供的一种车辆异常轨迹检测装置的结构示意图;
图7示出了本申请实施例提供的一种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。
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。
传统方案中,基于监督和半监督学习的方法主要通过设计学习模型,使得模型能够学习异常轨迹的特征从而区分异常。基于监督和半监督学习的方法需要人工标定训练样本,为保证模型的有效性,需要随着路网或其他外部因素的变化重新标定样本训练,模型学到的异常特征与特定路网位置强相关,无法在路网中任意迁移。基于此,本申请实施例提供一种车辆异常轨迹检测、模型训练方法及装置。
首先对本申请实施例提供的一种车辆异常轨迹检测模型的训练方法进行详细说明。
请参照图1,为本申请实施例提供的一种车辆异常轨迹检测模型的训练方法的流程图。如图1所示,可以包括以下步骤:
步骤S101、将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络,其中,所述循环神经网络和卷积神经网络交替分布;
步骤S102、输出与位置无关的深度异常特征;
步骤S103、基于所述与位置无关的深度异常特征,确定异常轨迹预测结果;
步骤S104、基于所述异常轨迹预测结果与所述正负样本中的实际异常轨迹信息的差异,调整所述深度神经网络的模型参数。
正负样本X={Xpos,Xneg}包括轨迹T={p1,p2,…,pn}和实际异常轨迹信息。实际异常轨迹信息包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的实际标签L={l1,l2,…,ln}。需要说明的是,每个轨迹点都对应一个标签。
循环神经网络(RNN)用于提取轨迹中的序列信息和长期依赖关系。卷积神经网络(CNN)用于提取轨迹中的异常特征。循环神经网络和卷积神经网络交替分布,将正负样本中的轨迹输入到循环神经网络中,循环神经网络每个时间步的输出将作为卷积神经网络的输入,再将卷积神经网络的输出输入到下一层循环神经网络中,多次重复这一过程,即可得到正负样本中的轨迹的深度异常特征。需要说明的是,在将正负样本中的轨迹输入卷积神经网络时,使用零填充的方法保证卷积神经网络的输出和轨迹长度一致。
异常轨迹预测结果包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的预测标签。
如图2所示,步骤S101可以包括以下步骤:
步骤S1011、将正负样本中的轨迹映射到路网网格中,得到路网网格表示的正负样本中的轨迹;
步骤S1012、获取在地理空间约束下的路网网格特征矩阵;
步骤S1013、从所述路网网格特征矩阵中查询与所述路网网格表示的正负样本中的轨迹对应的路网网格特征向量,得到路网网格特征向量表示的正负样本中的轨迹;
步骤S1014、将所述路网网格特征向量表示的正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络。
在步骤S1011中,将正负样本X={Xpos,Xneg}中的轨迹映射到送驾区域中的路网网格中,使用路网网格序列表示轨迹,轨迹T={p1,p2,…,pn}可以被表示为T={g1,g2,…,gn}其中gi表示对应的路网网格,标签L={l1,l2,…,ln}分别表示轨迹在对应路网网格内是否处于绕路状态。
在步骤S1012中,地理空间约束包括起点和终点的约束。具体地,如图3所示,步骤S1012可以包括如下步骤:
步骤S10121、将当前行驶轨迹映射到路网网格中,得到路网网格表示的当前行驶轨迹。具体地,将当前行驶轨迹T={p1,p2,…,pn}(其中,pi为行驶轨迹中的坐标点)映射到路网网格中,得到路网网格表示的行驶轨迹T={g1,g2,…,gn}(其中,gi为行驶轨迹中坐标pi在路网中对应的网格)。
步骤S10122、将所述路网网格表示的当前行驶轨迹进行划分得到多个路网网格表示的子轨迹;其中,每个路网网格表示的子轨迹包括起点、途经点和终点,每两个相邻的路网网格表示的子轨迹部分重合。具体地,对路网网格表示的行驶轨迹进行划分得到多个子轨迹。原始轨迹T可被划分为子轨迹集合T’={Tj|Tj={gj,gj+1,…,gj+9},1≤i≤n-9}。根据轨迹点性质将每个子轨迹T={g0,g1,…,gn}映射到路网网格中,得到路网网格表示的子轨迹T={S,M1,…,Mj,D}。其中S=g0表示子轨迹起点,D=gn表示子轨迹终点,M1,…,Mj表示子轨迹途经点。其中,每两个相邻的子轨迹部分重合。例如:子轨迹A包括起始点A1、途经点A2和终点A3,与子轨迹相邻的子轨迹B包括起始点B1、途经点B2和终点B3,终点A3与起始点B1为同一轨迹点,即重合。通过该划分方法可以将轨迹划分出更多的子轨迹,可以对稀疏性轨迹进行数据增强,不受轨迹稀疏性的影响。
