CN112016625B - 车辆异常检测方法、装置、电子设备及存储介质 - Google Patents
车辆异常检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112016625B CN112016625B CN202010891411.XA CN202010891411A CN112016625B CN 112016625 B CN112016625 B CN 112016625B CN 202010891411 A CN202010891411 A CN 202010891411A CN 112016625 B CN112016625 B CN 112016625B
- Authority
- CN
- China
- Prior art keywords
- service vehicle
- vehicle
- distance
- threshold
- abnormality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 117
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 230000002159 abnormal effect Effects 0.000 claims abstract description 79
- 230000003068 static effect Effects 0.000 claims abstract description 55
- 230000033001 locomotion Effects 0.000 claims description 95
- 230000001133 acceleration Effects 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种车辆异常检测方法、装置、电子设备及存储介质。通过该车辆异常检测方法,该电子设备结合服务车辆在预设行程中的动态特征以及静态特征,基于预设的异常检测规则检测该服务车辆是否发生异常。由于静态特征与动态特征,能够涵盖服务车辆在大部分场景下的异常特征,因此,该电子设备能够检测出更多异常情况下的服务车辆。
Description
技术领域
本申请涉及计算机领域,具体而言,涉及一种车辆异常检测方法、装置、电子设备及存储介质。
背景技术
随着网约车的日益发展,交通安全事故也成日益增多的趋势。因此,为保障司机以及乘客的人身安全,需要能够及时检测服务车辆是否存在异常,以及时进行救援。
目前,主要通过服务车辆行驶过程中的速度变化特征,检测该服务车辆是否发生事故。然而,由于服务车辆行驶过程中的速度变化情况仅能反应一部分服务车辆的异常,因此,通过服务车辆行驶过程中的速度变化特征对服务车辆的行驶状况进行检测,会漏检一些异常情况下的服务车辆,继而延误救援的时机。
发明内容
有鉴于此,本申请的目的在于提供一种车辆异常检测方法、装置以、电子设备及存储介质,能够通过结合服务车辆预设行程中的动态特征以及静态特征对异常服务车辆进行检测,用于检测出更多异常情况下的服务车辆。
本申请实施例的目之一在于提供一种车辆异常检测方法,应用于电子设备,所述方法包括:
获取服务车辆在预设行程中的静态特征以及动态特征;
根据预设异常检测规则,对所述静态特征以及所述动态特征进行处理,检测所述服务车辆是否发生异常。
可选地,所述静态特征包括所述服务车辆处于停留状态的停留时长,所述动态特征包括所述服务车辆减速至所述停留状态的过程中和/或减速至所述停留状态时的第一运动特征,所述预设异常特征包括时长阈值和运动异常特征;
所述根据预设异常检测规则,对所述静态特征以及所述动态特征进行处理,检测所述服务车辆是否发生异常的步骤,包括:
将所述停留时长与所述时长阈值进行比较;
将所述第一运动特征与所述运动异常特征进行比较;
若所述停留时长大于所述时长阈值,且所述第一运动特征满足所述运动异常特征,则确定所述服务车辆发生异常。
可选地,所述第一运动特征包括所述服务车辆减速至所述停留状态的过程中的加速度以及减速距离,所述运动异常特征包括加速度阈值和第一距离阈值;
将所述第一运动特征与运动异常特征进行比较的步骤,包括:
将所述加速度与所述加速度阈值进行比较;
将所述减速距离与所述第一距离阈值进行比较;
所述若所述停留时长大于所述时长阈值,且所述第一运动特征满足所述运动异常特征,则确定所述服务车辆发生异常的步骤,包括:
若所述停留时长大于所述时长阈值,所述加速度大于所述加速度阈值,且所述减速距离小于所述第一距离阈值,则确定所述服务车辆发生异常。
可选地,所述第一运动特征包括所述服务车辆减速至所述停留状态时的实际位置距离所述预设行程起点位置的移动距离,以及所述服务车辆减速至所述停留状态的过程中的减速距离,所述运动异常特征包括移动距离阈值以及第二距离阈值;
所述将所述第一运动特征与运动异常特征进行比较的步骤,包括:
将所述减速距离与所述移动距离阈值进行比较;
将所述减速距离与所述第二距离阈值进行比较;
所述若所述停留时长大于所述时长阈值,且所述第一运动特征满足所述运动异常特征,则确定所述服务车辆发生异常的步骤,包括:
