CN111891132A - 一种基于加减速的业务处理方法、装置、设备和存储介质 - Google Patents

Abstract

本发明实施例提供了一种基于加减速的业务处理方法、装置、设备和存储介质，该方法包括：检测车辆在指定的业务场景下执行加减速的操作，响应于加减速的操作，采集加速度，在业务场景的约束下，以部分加速度作为训练的样本、更新与加速度匹配的事件识别模型，获得目标事件识别模型，将部分加速度输入目标事件识别模型中进行分类，以识别表示紧急加减速的操作，在业务场景中，根据紧急加减速的操作对车辆进行业务处理，以业务场景作为训练事件识别模型、识别紧急加减速的操作的条件，减少计算量，保证事件识别模型的精确度，逐步学习出符合用户驾驶风格的事件识别模型，识别出用户个性化的紧急加减速的操作，操作简便，为业务处理的决策提供依据。

Description

一种基于加减速的业务处理方法、装置、设备和存储介质

技术领域

本发明实施例涉及自动驾驶的技术领域，尤其涉及一种基于加减速的业务处理方法、装置、设备和存储介质。

背景技术

在用户驾驶车辆时，加速、减速是常规性的操作，在某些情况下，用户会大幅度进行加速、减速，有可能脱离用户的可操控范围，不仅降低乘客的舒适感，而且可能出现安全风险。

因此，自动驾驶系统中会检测大幅度的加速、减速，并对大幅度的加速、减速进行干预，提高乘客的舒适感，降低安全风险。

目前，为检测大幅度的加速、减速，通常是检测车辆的加速度，并设定相应的静态阈值，加速度超出或低于该阈值则认为是大幅度的加速、减速。

但是，阈值是一个经验值，需要根据不同用户的情况不断进行调整，操作繁琐。

发明内容

本发明实施例提出了一种基于加减速的业务处理方法、装置、设备和存储介质，以解决针对用户检测大幅度加速、减速的操作较为繁琐的问题。

第一方面，本发明实施例提供了一种基于加减速的业务处理方法，包括：

检测车辆在指定的业务场景下执行加减速的操作；

响应于所述加减速的操作，采集加速度；

在所述业务场景的约束下，以部分所述加速度作为训练的样本、更新与所述加速度匹配的事件识别模型，获得目标事件识别模型；

将部分所述加速度输入所述目标事件识别模型中进行分类，以识别表示紧急加减速的操作；

在所述业务场景中，根据所述紧急加减速的操作对所述车辆进行业务处理。

第二方面，本发明实施例还提供了一种基于加减速的业务处理装置，包括：

加减速操作检测模块，用于检测车辆在指定的业务场景下执行加减速的操作；

加速度采集模块，用于响应于所述加减速的操作，采集加速度；

事件识别模型训练模块，用于在所述业务场景的约束下，以部分所述加速度作为训练的样本、更新与所述加速度匹配的事件识别模型，获得目标事件识别模型；

加速度分类模块，用于将部分所述加速度输入所述目标事件识别模型中进行分类，以识别表示紧急加减速的操作；

业务处理模块，用于在所述业务场景中，根据所述紧急加减速的操作对所述车辆进行业务处理。

第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的基于加减速的业务处理方法。

第四方面，本发明实施例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计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于加减速的业务处理方法。

在本实施例中，检测车辆在指定的业务场景下执行加减速的操作，响应于加减速的操作，采集加速度，在业务场景的约束下，以部分加速度作为训练的样本、更新与加速度匹配的事件识别模型，获得目标事件识别模型，将部分加速度输入目标事件识别模型中进行分类，以识别表示紧急加减速的操作，在业务场景中，根据紧急加减速的操作对车辆进行业务处理，以业务场景作为训练事件识别模型、识别紧急加减速的操作的条件，不仅可以减少计算量，而且可以减小事件识别模型的面向范围，从而保证事件识别模型的精确度，实时采集用户驾驶车辆的加速度，可以保证加速度的个性化、真实性，以在先的事件识别模型作为基础继续训练，不仅训练量少，满足实时性的需求，而且可通过逐步学习出符合用户驾驶风格的事件识别模型，从而识别出用户个性化的紧急加减速的操作，操作简便，为后续辅助业务处理的决策提供依据，从而辅助用户驾驶，提高驾驶的舒适感、安全性。

附图说明

图1为本发明实施例提供的一种无人驾驶车辆的结构示意图；

图2为本发明实施例一提供的一种基于加减速的业务处理方法的流程图；

图3A至图3B为本发明实施例一提供的一种紧急加减速的示意图；

图4是本发明实施例二提供的一种基于加减速的业务处理方法的流程图；

图5是本发明实施例二提供的一种事件识别模型的结构示意图；

图6为本发明实施例二提供的一种事件识别模型的关系示例图；

图7为本发明实施例三提供的一种基于加减速的业务处理装置的结构示意图；

图8为本发明实施例四提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

参见图1，示出了可以应用本发明实施例中基于加减速的业务处理方法、基于加减速的业务处理装置的实施例的无人驾驶车辆100。

如图1所示，无人驾驶车辆100可以包括驾驶控制设备101，车身总线102，ECU(Electronic Control Unit，电子控制单元)103、ECU 104、ECU 105，传感器106、传感器107、传感器108和执行器件109、执行器件110、执行器件111。

驾驶控制设备(又称为车载大脑)101负责整个无人驾驶车辆100的总体智能控制。驾驶控制设备101可以是单独设置的控制器，例如可编程逻辑控制器(ProgrammableLogicController，PLC)、单片机、工业控制机等；也可以是由其他具有输入/输出端口，并具有运算控制功能的电子器件组成的设备；还可以是安装有车辆驾驶控制类应用的计算机设备。驾驶控制设备可以对从车身总线102上接收到的各个ECU发来的数据和/或各个传感器发来的数据进行分析处理，作出相应的决策，并将决策对应的指令发送到车身总线。

车身总线102可以是用于连接驾驶控制设备101，ECU 103、ECU 104、ECU 105，传感器106、传感器107、传感器108以及无人驾驶车辆100的其他未示出的设备的总线。由于CAN(Controller AreaNetwork，控制器局域网络)总线的高性能和可靠性已被广泛认同，因此目前机动车中常用的车身总线为CAN总线。当然，可以理解的是车身总线也可以是其他类型的总线。