在一种可能的实施方式中,利用具有固定窗口大小和固定滑动步长的滑动窗口,将所述路网网格表示的当前行驶轨迹进行划分得到多个长度相同的路网网格表示的子轨迹。例如:滑动窗口大小为10,滑动步长为1,则原始轨迹T可被划分为子轨迹集合T’={Tj|Tj={gj,gj+1,…,gj+9},1≤i≤n-9}。
步骤S10123、对路网网格特征矩阵进行随机初始化。
在步骤S10123中,路网网格特征矩阵包括:起点特征矩阵、终点特征矩阵和途经点特征矩阵。首先对目标区域的所有路网网格进行随机初始化,得到起点特征矩阵和终点特征矩阵;其中,所述目标区域的所有路网网格互不相同;其次,将初始化的起点特征矩阵和终点特征矩阵进行拼接,得到途经点特征矩阵。具体地,由于多个子轨迹的起始点和终点均为轨迹的途经点,也就是说多个子轨迹的起始点的特征在起始点特征矩阵中,多个子轨迹的终点的特征在终点特征矩阵中,多个子轨迹的起始点和终点的特征也在途经点矩阵中。因此,起点特征矩阵和终点特征矩阵拼接可得到途经点特征矩阵。假设目标区域的中有N个互不相同的路网网格,对目标区域的所有路网网格进行随机初始化,得到起点特征矩阵N*d维特征矩阵和终点特征矩阵N*d维特征矩阵。需要说明的是,随机初始化为全0值或者全1值,本实施例不作具体限定,还可以随机初始化为其他值。这两个特征矩阵中的每一行为一个特征向量,分别表示对应网格作为起点和终点时的特征。将这两个特征矩阵拼接后可以得到一个N*2d维的特征矩阵,即途经点特征矩阵。
步骤S10124、针对每个路网网格表示的子轨迹,在起点和终点的约束下,基于所述路网网格表示的子轨迹和路网网格特征矩阵对途经点出现的平均对数概率进行最大化。
具体地,针对每个路网网格表示的子轨迹,在起点和终点的约束下,基于所述路网网格表示的子轨迹和路网网格特征矩阵最大化途经点M1,…,Mj出现的平均对数概率。
关于概率p(Mi|SD),根据轨迹点性质,分别从不同特征矩阵查找轨迹经过的路网网格的性质。即,从起点特征矩阵中查找起点S的特征向量,记作vS,vS为d维向量;从终点矩阵中查找终点D的特征向量,记作vD,vD为d维向量;从途径点矩阵中查找途径点Mj的特征向量,记作为2d维向量。拼接起点S和终点D的特征向量vS和vD,即可得到2d维的起终点特征向量vSD。根据起终点和途径点的特征向量,使用softmax函数计算概率:
步骤S10125、判断所述路网网格特征矩阵是否趋于稳定,若是则转入步骤S10127,若否则转入步骤S10126。
步骤S10126、通过反向传播更新所述路网网格特征矩阵,转入步骤S10124。
步骤S10127、输出在地理空间约束下的路网网格特征矩阵。
在步骤S1013中,从所述路网网格特征矩阵中查询与所述路网网格表示的正负样本中的轨迹T={g1,g2,…,gn}对应的路网网格特征向量,得到路网网格特征向量表示的正负样本中的轨迹T={v1,v2,…,vn}。其中vi表示对应网格的特征向量。此处的特征向量无论轨迹点的性质,均使用路网网格索引从途经点矩阵中查找对应特征向量。
在步骤S1014中,将路网网格特征向量表示的正负样本中的轨迹输入到循环神经网络中,循环神经网络每个时间步的输出将作为卷积神经网络的输入,再将卷积神经网络的输出输入到下一层循环神经网络中,多次重复这一过程,即可得到正负样本中的轨迹的与位置无关的深度异常特征。需要说明的是,在将路网网格特征向量表示的正负样本中的轨迹输入卷积神经网络时,使用零填充的方法保证卷积神经网络的输出和轨迹长度一致。由于学习到的深度异常特征与位置无关,可以在路网中任意迁移,无需因为路网或外部环境因素变化重新标定样本。
在步骤S103中、将每个时间步的所述与位置无关的深度异常特征输入到多层感知机分类器中,得到异常轨迹预测结果。所述多层感知机分类器由多层全连接网络组成。
在本实施例中,由于深度神经网络包括交替分布的循环神经网络和卷积神经网络,将正负样本中的轨迹输入到深度神经网络中,输出与位置无关的深度异常特征。然后基于所述与位置无关的深度异常特征确定异常轨迹预测结果,并基于其与实际异常轨迹信息的差异调整深度神经网络的模型参数,从而完成车辆异常轨迹检测模型的训练。由于学习到的深度异常特征与位置无关,可以在路网中任意迁移,无需因为路网或外部环境因素变化重新标定样本。