若所述停留时长大于所述时长阈值,所述减速距离小于第二距离阈值,且所述移动距离小于移动距离阈值,则确定所述服务车辆发生异常。
可选地,所述静态特征包括所述服务车辆处于停留状态的停留时长,所述动态特征包括所述服务车辆减速至所述停留状态的过程中以及减速至所述停留状态时的第二运动特征,所述预设异常检测规则为预训练的机器学习模型;
所述根据预设异常检测规则,对所述静态特征以及所述动态特征进行处理,检测所述服务车辆是否发生异常的步骤,包括:
通过预训练的机器学习模型对所述停留时长以及所述第二运动特征进行处理,检测所述服务车辆是否发生异常。
可选地,所述第二运动特征包括所述服务车辆减速至所述停留状态时的实际位置距离所述预设行程起点位置的移动距离、所述服务车辆减速至所述停留状态的过程中的减速距离以及加速度。
可选地,所述获取服务车辆在预设行程中的静态特征以及动态特征的步骤,包括:
获取所述服务车辆在预设行程中的轨迹数据;
根据所述轨迹数据获得所述静态特征以及所述动态特征。
本申请实施例的目之二在于提供一种车辆异常检测装置,应用于电子设备,所述车辆异常检测装置包括:
特征获取模块,用于获取服务车辆在预设行程中的静态特征以及动态特征;
事故检测模块,用于根据预设异常检测规则,对所述静态特征以及所述动态特征进行处理,检测所述服务车辆是否发生异常。
可选地,所述静态特征包括所述服务车辆处于停留状态的停留时长,所述动态特征包括所述服务车辆减速至所述停留状态的过程中和/或减速至所述停留状态时的第一运动特征,所述预设异常检测规则包括预设异常特征,所述异常特征包括时长阈值和运动异常特征;该事故检测模块具体包括:
比较模块,用于将所述停留时长与所述时长阈值进行比较;将所述第一运动特征与所述运动异常特征进行比较;
异常模块,用于若所述停留时长大于所述时长阈值,且所述第一运动特征满足所述运动异常特征,则确定所述服务车辆发生异常。
可选地,所述第一运动特征包括所述服务车辆减速至所述停留状态的过程中的加速度以及减速距离,所述运动异常特征包括加速度阈值和第一距离阈值;
该比较模块,具体用于将所述加速度与所述加速度阈值进行比较;将所述减速距离与所述第一距离阈值进行比较;
该异常模块,具体用于若所述停留时长大于所述时长阈值,所述加速度大于所述加速度阈值,且所述减速距离小于所述第一距离阈值,则确定所述服务车辆发生异常。
可选地,所述第一运动特征包括所述服务车辆减速至所述停留状态时的实际位置距离所述预设行程起点位置的移动距离,以及所述服务车辆减速至所述停留状态的过程中的减速距离,所述运动异常特征包括移动距离阈值以及第二距离阈值;
该比较模块,具体用于将所述减速距离与所述移动距离阈值进行比较;将所述减速距离与所述第二距离阈值进行比较;
该异常模块,具体用于若所述停留时长大于所述时长阈值,所述减速距离小于第二距离阈值,且所述移动距离小于移动距离阈值,则确定所述服务车辆发生异常。
可选地,所述静态特征包括所述服务车辆处于停留状态的停留时长,所述动态特征包括所述服务车辆减速至所述停留状态的过程中以及减速至所述停留状态时的第二运动特征,所述预设异常检测规则为预训练的机器学习模型;
该事故检测模块包括:
机器学习模块,用于根据预设异常检测规则,对所述静态特征以及所述动态特征进行处理,检测所述服务车辆是否发生异常。
本申请实施例的目之三在于提供一种电子设备,所述电子设备包括处理器以及存储器,所述存储器存储有计算机可执行指令,所述计算机可执行指令被所述处理器执行时,实现所述的车辆异常检测方法。
本申请实施例的目之四在于提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现所述的车辆异常检测方法。
对于现有技术而言,本申请具有以下有益效果:
本申请实施例提供一种车辆异常检测方法、装置、电子设备及存储介质。通过该车辆异常检测方法,该电子设备结合服务车辆在预设行程中的动态特征以及静态特征,基于预设的异常检测规则检测该服务车辆是否发生异常。由于静态特征与动态特征,能够涵盖服务车辆在大部分场景下的异常特征,因此,该电子设备能够检测出更多异常情况下的服务车辆。
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场景示意图;
图2示出了本申请实施例提供的一种电子设备的结构示意图;
图3示出了本申请实施例提供的一种测量异常检测方法的步骤流程示意图;
图4示出了本申请实施例提供的一种步骤S110的子步骤示意图之一;
图5示出了本申请实施例提供的一种速度时间关系图之一;
图6示出了本申请实施例提供的一种速度关系示意图之二;
图7示出了本申请实施例提供的一种步骤S110的子步骤示意图之二;
图8示出了本申请实施例提供的一种步骤S100的子步骤示意图;
图9示出了本申请实施例提供的一种车辆异常检测装置的结构示意图。
图标:100-电子设备;200-服务车辆;300-网络;110-车辆异常检测装置;120-存储器;130-处理器;140-通信单元;1101-特征获取模块;1102-事故检测模块。
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。