车身总线102可以将驾驶控制设备101发出的指令发送给ECU 103、ECU 104、ECU105，ECU 103、ECU 104、ECU 105再将上述指令进行分析处理后发给相应的执行器件执行。

传感器106、传感器107、传感器108包括但不限于激光雷达、相机、加速度传感器、角度传感器，等等。

需要说明的是，本发明实施例所提供的基于加减速的业务处理方法可以由驾驶控制设备101执行，相应地，基于加减速的业务处理装置一般设置于驾驶控制设备101中。

应该理解，图1中的无人驾驶车辆、驾驶控制设备、车身总线、ECU、执行器件和传感器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的无人驾驶车辆、驾驶控制设备、车身总线、ECU和传感器。

实施例一

图2为本发明实施例一提供的一种基于加减速的业务处理方法的流程图，本实施例可适用于自适应用户的操作识别紧急加减速的操作的情况，该方法可以由基于加减速的业务处理装置来执行，该基于加减速的业务处理装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，驾驶控制设备，等等，具体包括如下步骤：

步骤201、检测车辆在指定的业务场景下执行加减速的操作。

在本实施例中，在用户驾驶车辆时，可启动自动驾驶模式，所谓自动驾驶模式，可以指车辆本身拥有环境感知、路径规划并且自主实现车辆控制的模式，也就是用电子技术控制车辆进行的仿人驾驶。

根据对车辆操控任务的把握程度，驾驶模式可以分为L0非自动化(NoAutomotaion)、L1驾驶人辅助(Driver Assistance)、L2部分自动化(PartialAutomation)、L3有条件自动化(Conditional Automation)、L4高自动化(HighAutomation)、L5全自动化(Full Automation)。

本实施例中的自动驾驶模式，可以指L1-L3中的驾驶模式，对用户驾驶车辆起辅助功能。

在具体实现中，可检测车辆的外部环境和/或内部环境是否出现特定的条件，若是，则确定出现指定的业务场景。

需要说明的是，检测业务场景的条件可以由本领域技术人员根据实际的业务需求而设置，本实施例对此不加以限制，通过业务场景作为训练事件识别模型、识别紧急加减速的操作的条件，不仅可以减少计算量，而且可以减小事件识别模型的面向范围，从而保证事件识别模型的精确度。

在一个业务场景的示例中，业务场景为怒路症，如图3A所示，车辆311在道路上沿箭头方向行驶时，被车辆312超车，部分不文明的情况下，会对驾驶员引发路怒症，使得车辆311与车辆312发生不文明的相互超车现象，容易发生剐蹭、碰撞等意外，此时，车辆311、车辆312均可检测到紧急加速的操作，通过辅助其他措施可提前对车辆311、车辆312中驾驶员的行为进行干预，降低不文明超车带来的风险。

在本示例中，若检测到车辆执行加速的操作，如检测到用户对油门踏板施加制动力，则向车辆的外部采集视频数据、向车辆中的驾驶员采集图像数据。

一方面，针对视频数据，以车辆作为检测的目标，调用诸如包Fast R-CNN、FasterR-CNN、R-FCN、YOLO、SSD和RetinaNet等目标检测算法检测在当前车辆周围出现的其他车辆。

在视频数据中统计其他车辆出现的频率，并与预设的频率阈值进行比较。

其中，其他车辆出现的频率，是针对每台车进行统计，指同一台车辆出现的频率。

另一方面，针对图像数据，使用卷积神经网络等方式在图像数据中识别驾驶员的表情。

若频率超过预设的频率阈值、且表情为愤怒，则驾驶员发生怒路症、不文明的超车行为的概率较高，可以确定检测到车辆在指定的业务场景下执行加速的操作。

在一个业务场景的示例中，业务场景为点刹，如图3B所示，车辆321在道路上沿箭头方向行驶时，在交通灯322指示红灯的情况下，车辆321刹车、减速，如果车辆321刹车的制动力较大，即便车速较慢，也会让乘客感受到比较明显的顿挫感，此时，车辆321会检测到紧急减速的操作，通过辅助其他措施可对车辆321刹车的进程进行调节，降低顿挫感。

在本示例中，若检测到车辆执行减速的操作，如检测到用户对制动踏板施加制动力，则向车辆的外部采集视频数据、检测车辆的速度。

一方面，针对视频数据，以停车标识作为检测的目标，调用诸如包Fast R-CNN、Faster R-CNN、R-FCN、YOLO、SSD和RetinaNet等目标检测算法检测在当前车辆周围出现的停车标识。

其中，所谓停车标识，是指指示车辆可停车的标识，如交通灯、加油机、斑马线、人行道，等等。

另一方面，将该速度与预设的速度阈值进行比较，该速度阈值是一个速度较小的值，如25km/h。

若在视频数据中检测到停车标识、且速度小于或等于预设的速度阈值，则用户停车的意图较为明显，确定检测到车辆在指定的业务场景下执行减速的操作。

当然，上述业务场景只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他业务场景，本发明实施例对此不加以限制。另外，除了上述业务场景外，本领域技术人员还可以根据实际需要采用其它业务场景，本发明实施例对此也不加以限制。

步骤202、响应于加减速的操作，采集加速度。

在业务场景中，可以实时、且持续调用在车辆中设置的加速度传感器采集加速度，采集该加速度的频率一般为10Hz以上，按照时间对该加速度进行排序，可形成数据序列，从而使用这些加速度识别紧急加减速的操作，即相对于用户而言为大幅度的加速操作、减速操作。

此外，对于加速度，可进行预处理，便于后续对加速度的计算，例如，使用双边滤波等方式对加速度进行降噪、平滑，等等，本实施例对此不加以限制。

步骤203、在业务场景的约束下，以部分加速度作为训练的样本、更新与加速度匹配的事件识别模型，获得目标事件识别模型。

一方面，在服务器收集在不同业务场景中发生的加速度，并标注紧急加速、非紧急加速，以此作为已分类的样本，训练在该业务场景中通用的事件识别模型，即该事件识别模型可以用于识别紧急加速、非紧急加速的加速度。

另一方面，在服务器收集在不同业务场景中发生的加速度，并标注紧急减速、非紧急减速，以此作为已分类的样本，训练在该业务场景中通用的事件识别模型，即该事件识别模型可以用于识别紧急减速、非紧急减速的加速度。

事件识别模型为二分类的模型，可以为机械学习模型，如SVM(Support VectorMachine，支持向量机)、Logistic(回归模型)等，也可以为神经网络，本实施例对此不加以限制。