本申请实施例还提供了一种车辆异常轨迹检测方法,下面进行具体说明。
请参照图4,为本申请实施例提供的一种车辆异常轨迹检测方法的流程图。如图4所示,可以包括以下步骤:
步骤S401、将目标行驶轨迹映射到路网网格中,得到路网网格表示的目标行驶轨迹;
步骤S402、从路网网格特征矩阵中查询与所述路网网格表示的目标行驶轨迹对应的路网网格特征向量,得到路网网格特征向量表示的目标行驶轨迹;
步骤S403、将所述路网网格特征向量表示的目标行驶轨迹输入到经训练的车辆异常轨迹检测模型中,输出目标行驶轨迹的异常轨迹预测结果;其中,该车辆异常轨迹检测模型通过异常轨迹预测结果与正负样本中的实际异常轨迹信息的差异训练获得,所述异常轨迹预测结果通过与位置无关的深度异常特征获得,所述与位置无关的深度异常特征通过将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络获得,所述循环神经网络和卷积神经网络交替分布。
在步骤S401中,将目标轨迹T={p1,p2,…,pn}根据坐标映射到对应的路网网格中,使用路网网格序列表示轨迹T={g1,g2,…,gn}。
在步骤S402中,使用路网网格索引从途经点矩阵中查找对应特征向量,将由路网网格表示的轨迹T={g1,g2,…,gn}映射为由特征向量表示的轨迹T={v1,v2,…,vn}。
在步骤S403中,将由特征向量表示的轨迹T={v1,v2,…,vn}输入到车辆异常轨迹检测模型(简称异常检测模型GCM),模型预测输出轨迹的异常标签序列LP={lp1,lp2,…,lpn},其中lpi表示轨迹点pi是否处于异常状态。
在本实施例中,首先将目标行驶轨迹通过网格映射的方式转化为路网网格表示的目标行驶轨迹,然后通过路网网格特征矩阵查询特征向量的方式转化为路网网格特征向量表示的目标行驶轨迹,将其输入到经训练的车辆异常轨迹检测模型中进行异常轨迹预测。本方案仅依赖于经训练的车辆异常轨迹检测模型中学习的与位置无关的与位置无关的深度异常特征,可以快速进行异常轨迹检测。
基于相同的技术构思,本申请实施例还提供一种车辆异常轨迹检测模型的训练装置、一种车辆异常轨迹检测装置、电子设备、以及计算机存储介质等,具体可参见以下实施例。
请参照图5,为本申请实施例提供的一种车辆异常轨迹检测模型的训练装置的结构示意图。如图5所示,所述装置可以包括:
模型处理模块501,用于将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络中,其中,所述循环神经网络和卷积神经网络交替分布;
特征输出模块502,用于输出与位置无关的深度异常特征;
轨迹预测模块503,用于基于所述与位置无关的深度异常特征,确定异常轨迹预测结果;
模型调整模块504,用于基于所述异常轨迹预测结果与所述正负样本中的实际异常轨迹信息的差异,调整所述深度神经网络的模型参数。
在一种可能的实施方式中,所述模型处理模块501包括:
映射单元,用于将正负样本中的轨迹映射到路网网格中,得到路网网格表示的正负样本中的轨迹;
获取单元,用于获取在地理空间约束下的路网网格特征矩阵;
查询单元,用于从所述路网网格特征矩阵中查询与所述路网网格表示的正负样本中的轨迹对应的路网网格特征向量,得到路网网格特征向量表示的正负样本中的轨迹;
输入单元,用于将所述路网网格特征向量表示的正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络。
在一种可能的实施方式中,所述地理空间约束包括起点和终点的约束;
所述获取单元具体用于:
将当前行驶轨迹映射到路网网格中,得到路网网格表示的当前行驶轨迹;
将所述路网网格表示的当前行驶轨迹进行划分得到多个路网网格表示的子轨迹;其中,每个路网网格表示的子轨迹包括起点、途经点和终点,每两个相邻的路网网格表示的子轨迹部分重合;
对路网网格特征矩阵进行随机初始化;
针对每个路网网格表示的子轨迹,在起点和终点的约束下,基于所述路网网格表示的子轨迹和路网网格特征矩阵对途经点出现的平均对数概率进行最大化;
通过反向传播更新所述路网网格特征矩阵,直至所述路网网格特征矩阵趋于稳定。
在一种可能的实施方式中,所述获取单元具体用于:利用具有固定窗口大小和固定滑动步长的滑动窗口,将所述路网网格表示的当前行驶轨迹进行划分得到多个长度相同的路网网格表示的子轨迹。
在一种可能的实施方式中,路网网格特征矩阵包括:起点特征矩阵、终点特征矩阵和途经点特征矩阵;
所述获取单元具体用于:
对目标区域的所有路网网格进行随机初始化,得到起点特征矩阵和终点特征矩阵;其中,所述目标区域的所有路网网格互不相同;