为了使得本领域技术人员能够使用本申请内容,现对本申请实施例可能的使用场景进行示例性说明。对于服务提供方与使用服务方,在服务提供过程中,可能会因为周围环境的异常或服务提供方的设备故障等情况,导致服务出现异常情况。因此,为了在出现异常情况时,提供及时的救援,需要一监控检测方在服务提供方提供服务的过程中对服务提供方的状态进行检测。
下面结合网约车这一特定应用场景,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网约车这一特定场景进行描述,但是应该理解,这仅是一个示例性实施例。
作为监控检测方的网约车平台的服务器,在大量的服务车辆在提供服务的过程中,需要对各服务车辆的状态进行检测。如图1所述,各服务车辆200在提供服务的过程中,通过网络300保持与电子设备100的通信连接。其中,该电子设备100可以是,但不限于数据服务器、视频服务器、Web服务器以及云计算服务器。
电子设备100通过服务车辆200在提供服务过程中的速度变化特征,检测服务车辆200是否发生异常。并在必要时,由网约车平台提供相应的救援。因此,想要提供及时的救援,则需要能够从大量的服务车辆200中尽可能多的检测出存在异常的服务车辆200。
其中,服务车辆200通过其搭载的通信设备与电子设备100通信连接。该通信设备可以是服务车辆200中能够进行无线通信的车载设备,还可以是服务车辆200中用户的移动智能终端、个人电脑(personal computer,PC)、平板电脑、个人数字助理(personaldigital assistant,PDA)、移动上网设备(mobile Internet device,MID)等。
然而,通过服务车辆200行驶过程中的速度变化特征仅能检测出部分服务车辆200的异常。例如,当服务车辆200处于停留状态时,被其他行驶的车辆碰撞,仅通过服务车辆200形式过程中的速度变化特征并不能检测出上述异常情况。
鉴于目前通过服务车辆200行驶过程中的速度变化特征,仅能检车少部分服务车的异常。本申请实施例提供一种车辆异常检测方法,用于检测出更多异常情况下的服务车辆200。
作为一种可能的实现方式,本申请实施例提供的用于执行该车辆异常检测方法的电子设备100,其结构如图2所示。
请参照图2,该电子设备100包括车辆异常检测装置110、存储器120、处理器130、通信单元140。所述存储器120、处理器130以及通信单元140各元件相互之间直接或间接地通信连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述车辆异常检测装置110包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作系统(Operating System,OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块,例如所述车辆异常检测装置110所包括的软件功能模块及计算机程序等。当电子设备100运行时,所述处理器130与所述存储器120之间通过总线通信,所述存储器中车辆异常检测装置110对应的机器可执行指令被所述处理器130执行时实现该音频标记方法。
其中,所述存储器120可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器120用于存储程序,所述处理器130在接收到执行指令后,执行所述程序。所述通信单元140用于通过所述如图1所示的网络300建立所述电子设备100与服务车辆之间的通信连接,并用于通过所述网络300收发数据。
所述处理器130可以是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
下面结合图3所示的车辆异常检测方法的步骤流程图,对该电子设备所执行的该车辆异常检测各步骤进行详细阐述。
步骤S100,获取服务车辆在预设行程中的静态特征以及动态特征。
经研究发现,服务车辆发生异常时,存在很多情况。其中,主要分为服务车辆行驶过程中发生的异常,即动态过程的异常情况;以及服务车辆在停留状态时发生的异常,即静态过程的异常情况。例如,服务车辆在行驶过程中,与前方车辆发生碰撞;服务车辆在路边等待乘客时,与其他行驶的车辆发生碰撞。
因此,上述静态特征与动态特征,能够涵盖服务车辆在大部分场景下的异常特征。
步骤S110,根据预设异常检测规则,对静态特征以及动态特征进行处理,检测服务车辆是否发生异常。
本申请实施例中,由于上述静态特征与动态特征能够涵盖服务车辆在大部分场景下的异常特征,该电子设备根据预设异常检测规则对获取的静态特征与动态特征进行分析,在上述静态特征与动态特征表征该服务车辆发生异常时,确定该服务车辆发生异常。
通过该车辆异常检测方法,该电子设备结合服务车辆在预设行程中的动态特征以及静态特征,基于预设的异常检测规则检测该服务车辆是否发生异常。由于静态特征与动态特征,能够涵盖服务车辆在大部分场景下的异常特征,因此,该电子设备能够检测出更多异常情况下的服务车辆。
考虑到服务车辆在预设行程中的静态特征以及动态特征,能够反映该服务车辆对预设行程的完成情况。该完成情况能够在一定程度上表征该服务车辆是否发生异常,即该预设行程在较长的时间内未完成,则说明该服务车辆可能发生某种异常,而耽搁了行程的完成。