在训练完成时，服务器可以将该事件识别模型分发至车辆中。

在本实施例中，在初始的事件识别模型的基础上，可以针对不同用户的驾驶风格继续训练事件识别模型，即以在先采集的部分加速度作为样本进行训练事件识别模型，获得目标事件识别模型，并将目标事件识别模型作为事件识别模型存储在车辆中，等待以此为基础继续训练，因此，与加速度匹配的事件识别模型，既可以为初始通用的事件识别模型，也可以为继续训练的事件识别模型，本实施例对此不加以限制。

步骤204、将部分加速度输入目标事件识别模型中进行分类，以识别表示紧急加减速的操作。

在本实施例中，针对同一个用户触发的同一次驾驶操作，可以将在后采集的部分加速度输入目标事件识别模型中，从而对加速度进行分类，以识别表示紧急加减速的操作(即紧急加速的操作、紧急减速的操作)、非紧急加减速的操作(即非紧急加速的操作、非紧急减速的操作)。

为识别用户的身份，可以在车辆启动时，通过用户直接在车辆登录或在关联设备登录的信息(如用户账号)识别用户的身份，也可以通过调用车辆内的相机面向驾驶位采集图像数据，并对图像数据进行人脸识别，从而确定用户的身份，等等，本实施例对此不加以限制。

在确认用户的身份之后，可将车辆从启动到关闭之间由该用户触发的驾驶操作认为是同一个用户触发的同一次驾驶操作。

此外，若未识别用户的身份，则可以将驾驶位侧车门在两次开关操作之间的驾驶操作，认为是同一个用户触发的同一次驾驶操作。

步骤205、在业务场景中，根据紧急加减速的操作对车辆进行业务处理。

如果检测到紧急的加减速的操作，可以输出至其他决策模组，在业务场景中，根据紧急加减速的操作对车辆进行业务处理，辅助用户调整驾驶操作，从而辅助用户驾驶车辆。

需要说明的是，针对业务场景的业务处理可以由本领域技术人员根据实际的业务需求而设置，本实施例对此不加以限制。

在一个业务场景的示例中，业务场景为怒路症，则在本示例中，在业务场景中，响应于紧急加速的操作，降低加速的制动力，直至在视频数据未检测到其他车辆，该其他车辆为频率超过频率阈值的车辆。

在一个业务场景的示例中，业务场景为点刹，则在本示例中，在业务场景中，响应于紧急加速的操作，调用雷达等传感器检测车辆与前方障碍物之间的距离，并将该距离与预设的距离阈值进行比较。

若距离大于或等于预设的距离阈值，则表示车辆的前方具有足够的安全范围，可以降低减速的制动力之后，恢复减速的制动力，实现平缓的点刹。

当然，上述业务处理只是作为示例，在实施本发明实施例时，可以根据实际业务场景的情况设置其他业务处理，本发明实施例对此不加以限制。另外，除了上述业务处理外，本领域技术人员还可以根据实际需要采用其它业务处理，本发明实施例对此也不加以限制。

在本实施例中，检测车辆在指定的业务场景下执行加减速的操作，响应于加减速的操作，采集加速度，在业务场景的约束下，以部分加速度作为训练的样本、更新与加速度匹配的事件识别模型，获得目标事件识别模型，将部分加速度输入目标事件识别模型中进行分类，以识别表示紧急加减速的操作，在业务场景中，根据紧急加减速的操作对车辆进行业务处理，以业务场景作为训练事件识别模型、识别紧急加减速的操作的条件，不仅可以减少计算量，而且可以减小事件识别模型的面向范围，从而保证事件识别模型的精确度，实时采集用户驾驶车辆的加速度，可以保证加速度的个性化、真实性，以在先的事件识别模型作为基础继续训练，不仅训练量少，满足实时性的需求，而且可通过逐步学习出符合用户驾驶风格的事件识别模型，从而识别出用户个性化的紧急加减速的操作，操作简便，为后续辅助业务处理的决策提供依据，从而辅助用户驾驶，提高驾驶的舒适感、安全性。

实施例二

图4为本发明实施例二提供的一种基于加减速的业务处理方法的流程图，本实施例以前述实施例为基础，进一步增细化查找事件识别模型、训练目标事件识别模型、识别紧急加减速的操作，该方法具体包括如下步骤：

步骤401、检测车辆在指定的业务场景下执行加减速的操作。

步骤402、响应于加减速的操作，采集加速度。

步骤403、从部分加速度中提取表示紧急加减速的第一目标加速度、表示非紧急加减速的第二目标加速度。

在具体实现中，用户通常是在其能力范围内驾驶车辆，发生紧急加减速的情况较少，因此，可从在先采集的部分加速度中划分数值较高、数量较少的第一目标加速度，表示紧急加减速的操作，可从在先采集的部分加速度中划分数值较低、数量较多的第二目标加速度，表示非紧急加减速的操作。

在一种示例中，加速度包括一系列的数据点，每个数据点具有时间(位置)、数值等信息，可计算部分加速度中处于每个数据点的平均值，对平均值取指定的倍数(如1.2倍)，作为参考加速度中的数据点，使得参考加速度中数据点的数值大于加速度中数据点的平均值。

将加速度与参考加速度进行比较，判断在相同位置上，加速度的数据点与参考加速度的数据点的大小关系，从而统计加速度中的数据点大于或等于参考加速度中的数据点的第一比例。

若第一比例大于或等于预设的第二阈值，则确定加速度为第一目标加速度。

若第一比例小于预设的第二阈值，则确定加速度为第二目标加速度。

在本示例中，通过拟合参考加速度衡量加速度的整体情况，以此作为划分第一目标加速度、第二目标加速度的标准，可以保证划分第一目标加速度、第二目标加速度的准确性。

当然，上述划分第一目标加速度、第二目标加速度的方式只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他划分第一目标加速度、第二目标加速度的方式，例如，将峰度值、偏度值等最高的n个加速度设置为第一目标加速度、其他加速度设置为第二目标加速度，等等，本发明实施例对此不加以限制。另外，除了上述划分第一目标加速度、第二目标加速度的方式外，本领域技术人员还可以根据实际需要采用其它划分第一目标加速度、第二目标加速度的方式，本发明实施例对此也不加以限制。