将初始化的起点特征矩阵和终点特征矩阵进行拼接,得到途经点特征矩阵。
在一种可能的实施方式中,所述轨迹预测模块503包括:
轨迹预测单元,用于将每个时间步的所述与位置无关的深度异常特征输入到多层感知机分类器中,得到异常轨迹预测结果。
在一种可能的实施方式中,所述多层感知机分类器由多层全连接网络组成。
在一种可能的实施方式中,所述正负样本中还包括所述正负样本中的实际异常轨迹信息,所述正负样本中的实际异常轨迹信息包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的实际标签,所述异常轨迹预测结果包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的预测标签。
请参照图6,为本申请实施例提供的一种车辆异常轨迹检测装置的结构示意图。如图6所示,所述装置可以包括:
第一轨迹转化模块601,用于将目标行驶轨迹映射到路网网格中,得到路网网格表示的目标行驶轨迹;
第二轨迹转化模块602,用于从路网网格特征矩阵中查询与所述路网网格表示的目标行驶轨迹对应的路网网格特征向量,得到路网网格特征向量表示的目标行驶轨迹;
异常轨迹预测模块603,用于将所述路网网格特征向量表示的目标行驶轨迹输入到训练好的车辆异常轨迹检测模型中,输出目标行驶轨迹的异常轨迹预测结果;其中,该车辆异常轨迹检测模型通过异常轨迹预测结果与正负样本中的实际异常轨迹信息的差异训练获得,所述异常轨迹预测结果通过与位置无关的深度异常特征获得,所述与位置无关的深度异常特征通过将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络获得,所述循环神经网络和卷积神经网络交替分布。
本申请实施例公开了一种电子设备,如图7所示,包括:处理器701、存储器702和总线703,所述存储器702存储有所述处理器701可执行的机器可读指令,当电子设备运行时,所述处理器701与所述存储器702之间通过总线703通信。所述机器可读指令被所述处理器701执行时执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
本申请实施例所提供的方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,又例如,多个模块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通信接口,装置或模块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模块可以是或者也可以不是物理上分开的,作为模块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,在本申请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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (20)
1.一种车辆异常轨迹检测模型的训练方法,其特征在于,包括:
将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络,其中,所述循环神经网络和卷积神经网络交替分布;
输出与位置无关的深度异常特征;
基于所述与位置无关的深度异常特征,确定异常轨迹预测结果;
基于所述异常轨迹预测结果与所述正负样本中的实际异常轨迹信息的差异,调整所述深度神经网络的模型参数。
2.根据权利要求1所述的方法,其特征在于,将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络,包括:
将正负样本中的轨迹映射到路网网格中,得到路网网格表示的正负样本中的轨迹;
获取在地理空间约束下的路网网格特征矩阵;
从所述路网网格特征矩阵中查询与所述路网网格表示的正负样本中的轨迹对应的路网网格特征向量,得到路网网格特征向量表示的正负样本中的轨迹;
将所述路网网格特征向量表示的正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络。
3.根据权利要求2所述的方法,其特征在于,所述地理空间约束包括起点和终点的约束;
获取在地理空间约束下的路网网格特征矩阵,包括:
将当前行驶轨迹映射到路网网格中,得到路网网格表示的当前行驶轨迹;