鉴于此,为了提高对服务车辆异常检测的准确度,该静态特征包括服务车辆处于停留状态的停留时长,动态特征包括服务车辆减速至停留状态的过程中和/或减速至停留状态时的第一运动特征。该预设异常检测规则包括预设异常特征,该预设异常特征包括时长阈值和运动异常特征。请参照图4,上述步骤S110包括:
步骤S1100A,将停留时长与时长阈值进行比较,将第一运动特征与运动异常特征进行比较。若停留时长大于时长阈值,且第一运动特征满足运动异常特征,则执步骤S1101A;若停留时长大于时长阈值,或第一运动特征满足运动异常特征,则执行步骤S1102A。
服务车辆在正常行驶过程中,处于停留状态的情况多为等待红绿灯这一情况。经大量统计发现,红绿灯的红灯时间通常不会超过3分钟。因此,当服务车辆处于停留状态的超过3分钟时,在一定程度表征该服务车辆发生异常,且发生异常的概率与停留时长成正相关。当然,上述时长阈值3分钟,仅仅是一种示例,可以根据实际情况进行适应性调整。
步骤S1101A,则确定服务车辆发生异常
步骤S1102A,则确定服务车辆未发生异常。
本申请实施例中,通过停留时长表征该服务车辆对预设行程的完成情况。并且,考虑到停留时长仅能在一定程度上表征该服务车辆发生异常,以及存在其他一些因素导致该服务车辆长时间停留。例如,服务车辆在服务过程中出现了堵车。因此,本申请实施例中结合该服务车辆的运动特征,判断该服务车辆是否发生异常,进一步提高对异常检测的准确度。
由于服务车辆发生异常时,主要分为服务车辆行驶过程中发生异常,以及服务车辆在停留状态时发生异常。经研究发现,上述两种形式的异常情况,表现出不同的静态特征以及动态特征。
鉴于此,针对服务车辆行驶过程中发生异常,考虑到服务车辆发生事故时,往往伴随有急剧减速的行为。因此,该服务车辆减速至停留状态的过程中,该减速距离远远小于正常减速时的减速距离,且减速时的加速度远大于正常减速时的加速度。
因此,该第一运动特征包括服务车辆减速至停留状态的过程中的加速度以及减速距离。该运动异常特征包括加速度阈值和第一距离阈值。下面对步骤S1101A以及步骤S1102A的具体详情进行说明。
该电子设备将服务车辆减速至停留状态的过程中的加速度与加速度阈值进行比较,以及将减速距离与第一距离阈值进行比较。
若比较结果表明,停留时长大于时长阈值,加速度大于加速度阈值,且减速距离小于第一距离阈值,则电子设备确定服务车辆发生异常。
反之,若停留时长不大于时长阈值,加速度不大于加速度阈值,或减速距离不小于第一距离阈值,则电子设备确定服务车辆未发生异常。
针对上述检测服务车辆行驶过程中发生异常的步骤,下面以高速行驶的车辆在发生碰撞时的状态进行示例性说明。正常减速的服务车辆,其速度随时间的变化如图5所示。高速行驶的服务车辆在即将发生碰撞时,大部分的司机会紧踩刹车,其车速随时间的变化如图6所示。因此,正常减速的服务车辆的,其速度变化更为平缓。即可通过设定一加速度阈值,若服务车辆发生异常,该服务车辆的加速度将大于该加速度阈值。
另外,值得说明的是,上述第一运动特征还可以包括其他速度变化特征,例如,加速度随时间的变化特征以及侧向的角速度。可以根据实际需求,选取上述第一运动特征中的一种或者多种的组合,用于检测车辆是否发生事故。
其中,关于加速度随时间的变化特征,请再次参见图6,在车辆发生碰撞时,驾驶员往往刚开始减速的较慢。驾驶人员出于紧张或者恐惧等原因,踩刹车的力度随着两车距离的减少而增加,进而在服务车辆的加速度上表现为加速度随两车距离的减少而增加。如图6中,速度变化曲线随时间的增加,斜率相应的逐渐增加,即该服务车辆的加速度逐渐增加。因此,加速度随时间的变化特征同样能够在一定程度上反应服务车辆是否发上事故。
关于侧向的角速度,经过研究发现,车辆在发生碰撞之前,驾驶员为了避免正向碰撞,会往侧向猛打方向盘,进而服务车辆表现为侧向的角速度。因此,该侧向的角速度同样能够在一定程度上反应服务车辆是否发生事故。
因此,通过上述步骤,该电子设备结合减速距离、减速时的加速以及停留时长,能够检测服务车辆在运动过程中出现的异常。
针对上述停留状态时发生异常,主要发生在服务车辆在等待乘客时,尤其是在交通混乱的地方等待乘客,可能会与其他运动的车辆发生碰撞。服务车辆在停留状态被撞后,表现为较短距离的移动。即相较于整个预设行程而言,该服务车辆虽然移动了小段的距离,但仍然在起点附近。并且,由于发生较短距离的移动,移动的速度较小,进而表现为减速距离较短。
因此,该第一运动特征包括服务车辆减速至停留状态时的实际位置距离预设行程起点位置的移动距离,以及服务车辆减速至停留状态的过程中的减速距离。运动异常特征包括移动距离阈值以及第二距离阈值。下面对步骤S1101A以及步骤S1102A的具体详情进行说明。
该电子设备将减速距离与移动距离阈值进行比较,以及将减速距离与第二距离阈值进行比较。
若比较结果表明,停留时长大于时长阈值,减速距离小于第二距离阈值,且移动距离小于移动距离阈值,则电子设备确定服务车辆发生异常。
反之,若停留时长不大于时长阈值,减速距离不小于第二距离阈值,或移动距离不小于移动距离阈值,则电子设备确定服务车辆发生异常。
通过上述步骤,该电子设备结合减速距离、移动距离以及停留时长能够检测服务车辆在停留状态可能出现的异常。
另外,考虑到服务车辆在发生异常时,其静态特征与动态特征之间存在一定的联系,共同表征该服务车辆是否发生异常。即服务车辆处于停留状态的停留时长,动态特征包括服务车辆减速至停留状态的过程中以及减速至停留状态的第二运动特征共同决定该服务车辆是否发行故障。