步骤404、在针对业务场景训练的事件识别模型中，查找适于处理第二目标加速度的事件识别模型、作为原始事件识别模型。

在本实施例中，非紧急加减速的操作属于比较稳定的操作，可以体现用户的驾驶风格，即标识非紧急加减速的第二目标加速度可以体现用户的驾驶风格，因此，可在针对业务场景训练的事件识别模型中，查找适于处理第二目标加速度(即与用户驾驶风格匹配)的事件识别模型、作为原始事件识别模型。

在本发明的一个实施例中，步骤404可以包括如下步骤：

步骤4041、查找针对业务场景训练的事件识别模型。

在本实施例中，在当前车辆本地提取服务器分发的、针对当前业务场景训练的事件识别模型，该事件识别模型关联标准加速度，该标准加速度表示训练事件识别模型所使用的、标识非紧急加减速的加速度(即第二目标加速度)的特征。

步骤4042、计算第二目标加速度与标准加速度之间的相关性。

在确定事件识别模型之后，可以将第二目标加速度与事件识别模型的标准加速度进行对比，计算两者之间的相关性，从而衡量两者之间的密切程度。

标准加速度具有两种形式，其中一种形式为数据点，该数据点表示在先训练事件识别模型的样本(第二目标加速度)的平均值，另外一种形式为数据范围，该数据点表示在先训练事件识别模型的样本(第二目标加速度)的幅度(即同一位置数据点在最大值、最小值之间的范围)。

若标准加速度为数据点，则可以通过EDR、LCSS、DTW等算法，计算第二目标加速度与标准加速度之间的相似度，作为相关性。

若标准加速度为数据范围，则确定第二目标加速度中、落入数据范围的数据点，作为目标点，统计目标点占第二目标加速度的第二比例，作为相关性。

当然，上述计算相关性的方式只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他计算相关性的方式，本发明实施例对此不加以限制。另外，除了上述计算相关性的方式外，本领域技术人员还可以根据实际需要采用其它计算相关性的方式，本发明实施例对此也不加以限制。

步骤4043、基于相关性从事件识别模型中选择原始事件识别模型。

一般情况下，第二目标加速度与事件识别模型的标准加速度之间的相关性越高，表示该事件识别模型与当前用户的驾驶风格的适配度越高，反之，第二目标加速度与事件识别模型的标准加速度之间的相关性越低，表示该事件识别模型与当前用户的驾驶风格的适配度越低，因此，在本实施例中，可参考不同第二目标加速度与事件识别模型的标准加速度之间的相关性，选择合适的事件识别模型，作为原始事件识别模型。

在一种方式中，可计算相关性的平均值，将相关性的平均值与预设的相关性阈值进行比较。

若相关性的平均值大于或等于预设的相关性阈值，则计算相关性的离散值，该离散值表示相关性的离散程度，如方差、标准差等。

选择离散值最小的事件识别模型为原始事件识别模型，从而保持原始事件识别模型的性能稳定，提高原始事件识别模型的鲁棒性。

若相关性的平均值小于预设的相关性阈值，则选择相关性的平均值最小的事件识别模型为原始事件识别模型，即选择与样本最接近的原始事件识别模型，保证原始事件识别模型的精确度。

当然，上述选择原始事件识别模型的方式只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他选择原始事件识别模型的方式，例如，计算所有相关性之和、作为总相关性，选择总相关性最高的事件识别模型，作为原始事件识别模型，等等，本发明实施例对此不加以限制。另外，除了上述选择原始事件识别模型的方式外，本领域技术人员还可以根据实际需要采用其它选择原始事件识别模型的方式，本发明实施例对此也不加以限制。

步骤405、以第一目标加速度、第二目标加速度作为已分类的样本，更新原始事件识别模型，获得目标事件识别模型。

在本实施例中，针对第一目标加速度，可以标识紧急加减速的操作，针对第二目标加速度，可以标识非紧急加减速的操作，以第一目标加速度与第二目标加速度作为已分类的样本，继续训练原始事件识别模型，获得目标事件识别模型，从而进一步提高目标事件识别模型与用户的驾驶风格的适配度。

需要说明的是，原始事件识别模型可以确保一定的精确度，因此，一方面，在对目标事件识别模型训练完成之前，可在相同的业务场景下调用原始事件识别模型从加速度中识别紧急加减速的操作，在对目标事件识别模型训练完成时，从原始事件识别模型切换至目标事件识别模型，从而在相同的业务场景下调用目标事件识别模型从加速度中识别紧急加减速的操作，另一方面，以迭代的次数作为停止训练的条件，即迭代训练到达预设的次数时，即认为目标事件识别模型训练完成，从而保证实时性。

在本发明的一个实施例中，步骤405可以包括如下步骤：

步骤4051、获取表示紧急加减速的加速度，作为新的第一目标加速度。

在本实施例中，第一目标加速度与第二目标加速度之间的差异可能比较小，为了防止在训练的时候过拟合，可以预先针对不同业务场景的事件识别模型设置一些表示典型的紧急加减速的操作，即表示紧急加减速的加速度，并分发至各个车辆。

在确定事件识别模型之后，则可以从当前车辆本地提取紧急加减速的加速度，作为新的第一目标加速度，与原有的第一目标加速度结合。

步骤4052、从所有第一目标加速度中提取第一样本特征。

在本实施例中，可以针对各个第一目标加速度(包括原有的第一目标加速度、新的第一目标加速度)，从中提取关联度、波形、统计等维度的特征，作为第一样本特征，并标记紧急作为标签(Tag)。

在一个示例中，第一样本特征包括第一样本残差、第一样本统计特征、第二样本统计特征、第二样本残差中的至少一者，则在本示例中，可查找原始事件识别模型关联的标准加速度，计算第一目标加速度与标准加速度之间在同一位置上的差值，作为第一样本残差。

需要说明的是，若标准加速度为数据点，则可以直接与第一目标加速度计算在同一位置上的差值，若标准加速度为数据范围，则计算该数据范围的中间值，从而与第一目标加速度计算同一位置上的差值。

对第一残差计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第一样本统计特征。

对第一目标加速度计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第二样本统计特征。

计算第二样本统计特征与标准加速度的标准统计特征(如平均值、最大值、最小值、方差、偏度值、峰度值等数据)之间在同一位置上的差值，作为第二样本残差。

当然，上述第一样本特征只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他第一样本特征，本发明实施例对此不加以限制。另外，除了上述第一样本特征外，本领域技术人员还可以根据实际需要采用其它第一样本特征，本发明实施例对此也不加以限制。