将所述路网网格表示的当前行驶轨迹进行划分得到多个路网网格表示的子轨迹;其中,每个路网网格表示的子轨迹包括起点、途经点和终点,每两个相邻的路网网格表示的子轨迹部分重合;
对路网网格特征矩阵进行随机初始化;
针对每个路网网格表示的子轨迹,在起点和终点的约束下,基于所述路网网格表示的子轨迹和路网网格特征矩阵对途经点出现的平均对数概率进行最大化;
通过反向传播更新所述路网网格特征矩阵,直至所述路网网格特征矩阵趋于稳定。
4.根据权利要求3所述的方法,其特征在于,将所述路网网格表示的当前行驶轨迹进行划分得到多个路网网格表示的子轨迹,包括:
利用具有固定窗口大小和固定滑动步长的滑动窗口,将所述路网网格表示的当前行驶轨迹进行划分得到多个长度相同的路网网格表示的子轨迹。
5.根据权利要求3所述的方法,其特征在于,路网网格特征矩阵包括:起点特征矩阵、终点特征矩阵和途经点特征矩阵;
对路网网格特征矩阵进行随机初始化,包括:
对目标区域的所有路网网格进行随机初始化,得到起点特征矩阵和终点特征矩阵;其中,所述目标区域的所有路网网格互不相同;
将初始化的起点特征矩阵和终点特征矩阵进行拼接,得到途经点特征矩阵。
6.根据权利要求1所述的方法,其特征在于,基于所述与位置无关的深度异常特征,确定异常轨迹预测结果,包括:
将每个时间步的所述与位置无关的深度异常特征输入到多层感知机分类器中,得到异常轨迹预测结果。
7.根据权利要求6所述的方法,其特征在于,所述多层感知机分类器由多层全连接网络组成。
8.根据权利要求1所述的方法,其特征在于,所述正负样本中还包括所述正负样本中的实际异常轨迹信息,所述正负样本中的实际异常轨迹信息包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的实际标签,所述异常轨迹预测结果包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的预测标签。
9.一种车辆异常轨迹检测方法,其特征在于,包括:
将目标行驶轨迹映射到路网网格中,得到路网网格表示的目标行驶轨迹;
从路网网格特征矩阵中查询与所述路网网格表示的目标行驶轨迹对应的路网网格特征向量,得到路网网格特征向量表示的目标行驶轨迹;
将所述路网网格特征向量表示的目标行驶轨迹输入到经训练的车辆异常轨迹检测模型中,输出目标行驶轨迹的异常轨迹预测结果;其中,该车辆异常轨迹检测模型通过异常轨迹预测结果与正负样本中的实际异常轨迹信息的差异训练获得,所述异常轨迹预测结果通过与位置无关的深度异常特征获得,所述与位置无关的深度异常特征通过将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络获得,所述循环神经网络和卷积神经网络交替分布。
10.一种车辆异常轨迹检测模型的训练装置,其特征在于,包括:
模型处理模块,用于将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络中,其中,所述循环神经网络和卷积神经网络交替分布;
特征输出模块,用于输出与位置无关的深度异常特征;
轨迹预测模块,用于基于所述与位置无关的深度异常特征,确定异常轨迹预测结果;
模型调整模块,用于基于所述异常轨迹预测结果与所述正负样本中的实际异常轨迹信息的差异,调整所述深度神经网络的模型参数。
11.根据权利要求10所述的装置,其特征在于,所述模型处理模块包括:
映射单元,用于将正负样本中的轨迹映射到路网网格中,得到路网网格表示的正负样本中的轨迹;
获取单元,用于获取在地理空间约束下的路网网格特征矩阵;
查询单元,用于从所述路网网格特征矩阵中查询与所述路网网格表示的正负样本中的轨迹对应的路网网格特征向量,得到路网网格特征向量表示的正负样本中的轨迹;
输入单元,用于将所述路网网格特征向量表示的正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络。
12.根据权利要求11所述的装置,其特征在于,所述地理空间约束包括起点和终点的约束;
所述获取单元具体用于:
将当前行驶轨迹映射到路网网格中,得到路网网格表示的当前行驶轨迹;
将所述路网网格表示的当前行驶轨迹进行划分得到多个路网网格表示的子轨迹;其中,每个路网网格表示的子轨迹包括起点、途经点和终点,每两个相邻的路网网格表示的子轨迹部分重合;
对路网网格特征矩阵进行随机初始化;
针对每个路网网格表示的子轨迹,在起点和终点的约束下,基于所述路网网格表示的子轨迹和路网网格特征矩阵对途经点出现的平均对数概率进行最大化;
通过反向传播更新所述路网网格特征矩阵,直至所述路网网格特征矩阵趋于稳定。