鉴于此,预设异常检测规则为预训练的机器学习模型。请参照图7,电子设备执行的步骤S110,包括:
步骤S1100B:通过预训练的机器学习模型对停留时长以及第二运动特征进行处理,检测服务车辆是否发生异常。
其中,第二运动特征包括服务车辆减速至停留状态时的实际位置距离预设行程起点位置的移动距离、服务车辆减速至停留状态的过程中的减速距离以及加速度。
另外值得说明的是,第二运动特征还可以根据实际需求进行适应性的增加或者减少,不限于上述示例。
即在上述实施例中,该电子设备获取该服务车辆减速至停留状态时的减速距离、减速至停留状态的过程中的加速度、停留时长以及距离起点的距离,将上述特征结合后通过预训练的机器学习模型发对上述特征进行综合分析,确定该服务车辆是否发生异常。
关于该机器学习模型,可以基于多种模型实现。下面以xgboost模型为例,该xgboost模型不仅能够提高对车辆事故的召回率,还能方便后续的迭代升级,因此,使得车辆事故的召回率能够有进一步地提升。
将服务车辆历史事故时的停留时长、减速距离、减速特征以及距离起点位置的距离作为正样本;将为未发生事故的服务车辆在行驶过程中的停留时长、减速距离、减速特征以及距离起点位置的距离作为负样本,将正样本以及负样本以3:2的比例分配训练集和测试集对上述xgboost模型进行训练,获得预训练的机器学习模型。当然,上述正样本与负样本之间的比例,可以根据实际需求进行适应性调整,本申请实施例不做具体限定。
可选地,存在多种方式用于获取服务车辆在预设行程中的静态特征以及动态特征。例如,加速度传感器、陀螺仪、移动传感器以及轨迹数据。请参照图8,以轨迹数据为例,该电子设备执行的步骤S100包括:
步骤S1000,获取服务车辆在预设行程中的轨迹数据。
步骤S1001,根据轨迹数据获得静态特征以及动态特征。
本申请实施例中,可以通过该服务车辆的轨迹数据计算获得该服务车辆的静态特征以及动态特征。其中,上述轨迹是数据可以基于全球定位系统(Global PositioningSystem,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS),罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith SatelliteSystem,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术以及北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)等,或其任意组合获得。当然,还可以一个或多个上述定位系统可以在本申请中互换使用。
其中,该服务器可以基于服务车辆的轨迹数据,通过多种方式判断该服务车辆是否发生了停留。作为其中一种可能的实现方式,该服务器每间隔预设时长,选取该时段内采集时间最早的GPS数据作为基准数据,计算该时段内其他GPS数据所代表的位置与基准数据所代表的位置之间的多个距离。若上述多个距离均小于特定阈值,则确定该服务车辆处于停留状态。
作为另外一种可能的实现方式,该服务器获取该服务车辆上传的GPS数据,通过GPS数据检测该服务车辆是否保持在预设尺寸的哈希格子内。若该服务车辆是否保持在预设尺寸的哈希格子内,则确定该服务车辆处于停留状态。
下面以一种可能的场景为例,对本申请提供的车辆异常检测方法进行示意性说明。网约车平台的服务车辆在接送乘客至目的地的过程中,作为上述电子设备的服务器获取服务车辆上传的GPS数据。该服务器根据上传的GPS数据,判断该服务车辆是否处于运动状态。若GPS数据显示该服务车辆处于停留状态,则获取停留时长以及当前位置距离该行程起点的距离;并基于停留状态之前的GPS数据,计算该服务车辆减速至停留状态的过程中的加速度以及减速距离。其中,上述停留时长具体为5min,当前位置距离该行程起点的移动距离具体为20KM,加速度具体为10m/s,减速距离具体为6m。
上述加速度阈值设定为8m/s,第一距离阈值与第二距离阈值设定8m,移动距离阈值设定为5m,时长阈值设定为3min。
基于上述设定的参考阈值,该服务车辆的加速距离大于8m/s,减速距离小于8m,且停留时长超过了3min,因此,满足服务车辆异常条件,则该服务器将服务车辆判定为异常。
当然,由于上述判断方式,各静态特征与动他特征之间相对独立。因此,对于准确度要求较高,但对实时性要求相对较低的场景。可以通过上述预训练的xgboost模型对上述具体的停留时长、移动距离、加速度以及减速距离进行大量的运算,根据计算结果判断该服务车辆是否发生异常。
基于相同的发明构思,本申请实施例还提供一种车辆异常检测装置,应用于电子设备。请参照图9,车辆异常检测装置包括:
特征获取模块1101,用于获取服务车辆在预设行程中的静态特征以及动态特征。
在本申请实施例中,该特征获取模块1101用于执行图3中的步骤S100,关于该特征获取模块1101的详细描述,可以参考步骤S100的详细描述。
事故检测模块1102,用于根据预设异常检测规则,对静态特征以及动态特征进行处理,检测服务车辆是否发生异常。
在本申请实施例中,该事故检测模块1102用于执行图3中的步骤S110,关于该事故检测模块1102的详细描述,可以参考步骤S110的详细描述。