步骤4053、从第二目标加速度中提取第二样本特征。

在本实施例中，可以针对各个第二目标加速度，从中提取关联度、波形、统计等维度的特征，作为第一样本特征，并标记紧急作为标签(Tag)。

在一个示例中，第二样本特征包括第三样本残差、第三样本统计特征、第四样本统计特征、第四样本残差中的至少一者，则在本示例中，可查找原始事件识别模型关联的标准加速度，计算第二目标加速度与标准加速度之间在同一位置上的差值，作为第三样本残差。

需要说明的是，若标准加速度为数据点，则可以直接与第二目标加速度计算在同一位置上的差值，若标准加速度为数据范围，则计算该数据范围的中间值，从而与第一目标加速度计算同二位置上的差值。

对第二残差计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第三样本统计特征。

对第二目标加速度计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第四样本统计特征。

计算第二样本统计特征与标准加速度的标准统计特征(如平均值、最大值、最小值、方差、偏度值、峰度值等数据)之间在同一位置上的差值，作为第四样本残差。

当然，上述第二样本特征只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他第二样本特征，本发明实施例对此不加以限制。另外，除了上述第二样本特征外，本领域技术人员还可以根据实际需要采用其它第二样本特征，本发明实施例对此也不加以限制。

步骤4054、以第一样本特征、第二样本特征作为样本，紧急加减速、非紧急加减速作为分类的目标，对原始事件识别模型进行迁移学习，获得目标事件识别模型。

在本实施例中，可以以第一样本特征、第二样本特征作为已分类的样本，紧急加减速、非紧急加减速作为分类的目标，以第一样本特征、第二样本特征作为样本，对原始事件识别模型进行迁移学习，获得目标事件识别模型。

其中，迁移学习是指把已训练好的原始事件识别模型的参数迁移到新的目标事件识别模型来帮助目标事件识别模型训练，考虑到大部分数据或任务都是存在相关性的，所以通过迁移学习可以将已经学到的参数通过某种方式来分享给新的目标事件识别模，从而加快并优化目标事件识别模的学习效率，保证实时性。

在具体实现中，可以应用如下其中一种方式对原始事件识别模型进行迁移学习：

(1)、Transfer Learning：冻结预训练模型(原始事件识别模型)的全部卷积层，只训练定制的全连接层。

(2)、Extract Feature Vector：先计算出预训练模型(原始事件识别模型)的卷积层对所有训练和测试数据的特征向量(第一样本特征、第二样本特征)，然后抛开预训练模型(原始事件识别模型)，只训练定制的简配版全连接网络。

(3)、Fine-tune：冻结预训练模型(原始事件识别模型)的部分卷积层(通常是靠近输入的多数卷积层)，训练剩下的卷积层(通常是靠近输出的部分卷积层)和全连接层。

在迁移学习的过程中，可以将对样本预测的分类(紧急、非紧急)与实际的分类(紧急、非紧急)进行比较，从而计算每一轮迭代训练时的损失值，以基于损失值、使用梯度下降、随机梯度下降等方式更新原始事件识别模型中的参数。

此外，当目标事件识别模型训练完成时，基于第二目标加速度生成标准加速度，从而建立目标事件识别模型与第二目标加速度之间的关联关系，存储在当前车辆本地。

在一个示例中，可计算第二目标加速度中处于相同位置的数据点的平均值，作为标准加速度的数据点。

在另一个示例中，可统计第二目标加速度中处于相同位置的数据点的幅度(即最大值、最小值之间的范围)，作为标准加速度的数据范围。

当然，上述计算标准加速度的方式只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他计算标准加速度的方式，本发明实施例对此不加以限制。另外，除了上述计算标准加速度的方式外，本领域技术人员还可以根据实际需要采用其它计算标准加速度的方式，本发明实施例对此也不加以限制。

步骤406、从部分加速度中提取目标特征。

在本实施例中，可以在同一业务场景内采集加速度，从中提取关联度、波形、统计等维度的特征，作为目标特征。

在一个示例中，目标特征包括第一目标残差、第一目标统计特征、第二目标统计特征、第二目标残差中的至少一者，则在本示例中，可查找目标事件识别模型关联的标准加速度，计算加速度与标准加速度之间的差值，作为第一目标残差。

对第一目标残差计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第一目标统计特征；

对加速度计算计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第二目标统计特征；

计算第二目标统计特征与标准加速度的标准统计特征(如平均值、最大值、最小值、方差、偏度值、峰度值等数据)之间的差值，作为第二目标残差。

当然，上述目标特征只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他目标特征，本发明实施例对此不加以限制。另外，除了上述目标特征外，本领域技术人员还可以根据实际需要采用其它目标特征，本发明实施例对此也不加以限制。

步骤407、在目标事件识别模型的卷积神经网络中，对目标特征进行卷积处理，以输出候选特征。

步骤408、在目标事件识别模型的残差网络中，对候选特征计算残差特征。

步骤409、在目标事件识别模型的长短期记忆网络中，对残差特征进行特征映射，以输出加速度的类别。

步骤410、若类别为紧急加减速，则确定加速度表示紧急加减速的操作。

为保证实时性，对事件识别模型(包括当前的目标事件识别模型)的结构设计得较为简单，并且，目标事件识别模型属于指定业务场景下的模型，面向的场景较为集中，简单的结构依然可以保持较高的精确度。

在本实施例中，如图5所示，事件识别模型为三层结构，分别为：

1、卷积神经网络(Convolutional Neural Network，CNN)510

CNN是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward NeuralNetworks)，是深度学习(deep learning)的算法之一。CNN具有表征学习(representationlearning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)”。

CNN仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征。

2、残差网络520

一般情况下，网络的每一层分别对应于提取不同层次的特征信息，有低层，中层和高层，而网络越深的时候，提取到的不同层次的信息会越多，而不同层次间的层次信息的组合也会越多，特征的“等级”随增网络深度的加深而变高，网络的深度是实现好的效果的重要因素，然而，梯度弥散/爆炸成为训练深层次的网络的障碍，导致无法收敛。

在事件识别模型中引入残差网络，在前向传播时，输入信号可以从任意低层直接传播到高层，由于包含了一个恒等映射，一定程度上可以解决网络退化问题，错误信号可以不经过任何中间权重矩阵变换直接传播到低层，一定程度上可以缓解梯度弥散问题，使得信息前后向传播更加顺畅，可见，可以有效地解决事件识别模型训练过程中梯度消失和梯度爆炸的问题，无需增加网络的层数，也可以得到精确的训练结果。