13.根据权利要求12所述的装置,其特征在于,所述获取单元具体用于:
利用具有固定窗口大小和固定滑动步长的滑动窗口,将所述路网网格表示的当前行驶轨迹进行划分得到多个长度相同的路网网格表示的子轨迹。
14.根据权利要求12所述的装置,其特征在于,路网网格特征矩阵包括:起点特征矩阵、终点特征矩阵和途经点特征矩阵;
所述获取单元具体用于:
对目标区域的所有路网网格进行随机初始化,得到起点特征矩阵和终点特征矩阵;其中,所述目标区域的所有路网网格互不相同;
将初始化的起点特征矩阵和终点特征矩阵进行拼接,得到途经点特征矩阵。
15.根据权利要求10所述的装置,其特征在于,所述轨迹预测模块包括:
轨迹预测单元,用于将每个时间步的所述与位置无关的深度异常特征输入到多层感知机分类器中,得到异常轨迹预测结果。
16.根据权利要求15所述的装置,其特征在于,所述多层感知机分类器由多层全连接网络组成。
17.根据权利要求10所述的装置,其特征在于,所述正负样本中还包括所述正负样本中的实际异常轨迹信息,所述正负样本中的实际异常轨迹信息包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的实际标签,所述异常轨迹预测结果包括用于标识所述正负样本中的轨迹在相应路网网格中是否异常的预测标签。
18.一种车辆异常轨迹检测装置,其特征在于,包括:
第一轨迹转化模块,用于将目标行驶轨迹映射到路网网格中,得到路网网格表示的目标行驶轨迹;
第二轨迹转化模块,用于从路网网格特征矩阵中查询与所述路网网格表示的目标行驶轨迹对应的路网网格特征向量,得到路网网格特征向量表示的目标行驶轨迹;
异常轨迹预测模块,用于将所述路网网格特征向量表示的目标行驶轨迹输入到训练好的车辆异常轨迹检测模型中,输出目标行驶轨迹的异常轨迹预测结果;其中,该车辆异常轨迹检测模型通过异常轨迹预测结果与正负样本中的实际异常轨迹信息的差异训练获得,所述异常轨迹预测结果通过与位置无关的深度异常特征获得,所述与位置无关的深度异常特征通过将正负样本中的轨迹输入到包括循环神经网络和卷积神经网络的深度神经网络获得,所述循环神经网络和卷积神经网络交替分布。
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,以执行如权利要求1至9任一所述方法的步骤。
20.一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运行时执行如权利要求1至9任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010525309.8A CN111694917B (zh) | 2020-06-10 | 2020-06-10 | 一种车辆异常轨迹检测、模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010525309.8A CN111694917B (zh) | 2020-06-10 | 2020-06-10 | 一种车辆异常轨迹检测、模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111694917A true CN111694917A (zh) | 2020-09-22 |
CN111694917B CN111694917B (zh) | 2021-03-02 |
Family
ID=72480235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010525309.8A Active CN111694917B (zh) | 2020-06-10 | 2020-06-10 | 一种车辆异常轨迹检测、模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111694917B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112185480A (zh) * | 2020-10-26 | 2021-01-05 | 北京望石智慧科技有限公司 | 图特征提取、脂水分配系数预测方法及图特征提取模型 |
CN112200046A (zh) * | 2020-09-30 | 2021-01-08 | 平安科技(深圳)有限公司 | 驾驶行为识别方法、装置、电子设备及存储介质 |