作为一种可能的实现方式,所述静态特征包括所述服务车辆处于停留状态的停留时长,所述动态特征包括所述服务车辆减速至所述停留状态的过程中和/或减速至所述停留状态时的第一运动特征,所述预设异常检测规则包括预设异常特征,所述异常特征包括时长阈值和运动异常特征。
该事故检测模块可以包括:
比较模块,用于将所述停留时长与所述时长阈值进行比较;将所述第一运动特征与所述运动异常特征进行比较。
异常模块,用于若所述停留时长大于所述时长阈值,且所述第一运动特征满足所述运动异常特征,则确定所述服务车辆发生异常。
可选地,所述第一运动特征包括所述服务车辆减速至所述停留状态的过程中的加速度以及减速距离,所述运动异常特征包括加速度阈值和第一距离阈值。
在一种实施例中,该比较模块,具体用于将所述加速度与所述加速度阈值进行比较;将所述减速距离与所述第一距离阈值进行比较。
该异常模块,具体用于若所述停留时长大于所述时长阈值,所述加速度大于所述加速度阈值,且所述减速距离小于所述第一距离阈值,则确定所述服务车辆发生异常。
可选地,所述第一运动特征包括所述服务车辆减速至所述停留状态时的实际位置距离所述预设行程起点位置的移动距离,以及所述服务车辆减速至所述停留状态的过程中的减速距离,所述运动异常特征包括移动距离阈值以及第二距离阈值。
在另外一种实施例中,该比较模块,具体用于将所述减速距离与所述移动距离阈值进行比较;将所述减速距离与所述第二距离阈值进行比较。
该异常模块,具体用于若所述停留时长大于所述时长阈值,所述减速距离小于第二距离阈值,且所述移动距离小于移动距离阈值,则确定所述服务车辆发生异常。
作为另外一种可能的实现方式,所述静态特征包括所述服务车辆处于停留状态的停留时长,所述动态特征包括所述服务车辆减速至所述停留状态的过程中以及减速至所述停留状态时的第二运动特征,所述预设异常检测规则为预训练的机器学习模型。
该事故检测模块可以包括:
机器学习模块,用于根据预设异常检测规则,对所述静态特征以及所述动态特征进行处理,检测所述服务车辆是否发生异常。
本申请实施例还提供一种电子设备,电子设备包括处理器以及存储器,存储器存储有计算机可执行指令,计算机可执行指令被处理器执行时,实现的车辆异常检测方法。
本申请实施例还提供一种存储介质,存储介质存储有计算机程序,计算机程序被处理器执行时,实现的车辆异常检测方法。
综上所述,本申请实施例提供一种车辆异常检测方法、装置、电子设备及存储介质。通过该车辆异常检测方法,该电子设备结合服务车辆在预设行程中的动态特征以及静态特征,基于预设的异常检测规则检测该服务车辆是否发生异常。由于静态特征与动态特征,能够涵盖服务车辆在大部分场景下的异常特征,因此,该电子设备能够检测出更多异常情况下的服务车辆。
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 (10)
1.一种车辆异常检测方法,其特征在于,应用于电子设备,所述方法包括:
获取服务车辆在预设行程中的静态特征以及动态特征;所述静态特征包括所述服务车辆处于停留状态的停留时长,所述动态特征包括第一运动特征,所述第一运动特征包括所述服务车辆由停留状态发生短距离运动后,减速至所述停留状态时的实际位置距离所述预设行程起点位置的移动距离,以及所述服务车辆减速至所述停留状态的过程中的减速距离;
根据预设异常检测规则,对所述静态特征以及所述动态特征进行处理,检测所述服务车辆是否发生异常,所述预设异常检测规则包括预设异常特征,所述异常特征包括时长阈值和运动异常特征,所述运动异常特征包括移动距离阈值以及第二距离阈值;其中包括:
将所述移动距离与所述移动距离阈值进行比较;
将所述减速距离与所述第二距离阈值进行比较;
若所述停留时长大于所述时长阈值,所述减速距离小于所述第二距离阈值,且所述移动距离小于所述移动距离阈值,则确定所述服务车辆发生异常。
2.根据权利要求1所述的车辆异常检测方法,其特征在于,所述第一运动特征包括所述服务车辆减速至所述停留状态的过程中的加速度以及减速距离,所述运动异常特征包括加速度阈值和第一距离阈值;
所述根据预设异常检测规则,对所述静态特征以及所述动态特征进行处理,检测所述服务车辆是否发生异常,包括:
将所述加速度与所述加速度阈值进行比较;
将所述减速距离与所述第一距离阈值进行比较;
所述若所述停留时长大于所述时长阈值,且所述第一运动特征满足所述运动异常特征,则确定所述服务车辆发生异常的步骤,包括:
若所述停留时长大于所述时长阈值,所述加速度大于所述加速度阈值,且所述减速距离小于所述第一距离阈值,则确定所述服务车辆发生异常。
3.根据权利要求1所述的车辆异常检测方法,其特征在于,所述静态特征包括所述服务车辆处于停留状态的停留时长,所述动态特征包括所述服务车辆减速至所述停留状态的过程中以及减速至所述停留状态时的第二运动特征,所述预设异常检测规则为预训练的机器学习模型;
所述根据预设异常检测规则,对所述静态特征以及所述动态特征进行处理,检测所述服务车辆是否发生异常的步骤,包括:
通过预训练的机器学习模型对所述停留时长以及所述第二运动特征进行处理,检测所述服务车辆是否发生异常。