3、长短期记忆网络(Long Short-Term Memory，LSTM)530

LSTM是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的。

LSTM是一种含有LSTM区块(blocks)或其他的一种类神经网络，可能被描述成智能网络单元，因为它可以记忆不定时间长度的数值，区块中有一个gate能够决定input是否重要到能被记住及能不能被输出output。

LSTM具有四个S函数单元，最左边函数依情况可能成为区块的input，右边三个会经过gate决定input是否能传入区块，左边第二个为input gate，如果这里产出近似于零，将把这里的值挡住，不会进到下一层。左边第三个是forget gate，当这产生值近似于零，将把区块里记住的值忘掉。第四个也就是最右边的input为output gate，可以决定在区块记忆中的input是否能输出。

在本实施例中，在目标事件识别模型中，将目标特征输入CNN，CNN对目标特征进行卷积处理，将候选特征输出至残差网络，残差网络对候选特征计算残差特征，并输出至LSTM，LSTM对残差特征进行特征映射，输出加速度的类别。

如果输出加速度的类别为非紧急加减速，则确定加速度表示非紧急加减速的操作。

如果输出加速度的类别为紧急加减速，则确定加速度表示紧急加减速的操作。

应用本发明实施例，可以以事件识别模型作为节点、以训练的依赖关系作为有向的边，生成树形结构，随着用户驾驶的加速度积累，不断进行迭代训练，从而生成与用户驾驶风格适配度高的事件识别模型，实现个性化、高精度地识别加减速的操作。

在树形结构中包括根节点Root、叶子节点，遍历根节点Root与叶子节点之间的路径，作为模型链路，模型链路表示迭代训练的方向，通过对迭代训练的有效性判断，可以筛选出合理的迭代训练，以此生成最终的事件识别模型，即模型链路中具有多个事件识别模型，事件识别模型之间存在父子关系，作为子节点的事件识别模型依赖作为父节点的事件识别模型训练，即作为父节点的事件识别模型为原始事件识别模型、作为子节点的事件识别模型为目标事件识别模型。

其中，根节点Root为服务器训练的通用的事件识别模型，沿根节点Root开始分子节点，当不断细分直到不再有子节点时为叶子节点。

需要说明的是，一个事件识别模型可以存在多个父子关系，在某个父子关系中，某个事件识别模型可以作为子节点，在其他的父子关系中，该事件识别模型可以作为父节点，本实施例对此不加以限制。

例如，针对图6所示的树形结构，可以划分如下模型链路：

1、Root→A1→A2→A3→A4→A5→A6

2、Root→A1→A2→A3→A4→A41

3、Root→B1→B2→B3→B4

4、Root→B1→B2→B21

5、Root→B1→B2→B3→B31

6、Root→C1→C2→C3

7、Root→C1→C21→C22

对于第1条模型链路，针对A1、A2之间的父子关系，A1是父节点、A2是子节点，针对A2、A3之间的父子关系，A2是父节点、A3是子节点，等等。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