CN112329815A (zh) * | 2020-09-30 | 2021-02-05 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
CN113119890A (zh) * | 2021-04-27 | 2021-07-16 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆异常的预测方法、装置和电子设备 |
CN113658423A (zh) * | 2020-10-23 | 2021-11-16 | 秦胜君 | 基于循环门控单元的车辆轨迹异常检测方法 |
CN114822042A (zh) * | 2022-06-28 | 2022-07-29 | 深圳市华耀商品检验有限公司 | 一种用于车载终端检测的信息安全测试管理系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726771A (zh) * | 2019-02-27 | 2019-05-07 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶检测模型建立方法、装置及存储介质 |
CN109769213A (zh) * | 2019-01-25 | 2019-05-17 | 努比亚技术有限公司 | 用户行为轨迹记录的方法、移动终端及计算机存储介质 |
CN110309735A (zh) * | 2019-06-14 | 2019-10-08 | 平安科技(深圳)有限公司 | 异常侦测方法、装置、服务器及存储介质 |
US20200090012A1 (en) * | 2018-09-14 | 2020-03-19 | International Business Machines Corporation | Identification and/or verification by a consensus network using sparse parametric representations of biometric images |
-
2020
- 2020-06-10 CN CN202010525309.8A patent/CN111694917B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200090012A1 (en) * | 2018-09-14 | 2020-03-19 | International Business Machines Corporation | Identification and/or verification by a consensus network using sparse parametric representations of biometric images |
CN109769213A (zh) * | 2019-01-25 | 2019-05-17 | 努比亚技术有限公司 | 用户行为轨迹记录的方法、移动终端及计算机存储介质 |
CN109726771A (zh) * | 2019-02-27 | 2019-05-07 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶检测模型建立方法、装置及存储介质 |
CN110309735A (zh) * | 2019-06-14 | 2019-10-08 | 平安科技(深圳)有限公司 | 异常侦测方法、装置、服务器及存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200046A (zh) * | 2020-09-30 | 2021-01-08 | 平安科技(深圳)有限公司 | 驾驶行为识别方法、装置、电子设备及存储介质 |
CN112329815A (zh) * | 2020-09-30 | 2021-02-05 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
CN112329815B (zh) * | 2020-09-30 | 2022-07-22 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
CN112200046B (zh) * | 2020-09-30 | 2023-09-12 | 平安科技(深圳)有限公司 | 驾驶行为识别方法、装置、电子设备及存储介质 |