4.根据权利要求3所述的车辆异常检测方法,其特征在于,所述第二运动特征包括所述服务车辆减速至所述停留状态时的实际位置距离所述预设行程起点位置的移动距离、所述服务车辆减速至所述停留状态的过程中的减速距离以及加速度。
5.根据权利要求1所述的车辆异常检测方法,其特征在于,所述获取服务车辆在预设行程中的静态特征以及动态特征的步骤,包括:
获取所述服务车辆在预设行程中的轨迹数据;
根据所述轨迹数据获得所述静态特征以及所述动态特征。
6.一种车辆异常检测装置,其特征在于,应用于电子设备,所述车辆异常检测装置包括:
特征获取模块,用于获取服务车辆在预设行程中的静态特征以及动态特征;所述静态特征包括所述服务车辆处于停留状态的停留时长,所述动态特征包括第一运动特征,所述第一运动特征包括所述服务车辆由停留状态发生短距离运动后,减速至所述停留状态时的实际位置距离所述预设行程起点位置的移动距离,以及所述服务车辆减速至所述停留状态的过程中的减速距离;
事故检测模块,用于根据预设异常检测规则,对所述静态特征以及所述动态特征进行处理,检测所述服务车辆是否发生异常,所述预设异常检测规则包括预设异常特征,所述异常特征包括时长阈值和运动异常特征,所述运动异常特征包括移动距离阈值以及第二距离阈值;所述事故检测模块包括:
比较模块,用于将所述移动距离与所述移动距离阈值进行比较;将所述减速距离与所述第二距离阈值进行比较;
异常模块,用于若所述停留时长大于所述时长阈值,所述减速距离小于所述第二距离阈值,且所述移动距离小于所述移动距离阈值,则确定所述服务车辆发生异常。
7.根据权利要求6所述的车辆异常检测装置,其特征在于,所述第一运动特征包括所述服务车辆减速至所述停留状态的过程中的加速度以及减速距离,所述运动异常特征包括加速度阈值和第一距离阈值;
该比较模块,用于将所述加速度与所述加速度阈值进行比较;将所述减速距离与所述第一距离阈值进行比较;
该异常模块,用于若所述停留时长大于所述时长阈值,所述加速度大于所述加速度阈值,且所述减速距离小于所述第一距离阈值,则确定所述服务车辆发生异常。
8.根据权利要求6所述的车辆异常检测装置,其特征在于,所述静态特征包括所述服务车辆处于停留状态的停留时长,所述动态特征包括所述服务车辆减速至所述停留状态的过程中以及减速至所述停留状态时的第二运动特征,所述预设异常检测规则为预训练的机器学习模型;
该事故检测模块包括:
机器学习模块,用于根据预设异常检测规则,对所述静态特征以及所述动态特征进行处理,检测所述服务车辆是否发生异常。
9.一种电子设备,其特征在于,所述电子设备包括处理器以及存储器,所述存储器存储有计算机可执行指令,所述计算机可执行指令被所述处理器执行时,实现如权利要求1-5任意一项所述的车辆异常检测方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-5任意一项所述的车辆异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010891411.XA CN112016625B (zh) | 2020-08-30 | 2020-08-30 | 车辆异常检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010891411.XA CN112016625B (zh) | 2020-08-30 | 2020-08-30 | 车辆异常检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016625A CN112016625A (zh) | 2020-12-01 |
CN112016625B true CN112016625B (zh) | 2024-06-18 |
Family
ID=73502449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010891411.XA Active CN112016625B (zh) | 2020-08-30 | 2020-08-30 | 车辆异常检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016625B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801494B (zh) * | 2021-01-22 | 2024-07-19 | 北京嘀嘀无限科技发展有限公司 | 检测交通事故的方法、装置、设备、介质和程序产品 |
CN114328622A (zh) * | 2021-12-28 | 2022-04-12 | 成都路行通信息技术有限公司 | 一种大数据流式计算的数据异常捕获实时处理方法及系统 |
CN114999023A (zh) * | 2022-05-25 | 2022-09-02 | 北京畅行信息技术有限公司 | 行为检测方法、行为检测装置、存储介质和车载终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013134627A (ja) * | 2011-12-26 | 2013-07-08 | Fujitsu Ltd | ドライブレコーダのデータ解析装置および方法 |