实施例三

图7为本发明实施例三提供的一种基于加减速的业务处理装置的结构框图，具体可以包括如下模块：

加减速操作检测模块701，用于检测车辆在指定的业务场景下执行加减速的操作；

加速度采集模块702，用于响应于所述加减速的操作，采集加速度；

事件识别模型训练模块703，用于在所述业务场景的约束下，以部分所述加速度作为训练的样本、更新与所述加速度匹配的事件识别模型，获得目标事件识别模型；

加速度分类模块704，用于将部分所述加速度输入所述目标事件识别模型中进行分类，以识别表示紧急加减速的操作；

业务处理模块705，用于在所述业务场景中，根据所述紧急加减速的操作对所述车辆进行业务处理。

在本发明的一个实施例中，所述加减速操作检测模块701包括：

加速检测子模块，用于若检测到车辆执行加速的操作，则向所述车辆的外部采集视频数据、向所述车辆中的驾驶员采集图像数据；

场景条件检测子模块，用于在所述视频数据中统计其他车辆出现的频率、在所述图像数据中识别所述驾驶员的表情；

加速操作确定子模块，用于若所述频率超过预设的频率阈值、且所述表情为愤怒，则确定检测到车辆在指定的业务场景下执行加速的操作。

在本发明的一个实施例中，所述加速度分类模块704包括：

加速制动力调整子模块，用于在所述业务场景中，响应于紧急加速的操作，降低加速的制动力，直至在所述视频数据未检测到所述其他车辆。

在本发明的另一个实施例中，所述加减速操作检测模块701包括：

减速检测子模块，用于若检测到车辆执行减速的操作，则向所述车辆的外部采集视频数据、检测所述车辆的速度；

减速确定子模块，用于若在所述视频数据中检测到停车标识、且所述速度小于或等于预设的速度阈值，则确定检测到车辆在指定的业务场景下执行减速的操作。

在本发明的另一个实施例中，所述加速度分类模块704包括：

距离检测子模块，用于在所述业务场景中，响应于紧急加速的操作，检测所述车辆与前方障碍物之间的距离；

减速制动力调整子模块，用于若所述距离大于或等于预设的距离阈值，则降低减速的制动力之后，恢复减速的制动力。

在本发明的一个实施例中，所述事件识别模型训练模块703包括：

加速度划分子模块，用于从部分所述加速度中提取表示紧急加减速的第一目标加速度、表示非紧急加减速的第二目标加速度；

原始事件识别模型查找子模块，用于在针对所述业务场景训练的事件识别模型中，查找适于处理所述第二目标加速度的事件识别模型、作为原始事件识别模型；

目标事件识别模型训练子模块，用于以所述第一目标加速度、所述第二目标加速度作为已分类的样本，更新所述原始事件识别模型，获得目标事件识别模型。

在本发明的一个实施例中，所述加速度划分子模块包括：

平均值计算单元，用于计算部分所述加速度中处于每个数据点的平均值；

参考加速度生成单元，用于对所述平均值取指定的倍数，作为参考加速度中的数据点；

第一比例统计单元，用于统计所述加速度中的数据点大于或等于所述参考加速度中的数据点的第一比例；

第一目标加速度确定单元，用于若所述第一比例大于或等于预设的第二阈值，则确定所述加速度为第一目标加速度；

第二目标加速度确定单元，用于若所述第一比例小于预设的第二阈值，则确定所述加速度为第二目标加速度。

在本发明的一个实施例中，所述原始事件识别模型查找子模块包括：

事件识别模型查找单元，用于查找针对所述业务场景训练的事件识别模型，所述事件识别模型关联标准加速度；

相关性计算单元，用于计算所述第二目标加速度与所述标准加速度之间的相关性；

原始事件识别模型选择单元，用于基于所述相关性从所述事件识别模型中选择原始事件识别模型。

在本发明的一个实施例中，所述相关性计算单元包括：

相似度计算子单元，用于若所述标准加速度为数据点，则计算所述第二目标加速度与所述标准加速度之间的相似度，作为相关性；

或者，

目标点确定子单元，用于若所述标准加速度为数据范围，则确定所述第二目标加速度中、落入所述数据范围的数据点，作为目标点；

第二比例统计子单元，用于统计所述目标点占所述第二目标加速度的第二比例，作为相关性。

在本发明的一个实施例中，所述原始事件识别模型选择单元包括：

相关平均值计算子单元，用于计算所述相关性的平均值；

离散值计算子单元，用于若所述相关性的平均值大于或等于预设的相关性阈值，则计算所述相关性的离散值；

离散值选择子单元，用于选择所述离散值最小的事件识别模型为原始事件识别模型；

相关性选择子单元，用于若所述相关性的平均值小于预设的相关性阈值，则选择所述相关性的平均值最小的事件识别模型为原始事件识别模型。

在本发明的一个实施例中，所述目标事件识别模型训练子模块包括：

新加速度获取单元，用于获取表示紧急加减速的加速度，作为新的第一目标加速度；

第一样本特征提取单元，用于从所有所述第一目标加速度中提取第一样本特征；

第二样本特征提取单元，用于从所述第二目标加速度中提取第二样本特征；

模型迁移学习单元，用于以所述第一样本特征、所述第二样本特征作为样本，所述紧急加减速、所述非紧急加减速作为分类的目标，对所述原始事件识别模型进行迁移学习，获得目标事件识别模型。

在本发明实施例的一个示例中，所述第一样本特征包括第一样本残差、第一样本统计特征、第二样本统计特征、第二样本残差中的至少一者，所述第一样本特征提取单元还用于：

查找所述原始事件识别模型关联的标准加速度；

计算所述第一目标加速度与所述标准加速度之间的差值，作为第一样本残差；

对所述第一残差计算第一样本统计特征；

对所述第一目标加速度计算第二样本统计特征；

计算所述第二样本统计特征与所述标准加速度的标准统计特征之间的差值，作为第二样本残差。

在本发明实施例的一个示例中，所述第二样本特征包括第三样本残差、第三样本统计特征、第四样本统计特征、第四样本残差中的至少一者，所述第二样本特征提取单元还用于：

查找所述原始事件识别模型关联的标准加速度；

计算所述第二目标加速度与所述标准加速度之间的差值，作为第三样本残差；

对所述第二残差计算第三样本统计特征；

对所述第二目标加速度计算第四样本统计特征；

计算所述第二样本统计特征与所述标准加速度的标准统计特征之间的差值，作为第四样本残差。

在本发明的一个实施例中，所述目标事件识别模型训练子模块还包括：

标准加速度生成单元，用于当所述目标事件识别模型训练完成时，基于所述第二目标加速度生成标准加速度；

关联关系建立单元，用于建立所述目标事件识别模型与所述第二目标加速度之间的关联关系。

在本发明的一个实施例中，所述标准加速度生成单元包括：

数据点设置子单元，用于计算所述第二目标加速度中处于相同位置的数据点的平均值，作为标准加速度的数据点；

或者，

数据范围设置子单元，用于统计所述第二目标加速度中处于相同位置的数据点的幅度，作为标准加速度的数据范围。

在本发明的一个实施例中，所述加速度分类模块704包括：

目标特征提取子模块，用于从部分所述加速度中提取目标特征；

候选特征输出子模块，用于在所述目标事件识别模型的卷积神经网络中，对所述目标特征进行卷积处理，以输出候选特征；

残差特征计算子模块，用于在所述目标事件识别模型的残差网络中，对所述候选特征计算残差特征；

类别输出子模块，用于在所述目标事件识别模型的长短期记忆网络中，对所述残差特征进行特征映射，以输出所述加速度的类别；

紧急加减速操作确定子模块，用于若所述类别为紧急加减速，则确定所述加速度表示紧急加减速的操作。

在本发明实施例的一个示例中，所述目标特征包括第一目标残差、第一目标统计特征、第二目标统计特征、第二目标残差中的至少一者，所述目标特征提取子模块还用于：

查找所述目标事件识别模型关联的标准加速度；

计算部分所述加速度与所述标准加速度之间的差值，作为第一目标残差；

对所述第一目标残差计算第一目标统计特征；

对部分所述加速度计算第二目标统计特征；

计算所述第二目标统计特征与所述标准加速度的标准统计特征之间的差值，作为第二目标残差。

本发明实施例所提供的基于加减速的业务处理装置可执行本发明任意实施例所提供的基于加减速的业务处理方法，具备执行方法相应的功能模块和有益效果。

实施例四

图8为本发明实施例四提供的一种计算机设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图8显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于加减速的业务处理方法。

实施例五

本发明实施例五还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述基于加减速的业务处理方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (15)

1.一种基于加减速的业务处理方法，其特征在于，包括：

检测车辆在指定的业务场景下执行加减速的操作；

响应于所述加减速的操作，采集加速度；

在所述业务场景的约束下，以部分所述加速度作为训练的样本、更新与所述加速度匹配的事件识别模型，获得目标事件识别模型；

将部分所述加速度输入所述目标事件识别模型中进行分类，以识别表示紧急加减速的操作；

在所述业务场景中，根据所述紧急加减速的操作对所述车辆进行业务处理。

2.根据权利要求1所述的方法，其特征在于，所述检测车辆在指定的业务场景下执行加减速的操作，包括：

若检测到车辆执行加速的操作，则向所述车辆的外部采集视频数据、向所述车辆中的驾驶员采集图像数据；

在所述视频数据中统计其他车辆出现的频率、在所述图像数据中识别所述驾驶员的表情；

若所述频率超过预设的频率阈值、且所述表情为愤怒，则确定检测到车辆在指定的业务场景下执行加速的操作。

3.根据权利要求1所述的方法，其特征在于，所述检测车辆在指定的业务场景下执行加减速的操作，包括：

若检测到车辆执行减速的操作，则向所述车辆的外部采集视频数据、检测所述车辆的速度；

若在所述视频数据中检测到停车标识、且所述速度小于或等于预设的速度阈值，则确定检测到车辆在指定的业务场景下执行减速的操作。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述在所述业务场景的约束下，以部分所述加速度作为训练的样本、更新与所述加速度匹配的事件识别模型，获得目标事件识别模型，包括：

从部分所述加速度中提取表示紧急加减速的第一目标加速度、表示非紧急加减速的第二目标加速度；

在针对所述业务场景训练的事件识别模型中，查找适于处理所述第二目标加速度的事件识别模型、作为原始事件识别模型；

以所述第一目标加速度、所述第二目标加速度作为已分类的样本，更新所述原始事件识别模型，获得目标事件识别模型。

5.根据权利要求4所述的方法，其特征在于，所述从部分所述加速度中提取表示紧急加减速的第一目标加速度、表示非紧急加减速的第二目标加速度，包括：

计算部分所述加速度中处于每个数据点的平均值；

对所述平均值取指定的倍数，作为参考加速度中的数据点；

统计所述加速度中的数据点大于或等于所述参考加速度中的数据点的第一比例；

若所述第一比例大于或等于预设的第二阈值，则确定所述加速度为第一目标加速度；

若所述第一比例小于预设的第二阈值，则确定所述加速度为第二目标加速度。

6.根据权利要求4所述的方法，其特征在于，所述在针对所述业务场景训练的事件识别模型中，查找适于处理所述第二目标加速度的事件识别模型、作为原始事件识别模型，包括：

查找针对所述业务场景训练的事件识别模型，所述事件识别模型关联标准加速度；

计算所述第二目标加速度与所述标准加速度之间的相关性；

基于所述相关性从所述事件识别模型中选择原始事件识别模型。

7.根据权利要求6所述的方法，其特征在于，所述计算所述第二目标加速度与所述标准加速度之间的相关性，包括：

若所述标准加速度为数据点，则计算所述第二目标加速度与所述标准加速度之间的相似度，作为相关性；

或者，

若所述标准加速度为数据范围，则确定所述第二目标加速度中、落入所述数据范围的数据点，作为目标点；

统计所述目标点占所述第二目标加速度的第二比例，作为相关性。

8.根据权利要求6所述的方法，其特征在于，所述基于所述相关性从所述事件识别模型中选择原始事件识别模型，包括：

计算所述相关性的平均值；

若所述相关性的平均值大于或等于预设的相关性阈值，则计算所述相关性的离散值；

选择所述离散值最小的事件识别模型为原始事件识别模型；

若所述相关性的平均值小于预设的相关性阈值，则选择所述相关性的平均值最小的事件识别模型为原始事件识别模型。

9.根据权利要求4所述的方法，其特征在于，所述以所述第一目标加速度、所述第二目标加速度作为已分类的样本，更新所述原始事件识别模型，获得目标事件识别模型，包括：

获取表示紧急加减速的加速度，作为新的第一目标加速度；

从所有所述第一目标加速度中提取第一样本特征；

从所述第二目标加速度中提取第二样本特征；

以所述第一样本特征、所述第二样本特征作为样本，所述紧急加减速、所述非紧急加减速作为分类的目标，对所述原始事件识别模型进行迁移学习，获得目标事件识别模型。

10.根据权利要求9所述的方法，其特征在于，

所述第一样本特征包括第一样本残差、第一样本统计特征、第二样本统计特征、第二样本残差中的至少一者，所述从所述第一目标加速度中提取第一样本特征，包括：

查找所述原始事件识别模型关联的标准加速度；

计算所述第一目标加速度与所述标准加速度之间的差值，作为第一样本残差；

对所述第一残差计算第一样本统计特征；

对所述第一目标加速度计算第二样本统计特征；

计算所述第二样本统计特征与所述标准加速度的标准统计特征之间的差值，作为第二样本残差；

所述第二样本特征包括第三样本残差、第三样本统计特征、第四样本统计特征、第四样本残差中的至少一者，所述从所述第二目标加速度中提取第二样本特征，包括：

查找所述原始事件识别模型关联的标准加速度；

计算所述第二目标加速度与所述标准加速度之间的差值，作为第三样本残差；

对所述第二残差计算第三样本统计特征；

对所述第二目标加速度计算第四样本统计特征；

计算所述第二样本统计特征与所述标准加速度的标准统计特征之间的差值，作为第四样本残差。

11.根据权利要求4所述的方法，其特征在于，所述在所述业务场景的约束下，以部分所述加速度作为训练的样本、更新与所述加速度匹配的事件识别模型，获得目标事件识别模型，还包括：

当所述目标事件识别模型训练完成时，基于所述第二目标加速度生成标准加速度；

建立所述目标事件识别模型与所述第二目标加速度之间的关联关系。

12.根据权利要求1或2或3或5或7或8或9或10或11所述的方法，其特征在于，所述将部分所述加速度输入所述目标事件识别模型中进行分类，以识别表示紧急加减速的操作，包括：

从部分所述加速度中提取目标特征；

在所述目标事件识别模型的卷积神经网络中，对所述目标特征进行卷积处理，以输出候选特征；

在所述目标事件识别模型的残差网络中，对所述候选特征计算残差特征；

在所述目标事件识别模型的长短期记忆网络中，对所述残差特征进行特征映射，以输出所述加速度的类别；

若所述类别为紧急加减速，则确定所述加速度表示紧急加减速的操作。

13.一种基于加减速的业务处理装置，其特征在于，包括：

加减速操作检测模块，用于检测车辆在指定的业务场景下执行加减速的操作；

加速度采集模块，用于响应于所述加减速的操作，采集加速度；

事件识别模型训练模块，用于在所述业务场景的约束下，以部分所述加速度作为训练的样本、更新与所述加速度匹配的事件识别模型，获得目标事件识别模型；

加速度分类模块，用于将部分所述加速度输入所述目标事件识别模型中进行分类，以识别表示紧急加减速的操作；

业务处理模块，用于在所述业务场景中，根据所述紧急加减速的操作对所述车辆进行业务处理。

14.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-12中任一所述的基于加减速的业务处理方法。

15.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1-12中任一项所述的基于加减速的业务处理方法。

Images