CN113658423A (zh) * | 2020-10-23 | 2021-11-16 | 秦胜君 | 基于循环门控单元的车辆轨迹异常检测方法 |
CN112185480A (zh) * | 2020-10-26 | 2021-01-05 | 北京望石智慧科技有限公司 | 图特征提取、脂水分配系数预测方法及图特征提取模型 |
CN112185480B (zh) * | 2020-10-26 | 2024-01-26 | 北京望石智慧科技有限公司 | 图特征提取、脂水分配系数预测方法及图特征提取模型 |
CN113119890A (zh) * | 2021-04-27 | 2021-07-16 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆异常的预测方法、装置和电子设备 |
CN114822042A (zh) * | 2022-06-28 | 2022-07-29 | 深圳市华耀商品检验有限公司 | 一种用于车载终端检测的信息安全测试管理系统及方法 |
CN114822042B (zh) * | 2022-06-28 | 2022-09-02 | 深圳市华耀商品检验有限公司 | 一种用于车载终端检测的信息安全测试管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111694917B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111694917B (zh) | 一种车辆异常轨迹检测、模型训练方法及装置 | |
CN110998604B (zh) | 有局部外观的对象的识别与重构 | |
CN110363049B (zh) | 图形元素检测识别和类别确定的方法及装置 | |
CN109870698B (zh) | 一种超声波阵列障碍物检测结果处理方法及系统 | |
KR20200116831A (ko) | 학습 데이터 관리 방법 | |
CN112200231A (zh) | 一种危险品车辆识别方法、系统、装置及介质 | |
CN112381227B (zh) | 神经网络生成方法、装置、电子设备及存储介质 | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
Wang et al. | Reconstruction of missing trajectory data: a deep learning approach | |
CN114872730A (zh) | 一种车辆行驶轨迹预测方法、装置、汽车及存储介质 | |
CN112529024A (zh) | 一种样本数据的生成方法、装置及计算机可读存储介质 | |
CN111815627B (zh) | 遥感图像变化检测方法、模型训练方法及对应装置 | |
CN113095351A (zh) | 借助于初始标记的改善生成经标记的数据的方法 | |
WO2023093124A1 (zh) | 一种车道线跟踪方法、装置、计算机设备、存储介质和计算机程序产品 | |
CN110728359A (zh) | 搜索模型结构的方法、装置、设备和存储介质 | |
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN112327337B (zh) | 路口重建方法、装置、设备及存储介质 | |
KR102308752B1 (ko) | 객체 추적 방법 및 장치 | |
WO2022024315A1 (ja) | 精度推定プログラム、装置、及び方法 | |
CN114255381A (zh) | 图像识别模型的训练方法、图像识别方法、装置及介质 | |
Toubeh et al. | Risk-aware planning by confidence estimation using deep learning-based perception | |
CN110705695B (zh) | 搜索模型结构的方法、装置、设备和存储介质 | |
JP6511942B2 (ja) | 情報処理装置および情報処理プログラム | |
JP2020135595A (ja) | グラフ構造推定装置、slam装置、グラフ構造推定方法、コンピュータプログラム、および記憶媒体 | |
CN115293301B (zh) | 车辆的变道方向的预估方法、装置及存储介质 |
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 |