CN110751586A (zh) * | 2019-02-21 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种订单行程异常识别方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9818239B2 (en) * | 2015-08-20 | 2017-11-14 | Zendrive, Inc. | Method for smartphone-based accident detection |
CN110866427A (zh) * | 2018-08-28 | 2020-03-06 | 杭州海康威视数字技术股份有限公司 | 一种车辆行为检测方法及装置 |
CN110415710B (zh) * | 2019-08-06 | 2022-05-31 | 大众问问(北京)信息科技有限公司 | 车载语音交互系统的参数调整方法、装置、设备及介质 |
-
2020
- 2020-08-30 CN CN202010891411.XA patent/CN112016625B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013134627A (ja) * | 2011-12-26 | 2013-07-08 | Fujitsu Ltd | ドライブレコーダのデータ解析装置および方法 |
CN110751586A (zh) * | 2019-02-21 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种订单行程异常识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112016625A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016625B (zh) | 车辆异常检测方法、装置、电子设备及存储介质 | |
CN110164130B (zh) | 交通事件检测方法、装置、设备及存储介质 | |
US10755565B2 (en) | Prioritized vehicle messaging | |
CN112172835B (zh) | 一种车辆预警方法、装置、设备及存储介质 | |
US9454905B2 (en) | Safe distance determination | |
CN114348025B (zh) | 一种车辆驾驶监控系统、方法、设备及存储介质 | |
US20190356677A1 (en) | Malicious wireless safety message detection using an angle of arrival | |
US20180281784A1 (en) | Using a driver profile to enhance vehicle-to-everything applications | |
US20220017032A1 (en) | Methods and systems of predicting total loss events | |
US20210244326A1 (en) | System, information processing apparatus, and information processing method | |
CN111369826A (zh) | 危险车辆提醒方法、提醒装置、可读存储介质及电子设备 | |
CN111231972A (zh) | 基于驾驶行为习惯的告警方法、系统、车辆及存储介质 | |
CN110164181A (zh) | 一种车辆事故检测、预警方法、设备和系统 | |
CN112991684A (zh) | 一种驾驶预警的方法及装置 | |
CN111612938B (zh) | 一种事件记录设备控制方法、装置、设备及存储介质 | |
CN114802251A (zh) | 自动驾驶车辆的控制方法、装置、电子设备以及存储介质 | |
KR20200054064A (ko) | 차량 충돌 처리 방법, 장치, 차량, 장비 및 저장 매체 | |
CN116507540A (zh) | 风险管理装置、风险管理方法及风险管理系统 | |
CN111038503B (zh) | 车辆自适应巡航控制方法、装置、车辆及存储介质 | |
CN110006422B (zh) | 一种设备安全运行参数的确定方法、装置、设备和存储介质 | |
CN112829750B (zh) | 车辆变道控制方法、设备及系统 | |
US10788990B2 (en) | Vehicle with improved I/O latency of ADAS system features operating on an OS hypervisor | |
CN115497295B (zh) | 安全预警方法和装置 | |
CN110362086B (zh) | 用于控制自动驾驶车辆的方法和装置 | |
JP7335111B2 (ja) | 通報装置および通報方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |