CN112533208A - 模型训练方法、虚假终端识别方法和装置、电子设备 - Google Patents

模型训练方法、虚假终端识别方法和装置、电子设备 Download PDF

Info

Publication number
CN112533208A
CN112533208A CN201910797691.5A CN201910797691A CN112533208A CN 112533208 A CN112533208 A CN 112533208A CN 201910797691 A CN201910797691 A CN 201910797691A CN 112533208 A CN112533208 A CN 112533208A
Authority
CN
China
Prior art keywords
data
vehicle
determining
terminal
false
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.)
Pending
Application number
CN201910797691.5A
Other languages
English (en)
Inventor
郝丽
匡尚超
刘玮
王晔
张喆
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.)
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
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 China Mobile Communications Group Co Ltd, China Mobile Communications Ltd Research Institute filed Critical China Mobile Communications Group Co Ltd
Priority to CN201910797691.5A priority Critical patent/CN112533208A/zh
Publication of CN112533208A publication Critical patent/CN112533208A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/12—Detection or prevention of fraud
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/12—Applying verification of the received information
    • H04L63/123—Applying verification of the received information received data contents, e.g. message integrity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Abstract

本发明实施例公开了一种模型训练方法、虚假终端识别方法和装置、电子设备。所述模型训练方法包括：获得多个车载终端的第一数据，确定所述第一数据对应的标注数据；所述第一数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；所述标注数据通过所述第一数据确定，和/或，所述标注数据为预先设定的数据；基于多个所述第一数据以及所述第一数据对应的标注数据对初始分类模型进行训练，获得终端识别模型；所述标注数据表征所述第一数据的类型为真实数据类型或虚假数据类型。

Description

模型训练方法、虚假终端识别方法和装置、电子设备
技术领域
本发明涉及车联网技术领域，具体涉及一种模型训练方法、虚假终端识别方法和装置、电子设备。
背景技术
随着智能汽车的快速发展，对网联技术的需求也在逐步升级。目前发现了虚假车载终端接入(V2X，Vehicle to everything)平台骗取例如红绿灯信息等V2X数据的问题。
关于虚假终端的识别，目前可采用传统的认证鉴权等安全机制识别终端为真实终端或伪终端。但仍存在一种情况，真实终端为获取V2X平台的数据而上报虚假消息。因V2X平台的分析依赖终端上报的数据，仍需分辨剔除这部分数据，若终端持续上报虚假数据，则平台需停止此类终端的服务。基于此，如何识别上报虚假消息的真实终端，目前尚无有效解决方案。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种模型训练方法、虚假终端识别方法和装置、电子设备。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种模型训练方法，所述方法包括：
获得多个车载终端发送的第一数据，确定所述第一数据对应的标注数据；所述第一数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；所述标注数据通过所述第一数据确定，和/或，所述标注数据为预先设定的数据；所述标注数据表征所述第一数据的类型为真实数据类型或虚假数据类型；
基于多个所述第一数据以及所述第一数据对应的标注数据对初始分类模型进行训练，获得终端识别模型。
上述方案中，所述第一数据至少包括车辆所在的位置信息；通过所述第一数据确定标注数据，包括：
基于获得的所述车辆所在的多个位置信息确定轨迹数据；
确定所述车辆所在的位置信息对应的地图数据，从所述地图数据中获得与所述车辆所在的位置信息对应的道路数据；
确定所述轨迹数据和所述道路数据的相似度，基于所述相似度确定所述第一数据为真实数据类型或虚假数据类型。
上述方案中，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；通过所述第一数据确定标注数据，包括：
统计所述车辆的速度信息，基于所述车辆的速度信息确定所述车辆在第一预设时间范围内的第一分布特征，基于所述第一分布特征确定所述第一数据为真实数据类型或虚假数据类型；和/或，
基于所述车辆所在的位置信息确定所述车辆移动的距离，基于所述车辆移动的距离和所述车辆的速度信息确定所述车辆的加速度信息，基于所述车辆的加速度信息确定所述车辆在第二预设时间范围内的第二分布特征，基于所述第二分布特征确定所述第一数据为真实数据类型或虚假数据类型。
上述方案中，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；
所述基于多个所述第一数据以及所述第一数据对应的标注数据对初始分类模型进行训练，包括：
对多个所述第一数据进行归一化处理，基于归一化处理后的多个所述第一数据以及对应的标注数据按照对初始分类模型进行训练。
本发明实施例还提供了一种虚假终端识别方法，所述方法包括：
获得车载终端发送的第二数据，所述第二数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；
基于终端识别模型确定所述第二数据的类型，基于所述第二数据的类型确定所述车载终端是否为虚假终端；其中，所述终端识别模型采用本发明实施例所述的模型训练方法获得。
上述方案中，所述方法还包括：在确定所述车载终端为虚假终端的情况下，根据所述车载终端被确定为虚假终端的持续时间执行相应处理。
上述方案中，所述根据所述车载终端被确定为虚假终端的持续时间执行相应处理，包括：
在所述车载终端被确定为虚假终端的持续时间达到第一预设阈值时，输出预警提示信息；
在所述车载终端被确定为虚假终端的持续时间达到第二预设阈值时，终止为所述车载终端推送数据；
在所述车载终端被确定为虚假终端的持续时间达到第三预设阈值时，将所述车载终端的标识记录在黑名单中；
其中，所述第一预设阈值小于所述第二预设阈值，所述第二预设阈值小于所述第三预设阈值。
本发明实施例还提供了一种模型训练装置，所述装置包括：第一获取单元、确定单元和训练单元；其中，
所述第一获取单元，用于获得多个车载终端的第一数据；所述第一数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；
所述确定单元，用于确定所述第一数据对应的标注数据；所述标注数据通过所述第一数据确定，和/或，所述标注数据为预先设定的数据；所述标注数据表征所述第一数据的类型为真实数据类型或虚假数据类型；
所述训练单元，用于基于多个所述第一数据以及所述第一数据对应的标注数据对初始分类模型进行训练，获得终端识别模型。
上述方案中，所述第一数据至少包括车辆所在的位置信息；
所述确定单元，用于基于获得的所述车辆所在的多个位置信息确定轨迹数据；确定所述车辆所在的位置信息对应的地图数据，从所述地图数据中获得与所述车辆所在的位置信息对应的道路数据；确定所述轨迹数据和所述道路数据的相似度，基于所述相似度确定所述第一数据为真实数据类型或虚假数据类型。
上述方案中，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；
所述确定单元，用于统计所述车辆的速度信息，基于所述车辆的速度信息确定所述车辆在第一预设时间范围内的第一分布特征，基于所述第一分布特征确定所述第一数据为真实数据类型或虚假数据类型；和/或，
基于所述车辆所在的位置信息确定所述车辆移动的距离，基于所述车辆移动的距离和所述车辆的速度信息确定所述车辆的加速度信息，基于所述车辆的加速度信息确定所述车辆在第二预设时间范围内的第二分布特征，基于所述第二分布特征确定所述第一数据为真实数据类型或虚假数据类型。
上述方案中，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；
所述装置还包括预处理单元，用于对多个所述第一数据进行归一化处理；
所述训练单元，用于基于归一化处理后的多个所述第一数据以及对应的标注数据按照对初始分类模型进行训练。
本发明实施例还提供了一种虚假终端识别装置，所述装置包括第二获取单元和分类单元；其中，
所述第二获取单元，用于获得车载终端发送的第二数据，所述第二数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；
所述分类单元，用于基于终端识别模型确定所述第二数据的类型，基于所述第二数据的类型确定所述车载终端是否为虚假终端；其中，所述终端识别模型采用本发明实施例所述的模型训练方法获得。
上述方案中，所述装置还包括处理单元，用于在确定所述车载终端为虚假终端的情况下，根据所述车载终端被确定为虚假终端的持续时间执行相应处理。
上述方案中，用于在所述车载终端被确定为虚假终端的持续时间达到第一预设阈值时，输出预警提示信息；在所述车载终端被确定为虚假终端的持续时间达到第二预设阈值时，终止为所述车载终端推送数据；在所述车载终端被确定为虚假终端的持续时间达到第三预设阈值时，将所述车载终端的标识记录在黑名单中；其中，所述第一预设阈值小于所述第二预设阈值，所述第二预设阈值小于所述第三预设阈值。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所述模型训练方法的步骤；或者，该程序被处理器执行时实现本发明实施例所述虚假终端识别方法的步骤。
本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明实施例所述模型训练方法的步骤；或者，所述处理器执行所述程序时实现本发明实施例所述模型训练方法的步骤。
本发明实施例提供的模型训练方法、虚假终端识别方法和装置、电子设备，所述方法包括：获得多个车载终端的第一数据，确定所述第一数据对应的标注数据；所述第一数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；所述标注数据通过所述第一数据确定，和/或，所述标注数据为预先设定的数据；所述标注数据表征所述第一数据的类型为真实数据类型或虚假数据类型；基于多个所述第一数据以及所述第一数据对应的标注数据按照对初始分类模型进行训练，获得终端识别模型。采用本发明实施例的技术方案，通过车载终端上报的第一数据建立终端识别模型，也即根据车载终端上报的第一数据的规律建立模型，以便基于终端识别模型对车载终端上报的数据的真伪进行识别，避免真实终端上报虚假数据以骗取V2X平台数据的行为，保证V2X平台的数据安全和有效性。
附图说明
图1为本发明实施例的模型训练方法的流程示意图；
图2为本发明实施例的模型训练方法中的确定轨迹数据的示意图；
图3为本发明实施例的虚假终端识别方法的流程示意图；
图4为本发明实施例的模型训练装置的一种组成结构示意图；
图5为本发明实施例的模型训练装置的另一种组成结构示意图；
图6为本发明实施例的虚假终端识别装置的一种组成结构示意图；
图7为本发明实施例的虚假终端识别装置的另一种组成结构示意图；
图8为本发明实施例的电子设备的硬件组成结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
本发明实施例提供了一种模型训练方法。图1为本发明实施例的模型训练方法的流程示意图；如图1所示，所述方法包括：
步骤101：获得多个车载终端的第一数据，确定所述第一数据对应的标注数据；所述第一数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；所述标注数据通过所述第一数据确定，和/或，所述标注数据为预先设定的数据；所述标注数据表征所述第一数据的类型为真实数据类型或虚假数据类型；
步骤102：基于多个所述第一数据以及所述第一数据对应的标注数据对初始分类模型进行训练，获得终端识别模型。
本实施例的模型训练方法应用于模型训练装置中；所述模型训练装置可位于任意电子设备中，例如个人计算机(PC)等。
本实施例中，车载终端位于车辆中，车载终端伴随车辆的移动而移动。车载终端可获得表征车辆形式状态的第一数据；所述第一数据可包括以下至少之一：车辆所在的位置信息、车辆的速度信息等等。在其他实施方式中，所述第一数据中还可包括终端标识(ID)。实际应用中，车辆中可设置有定位模块，通过所述定位模块获得车辆所在的位置信息。作为一种示例，所述定位模块可通过全球定位系统(GPS，Global Positioning System)模块实现。另外，车辆中还可设置有速度传感器，通过所述速度传感器获得自身的速度信息；其中，所述速度信息可包括速度的大小以及方向。则车载终端可与定位模块建立通信连接，基于所述通信连接获得定位模块采集的车辆所在的位置信息；和/或，车载终端可与速度传感器建立通信连接，基于该通信连接获得速度传感器采集的车辆的速度信息。
本实施例中，模型训练装置可获得多个车载终端的第一数据。另外，模型训练装置可按照预设频率获得多个车载终端的第一数据。例如，针对一车载终端，在T时间段内获得N个第一数据。
作为一种实施方式，模型训练装置可与车载终端建立无线连接，基于所述无线连接获得车载终端采集的第一数据。其中，所述车载终端可按照预设频率向模型训练装置发送第一数据，使得模型训练装置按照所述预设频率获得车载装置发送的第一数据。作为一种示例，所述预设频率可以是1赫兹(Hz)、5Hz、10Hz等等，当然还可以是其他数值，本实施例中对此不进行限定。
作为另一种实施方式，车载终端也可将采集的第一数据进行存储，模型训练装置可通过有线连接的方式或者外接的移动存储设备获得车载终端中存储的第一数据。所述车载终端可按照预设频率向模型训练装置发送第一数据，使得模型训练装置获得车载装置的满足所述预设频率的第一数据。
本实施例中，所述第一数据对应的标注数据表征所述第一数据的类型为真实数据类型或虚假数据类型；所述标注数据的确定方式可包括以下方式：通过所述第一数据确定，和/或，通过预先设定的方式确定。可以理解，本实施例中，作为一种实施方式，可通过人工标注的方式确定第一数据对应的标注数据。例如，设定某车载终端上报的第一数据均为真实数据类型，则确定该车载终端的第一数据对应标注数据均为真实数据类型。作为另一种实施方式，可通过对第一数据的规律进行分析处理，根据分析处理结果确定第一数据对应的标注数据。
在本发明的一种可选实施例中，所述第一数据至少包括车辆所在的位置信息；通过所述第一数据确定标注数据，包括：基于获得的所述车辆所在的多个位置信息确定轨迹数据；确定所述车辆所在的位置信息对应的地图数据，从所述地图数据中获得与所述车辆所在的位置信息对应的道路数据；确定所述轨迹数据和所述道路数据的相似度，基于所述相似度确定所述第一数据为真实数据类型或虚假数据类型。
本实施例中，所述基于获得的所述车辆所在的多个位置信息确定轨迹数据，包括：获得一段时间范围内的多个位置信息，基于所述多个位置信息确定轨迹数据。
具体的，在位置信息通过车辆内的GPS模块获得的情况下，所述位置信息可通过经纬度坐标表示。则先对经纬度坐标进行坐标转换，将经纬度坐标转换至直角坐标系下，获得表征车辆位置的直角坐标，得到对应于该时间范围(例如五分钟)内的多个位置信息的散点图，再通过拟合的方式得到拟合曲线，所述拟合曲线即为车辆在所述时间范围内的轨迹数据。实际应用中，可通过调用projfwd函数的方式进行地理坐标和直角坐标的转换。可通过调用scatter函数的方式得到表征多个位置信息的散点图。可通过调用plotfit函数的方式进行曲线拟合。参照图2所示，一段时间范围内的位置GPS数据转换为直角坐标后如图2中的数据点所示，而这些数据点中有些是有误差的错误数据点，大多数的数据点都是正确的数据点；通过曲线拟合和的方式得到拟合曲线，该拟合曲线即为轨迹数据。
进一步地，通过车辆的位置信息(例如所述时间范围内的起始位置信息和终止位置信息)，通过调用地图数据的方式确定车辆所在的道路数据，直接从地图数据中获得所述道路数据。比较车辆的轨迹数据和道路数据的相似度。
作为一种实施方式，所述确定所述轨迹数据和所述道路数据的相似度，包括：确定所述轨迹数据和所述道路数据的欧式距离，基于所述欧式距离确定所述轨迹数据和所述道路数据的相似度。
本实施例中，基于计算欧式距离的方式确定所述轨迹数据和所述道路数据的相似度。确定的欧式距离参见以下表达式(1)所示：
Figure BDA0002181428090000081
其中，y1和y2分别表示轨迹数据和道路数据中横坐标相同的点的纵坐标；n表示轨迹数据和道路数据中的数据点的数量。当然，在其他实施方式中，也可基于相同纵坐标的点的横坐标确定轨迹数据和道路数据的相似度，则本实施方式也可采用表达式(1)进行欧式距离的确定，区别在于，y1和y2分别表示轨迹数据和道路数据中纵坐标相同的点的横坐标。
则实际应用中，可基于轨迹数据中的各数据点横坐标确定对应的道路数据中满足该横坐标的纵坐标，或者基于轨迹数据中的各数据点纵坐标确定对应的道路数据中满足该纵坐标的横坐标，进而按照上述表达式(1)进行轨迹数据和道路数据的欧式距离的确定。
本实施例中，所述基于所述相似度确定所述第一数据为真实数据类型或虚假数据类型，包括：在所述相似度大于第一阈值的情况下，确定所述第一数据为真实数据类型；在所述相似度小于第二阈值的情况下，确定所述第一数据为虚假数据类型；其中，所述第二阈值小于等于所述第一阈值。
作为另一种实施方式，所述确定所述轨迹数据和所述道路数据的相似度，包括：基于所述轨迹数据和道路数据中、满足相同横坐标的纵坐标，或者满足相同纵坐标的横坐标确定第一系数；所述第一系数表征所述轨迹数据和所述道路数据的相关性；基于所述第一系数确定所述第一数据为真实数据类型或虚假数据类型。
其中，所述第一系数可以是皮尔逊相关系数(Pearson CorrelationCoefficient)；皮尔逊相关系数的绝对值越大，表示所述轨迹数据和所述道路数据的相关性越强，相反的，皮尔逊相关系数的绝对值越小，表示所述轨迹数据和所述道路数据的相关性越弱。
本实施例中，基于计算皮尔逊相关系数的方式确定所述轨迹数据和所述道路数据的相似度。确定的皮尔逊相关系数参见以下表达式(2)所示：
Figure BDA0002181428090000091
其中，Y1和Y2分别表示轨迹数据和道路数据中横坐标相同的点的纵坐标；cov(Y1，Y2)表示Y1与Y2的协方差；σY1表示轨迹数据中的点的纵坐标的标准差；σY2表示道路数据中与轨迹数据中的点的横坐标相同的点的纵坐标的标准差；E表示数学期望；uY1表示Y1的真值；uY2表示Y2的真值。当然，在其他实施方式中，也可基于相同纵坐标的点的横坐标确定轨迹数据和道路数据的相似度，则本实施方式也可采用表达式(2)进行皮尔逊相关系数的确定，区别在于，Y1和Y2分别表示轨迹数据和道路数据中纵坐标相同的点的横坐标。
则实际应用中，可基于轨迹数据中的各数据点横坐标确定对应的道路数据中满足该横坐标的纵坐标，或者基于轨迹数据中的各数据点纵坐标确定对应的道路数据中满足该纵坐标的横坐标，进而按照上述表达式(2)进行轨迹数据和道路数据的皮尔逊相关系数的确定。
本实施例中，所述基于所述相似度确定所述第一数据为真实数据类型或虚假数据类型，包括：在所述第一系数的绝对值大于第三阈值的情况下，确定所述第一数据为真实数据类型；在所述第一系数的绝对值小于第四阈值的情况下，确定所述第一数据为虚假数据类型；其中，所述第四阈值小于等于所述第三阈值。
在本发明的一种可选实施例中，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；通过所述第一数据确定标注数据，包括：统计所述车辆的速度信息，基于所述车辆的速度信息确定所述车辆在第一预设时间范围内的第一分布特征，基于所述第一分布特征确定所述第一数据为真实数据类型或虚假数据类型；和/或，基于所述车辆所在的位置信息确定所述车辆移动的距离，基于所述车辆移动的距离和所述车辆的速度信息确定所述车辆的加速度信息，基于所述车辆的加速度信息确定所述车辆在第二预设时间范围内的第二分布特征，基于所述第二分布特征确定所述第一数据为真实数据类型或虚假数据类型。
本实施例中，通过统计第一数据，确定第一数据的分布特征确定所述第一数据为真实数据类型或虚假数据类型。
作为一种实施方式，若统计一段时间范围内，车载终端对应的速度信息保持不变，或者，车载终端对应的速度信息变化但车辆所在的位置信息不变，则可确定所述第一数据为虚假数据类型。例如，同一车载终端标识一段时间内对应的速度信息始终为某一数值，考虑到驾驶过程中不会出现一段时间内车速保持一个固定速度的情况，因此可确定该第一数据为虚假数据类型。
作为另一种实施方式，若统计一段时间范围内，车载终端对应的速度信息和/或加速度信息的变化超过第五阈值或小于第六阈值，则可确定所述第一数据为虚假数据类型；所述第六阈值小于所述第五阈值。例如，同一车载终端标识一段时间内对应的速度和/或加速度的变化过大或过小，比如短时间内的速度变化和/或加速度变化超过50％，可确定所述第一数据为虚假数据类型。
基于上述虚假数据类型和真实数据类型的判定，结合预先设定标注数据的方式，生成用于模型训练的数据集合，所述数据集合中包括多个第一数据以及每个第一数据对应的标注数据。基于所述数据集合中的数据对初始分类模型进行训练，获得终端识别模型。
实际应用中，通过将数据集合中的输入初始分类模型，所述初始分类模型具体可以是机器学习网络模型或深度学习网络模型，以监督学习的方式调整初始分类模型中的参数，在满足收敛条件时，获得终端识别模型。
在本发明的一种可选实施例中，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；所述基于多个所述第一数据以及所述第一数据对应的标注数据按照对初始分类模型进行训练，包括：对多个所述第一数据进行归一化处理，基于归一化处理后的多个所述第一数据以及对应的标注数据对初始分类模型进行训练。
本实施例中，基于第一数据以及对应的标注数据进行训练之前，由于各数值的计量单位不同，为了消除量纲影响，可对第一数据进行归一化处理，具体是针对每一类第一数据进行归一化处理。
具体的，对一类第一数据进行归一化处理可参照以下表达式(3)所示：
Figure BDA0002181428090000111
其中，fi’表示一类第一数据的归一化处理结果；max|f|表示一类第一数据中的最大值；min|f|表示一类第一数据中的最小值；fi表示一类第一数据中的第i个第一数据。其中，所述一类第一数据可表示多个车辆的速度信息、多个车辆的加速度信息；进一步地，所述一类第一数据还可包括车辆的速度信息中速度值低于第一预设阈值(例如低于10公里每小时)的占比、速度值高于第二预设阈值的占比(例如高于120公里每小时)、加速度值高于第三预设阈值(例如高于5m/s2)的占比等。所述一类第一数据还可包括轨迹数据与道路数据的相似度。
在本发明的一种可选实施例中，所述方法还可以包括：获得车载终端的新的第一数据以及所述第一数据对应的标注数据，基于所述新的第一数据和对应的标注数据对所述终端识别模型进行训练，以更新所述终端识别模型。
本实施例的终端识别模型可支持扩展以及自动更新，当有新的用于模型训练数据产生时，可对终端识别模型进行自动更新。
采用本发明实施例的技术方案，通过车载终端上报的第一数据建立终端识别模型，也即根据车载终端上报的第一数据的规律建立模型，以便基于终端识别模型对车载终端上报的数据的真伪进行识别，避免真实终端上报虚假数据以骗取V2X平台数据的行为，保证V2X平台的数据安全和有效性。
本发明实施例还提供了一种虚假终端识别方法。图3为本发明实施例的虚假终端识别方法的流程示意图；如图3所示，所述方法包括：
步骤201：获得车载终端发送的第二数据，所述第二数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；
步骤202：基于终端识别模型确定所述第二数据的类型，基于所述第二数据的类型确定所述车载终端是否为虚假终端；其中，所述终端识别模型采用本发明前述实施例所述的模型训练方法获得。
本实施例的虚假终端识别方法可应用于虚假终端识别装置中；所述虚假终端识别装置可位于V2X平台。通过前述模型训练方法获得的终端识别模型可集成至所述虚假终端识别装置或V2X平台中，从而在V2X平台获得车载终端发送的第二数据后，基于所述终端识别模型判定所述第二数据是真实数据类型或是虚假数据类型；在判定所述第二数据为虚假数据类型的情况下，可判定对应的车载终端为虚假终端。
在本发明的一种可选实施例中，所述方法还包括：在确定所述车载终端为虚假终端的情况下，根据所述车载终端被确定为虚假终端的持续时间执行相应处理。
本实施例中，为了避免虚假终端的误判，提高识别准确率，本实施例中可通过车载终端被确定为虚假终端的持续时间(也可以理解为车载终端被确定为虚假终端的次数)执行相应处理。
例如针对同一车载终端ID，随机选取三段不同时间范围的第二数据输入至终端识别模型中进行判定，若车载终端被确定为虚假终端的次数超过预设阈值，例如预设阈值为60％，若依据两段不同时间范围的第二数据输入至终端识别模型中均判定车载终端为虚假终端，则可认为该车载终端确实为虚假终端，该车载终端上报的第二数据为虚假数据。所述相应的处理可以是在V2X平台中删除该车载终端对应的数据。
在本发明的一种可选实施例中，所述根据所述车载终端被确定为虚假终端的持续时间执行相应处理，包括：在所述车载终端被确定为虚假终端的持续时间达到第一预设阈值时，输出预警提示信息；在所述车载终端被确定为虚假终端的持续时间达到第二预设阈值时，终止为所述车载终端推送数据；在所述车载终端被确定为虚假终端的持续时间达到第三预设阈值时，将所述车载终端的标识记录在黑名单中；其中，所述第一预设阈值小于所述第二预设阈值，所述第二预设阈值小于所述第三预设阈值。
例如，若车载终端连续3天被判定为虚假终端，则V2X平台推送信息提示预警；若连续5天被判定为虚假终端，V2X平台可终止服务，即停止推送数据；若连续1周被判定为虚假终端，V2X平台可将该车载终端ID写入黑名单。
本发明实施例还提供了一种模型训练装置。图4为本发明实施例的模型训练装置的一种组成结构示意图；如图4所示，所述装置包括：第一获取单元31、确定单元32和训练单元33；其中，
所述第一获取单元31，用于获得多个车载终端的第一数据；所述第一数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；
所述确定单元32，用于确定所述第一数据对应的标注数据；所述标注数据通过所述第一数据确定，和/或，所述标注数据为预先设定的数据；所述标注数据表征所述第一数据的类型为真实数据类型或虚假数据类型；
所述训练单元33，用于基于多个所述第一数据以及所述第一数据对应的标注数据对初始分类模型进行训练，获得终端识别模型。
在本发明的一种可选实施例中，所述第一数据至少包括车辆所在的位置信息；
所述确定单元32，用于基于获得的所述车辆所在的多个位置信息确定轨迹数据；确定所述车辆所在的位置信息对应的地图数据，从所述地图数据中获得与所述车辆所在的位置信息对应的道路数据；确定所述轨迹数据和所述道路数据的相似度，基于所述相似度确定所述第一数据为真实数据类型或虚假数据类型。
在本发明的一种可选实施例中，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；
所述确定单元32，用于统计所述车辆的速度信息，基于所述车辆的速度信息确定所述车辆在第一预设时间范围内的第一分布特征，基于所述第一分布特征确定所述第一数据为真实数据类型或虚假数据类型；和/或，
基于所述车辆所在的位置信息确定所述车辆移动的距离，基于所述车辆移动的距离和所述车辆的速度信息确定所述车辆的加速度信息，基于所述车辆的加速度信息确定所述车辆在第二预设时间范围内的第二分布特征，基于所述第二分布特征确定所述第一数据为真实数据类型或虚假数据类型。
在本发明的一种可选实施例中，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；如图5所示，所述装置还包括预处理单元34，用于对多个所述第一数据进行归一化处理；
所述训练单元33，用于基于归一化处理后的多个所述第一数据以及对应的标注数据按照对初始分类模型进行训练。
本发明实施例中，所述装置中的第一获取单元31、确定单元32、训练单元33和预处理单元34，在实际应用中均可由中央处理器(CPU，Central Processing Unit)、数字信号处理器(DSP，Digital Signal Processor)、微控制单元(MCU，Microcontroller Unit)或可编程门阵列(FPGA，Field－Programmable Gate Array)实现。
需要说明的是：上述实施例提供的模型训练装置在进行模型训练时，仅以上述各程序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处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的模型训练装置与模型训练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。
本发明实施例还提供了一种虚假终端识别装置。图6为本发明实施例的虚假终端识别装置的组成结构示意图；如图6所示，所述装置包括第二获取单元41和分类单元42；其中，
所述第二获取单元41，用于获得车载终端发送的第二数据，所述第二数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；
所述分类单元42，用于基于终端识别模型确定所述第二数据的类型，基于所述第二数据的类型确定所述车载终端是否为虚假终端；其中，所述终端识别模型采用本发明实施例所述的模型训练方法获得。
在本发明的一种可选实施例中，如图7所示，所述装置还包括处理单元43，用于在确定所述车载终端为虚假终端的情况下，根据所述车载终端被确定为虚假终端的持续时间执行相应处理。
在本发明的一种可选实施例中，所述处理单元43，用于在所述车载终端被确定为虚假终端的持续时间达到第一预设阈值时，输出预警提示信息；在所述车载终端被确定为虚假终端的持续时间达到第二预设阈值时，终止为所述车载终端推送数据；在所述车载终端被确定为虚假终端的持续时间达到第三预设阈值时，将所述车载终端的标识记录在黑名单中；其中，所述第一预设阈值小于所述第二预设阈值，所述第二预设阈值小于所述第三预设阈值。
本发明实施例中，所述装置中的分类单元42和处理单元43，在实际应用中均可由CPU、DSP、MCU或FPGA实现；所述装置中的第二获取单元41，在实际应用中可通过通信模组(包含：基础通信套件、操作系统、通信模块、标准化接口和协议等)及收发天线实现。
需要说明的是：上述实施例提供的虚假终端识别装置在进行虚假终端识别时，仅以上述各程序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处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的虚假终端识别装置与虚假终端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。
本发明实施例还提供了一种电子设备。图8为本发明实施例的电子设备的硬件组成结构示意图，如图8所示，所述电子设备包括存储器52、处理器51及存储在存储器52上并可在处理器51上运行的计算机程序，所述处理器51执行所述程序时实现本发明实施例所述模型训练方法的步骤；或者，所述处理器51执行所述程序时实现本发明实施例所述模型训练方法的步骤。
可选地，电子设备中还可包括通信接口53。电子设备中的各个组件通过总线系统54耦合在一起。可理解，总线系统54用于实现这些组件之间的连接通信。总线系统54除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统54。
可以理解，存储器52可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器52旨在包括但不限于这些和任意其它适合类型的存储器。
上述本发明实施例揭示的方法可以应用于处理器51中，或者由处理器51实现。处理器51可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器51可以实现或者执行本发明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任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器52，处理器51读取存储器52中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，电子设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所述模型训练方法的步骤；或者，该程序被处理器执行时实现本发明实施例所述虚假终端识别方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (16)

1.一种模型训练方法，其特征在于，所述方法包括：
获得多个车载终端发送的第一数据，确定所述第一数据对应的标注数据；所述第一数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；所述标注数据通过所述第一数据确定，和/或，所述标注数据为预先设定的数据；所述标注数据表征所述第一数据的类型为真实数据类型或虚假数据类型；
基于多个所述第一数据以及所述第一数据对应的标注数据对初始分类模型进行训练，获得终端识别模型。
2.根据权利要求1所述的方法，其特征在于，所述第一数据至少包括车辆所在的位置信息；通过所述第一数据确定标注数据，包括：
基于获得的所述车辆所在的多个位置信息确定轨迹数据；
确定所述车辆所在的位置信息对应的地图数据，从所述地图数据中获得与所述车辆所在的位置信息对应的道路数据；
确定所述轨迹数据和所述道路数据的相似度，基于所述相似度确定所述第一数据为真实数据类型或虚假数据类型。
3.根据权利要求1所述的方法，其特征在于，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；通过所述第一数据确定标注数据，包括：
统计所述车辆的速度信息，基于所述车辆的速度信息确定所述车辆在第一预设时间范围内的第一分布特征，基于所述第一分布特征确定所述第一数据为真实数据类型或虚假数据类型；和/或，
基于所述车辆所在的位置信息确定所述车辆移动的距离，基于所述车辆移动的距离和所述车辆的速度信息确定所述车辆的加速度信息，基于所述车辆的加速度信息确定所述车辆在第二预设时间范围内的第二分布特征，基于所述第二分布特征确定所述第一数据为真实数据类型或虚假数据类型。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；
所述基于多个所述第一数据以及所述第一数据对应的标注数据对初始分类模型进行训练，包括：
对多个所述第一数据进行归一化处理，基于归一化处理后的多个所述第一数据以及对应的标注数据按照对初始分类模型进行训练。
5.一种虚假终端识别方法，其特征在于，所述方法包括：
获得车载终端发送的第二数据，所述第二数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；
基于终端识别模型确定所述第二数据的类型，基于所述第二数据的类型确定所述车载终端是否为虚假终端；其中，所述终端识别模型采用权利要求1至4任一项所述的模型训练方法获得。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：在确定所述车载终端为虚假终端的情况下，根据所述车载终端被确定为虚假终端的持续时间执行相应处理。
7.根据权利要求6所述的方法，其特征在于，所述根据所述车载终端被确定为虚假终端的持续时间执行相应处理，包括：
在所述车载终端被确定为虚假终端的持续时间达到第一预设阈值时，输出预警提示信息；
在所述车载终端被确定为虚假终端的持续时间达到第二预设阈值时，终止为所述车载终端推送数据；
在所述车载终端被确定为虚假终端的持续时间达到第三预设阈值时，将所述车载终端的标识记录在黑名单中；
其中，所述第一预设阈值小于所述第二预设阈值，所述第二预设阈值小于所述第三预设阈值。
8.一种模型训练装置，其特征在于，所述装置包括：第一获取单元、确定单元和训练单元；其中，
所述第一获取单元，用于获得多个车载终端的第一数据；所述第一数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；
所述确定单元，用于确定所述第一数据对应的标注数据；所述标注数据通过所述第一数据确定，和/或，所述标注数据为预先设定的数据；所述标注数据表征所述第一数据的类型为真实数据类型或虚假数据类型；
所述训练单元，用于基于多个所述第一数据以及所述第一数据对应的标注数据对初始分类模型进行训练，获得终端识别模型。
9.根据权利要求8所述的装置，其特征在于，所述第一数据至少包括车辆所在的位置信息；
所述确定单元，用于基于获得的所述车辆所在的多个位置信息确定轨迹数据；确定所述车辆所在的位置信息对应的地图数据，从所述地图数据中获得与所述车辆所在的位置信息对应的道路数据；确定所述轨迹数据和所述道路数据的相似度，基于所述相似度确定所述第一数据为真实数据类型或虚假数据类型。
10.根据权利要求8所述的装置，其特征在于，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；
所述确定单元，用于统计所述车辆的速度信息，基于所述车辆的速度信息确定所述车辆在第一预设时间范围内的第一分布特征，基于所述第一分布特征确定所述第一数据为真实数据类型或虚假数据类型；和/或，
基于所述车辆所在的位置信息确定所述车辆移动的距离，基于所述车辆移动的距离和所述车辆的速度信息确定所述车辆的加速度信息，基于所述车辆的加速度信息确定所述车辆在第二预设时间范围内的第二分布特征，基于所述第二分布特征确定所述第一数据为真实数据类型或虚假数据类型。
11.根据权利要求8至10任一项所述的装置，其特征在于，所述第一数据包括以下至少之一：车辆所在的位置信息、车辆的速度信息；
所述装置还包括预处理单元，用于对多个所述第一数据进行归一化处理；
所述训练单元，用于基于归一化处理后的多个所述第一数据以及对应的标注数据按照对初始分类模型进行训练。
12.一种虚假终端识别装置，其特征在于，所述装置包括第二获取单元和分类单元；其中，
所述第二获取单元，用于获得车载终端发送的第二数据，所述第二数据为所述车载终端在伴随车辆行驶过程中获得的表征车辆行驶状态的数据；
所述分类单元，用于基于终端识别模型确定所述第二数据的类型，基于所述第二数据的类型确定所述车载终端是否为虚假终端；其中，所述终端识别模型采用权利要求1至4任一项所述的模型训练方法获得。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括处理单元，用于在确定所述车载终端为虚假终端的情况下，根据所述车载终端被确定为虚假终端的持续时间执行相应处理。
14.根据权利要求13所述的装置，其特征在于，所述处理单元，用于在所述车载终端被确定为虚假终端的持续时间达到第一预设阈值时，输出预警提示信息；在所述车载终端被确定为虚假终端的持续时间达到第二预设阈值时，终止为所述车载终端推送数据；在所述车载终端被确定为虚假终端的持续时间达到第三预设阈值时，将所述车载终端的标识记录在黑名单中；其中，所述第一预设阈值小于所述第二预设阈值，所述第二预设阈值小于所述第三预设阈值。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至4任一项所述模型训练方法的步骤；或者，该程序被处理器执行时实现权利要求5至7任一项所述虚假终端识别方法的步骤。
16.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述模型训练方法的步骤；或者，所述处理器执行所述程序时实现权利要求5至7任一项所述模型训练方法的步骤。
CN201910797691.5A 2019-08-27 2019-08-27 模型训练方法、虚假终端识别方法和装置、电子设备 Pending CN112533208A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910797691.5A CN112533208A (zh) 2019-08-27 2019-08-27 模型训练方法、虚假终端识别方法和装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910797691.5A CN112533208A (zh) 2019-08-27 2019-08-27 模型训练方法、虚假终端识别方法和装置、电子设备

Publications (1)

Publication Number Publication Date
CN112533208A true CN112533208A (zh) 2021-03-19

Family

ID=74973973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910797691.5A Pending CN112533208A (zh) 2019-08-27 2019-08-27 模型训练方法、虚假终端识别方法和装置、电子设备

Country Status (1)

Country Link
CN (1) CN112533208A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112995916A (zh) * 2021-04-12 2021-06-18 江苏通付盾科技有限公司 一种移动终端虚拟定位的检测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235933A (zh) * 2013-04-15 2013-08-07 东南大学 一种基于隐马尔科夫模型的车辆异常行为检测方法
CN103793484A (zh) * 2014-01-17 2014-05-14 五八同城信息技术有限公司 分类信息网站中的基于机器学习的欺诈行为识别系统
US20150067880A1 (en) * 2013-08-31 2015-03-05 Location Sentry Corp. Location spoofing for privacy and security
CN104700646A (zh) * 2015-03-31 2015-06-10 南京大学 一种基于在线gps数据的出租车异常轨迹实时检测方法
US20160370471A1 (en) * 2013-07-03 2016-12-22 Mitsubishi Heavy Industries, Ltd. On-board unit and spoofing detecting method
CN108693543A (zh) * 2017-03-31 2018-10-23 法拉第未来公司 用于检测信号欺骗的方法及系统
CN109766777A (zh) * 2018-12-18 2019-05-17 东软集团股份有限公司 异常轨迹的检测方法、装置、存储介质及电子设备
WO2019115309A1 (de) * 2017-12-14 2019-06-20 Robert Bosch Gmbh Verfahren und system zum warnen von verkehrsteilnehmern vor einer falschfahrt eines fahrzeugs mit nachplausibilisierung

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235933A (zh) * 2013-04-15 2013-08-07 东南大学 一种基于隐马尔科夫模型的车辆异常行为检测方法
US20160370471A1 (en) * 2013-07-03 2016-12-22 Mitsubishi Heavy Industries, Ltd. On-board unit and spoofing detecting method
US20150067880A1 (en) * 2013-08-31 2015-03-05 Location Sentry Corp. Location spoofing for privacy and security
CN103793484A (zh) * 2014-01-17 2014-05-14 五八同城信息技术有限公司 分类信息网站中的基于机器学习的欺诈行为识别系统
CN104700646A (zh) * 2015-03-31 2015-06-10 南京大学 一种基于在线gps数据的出租车异常轨迹实时检测方法
CN108693543A (zh) * 2017-03-31 2018-10-23 法拉第未来公司 用于检测信号欺骗的方法及系统
WO2019115309A1 (de) * 2017-12-14 2019-06-20 Robert Bosch Gmbh Verfahren und system zum warnen von verkehrsteilnehmern vor einer falschfahrt eines fahrzeugs mit nachplausibilisierung
CN109766777A (zh) * 2018-12-18 2019-05-17 东软集团股份有限公司 异常轨迹的检测方法、装置、存储介质及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112995916A (zh) * 2021-04-12 2021-06-18 江苏通付盾科技有限公司 一种移动终端虚拟定位的检测方法及装置
CN112995916B (zh) * 2021-04-12 2021-11-05 江苏通付盾科技有限公司 一种移动终端虚拟定位的检测方法及装置

Similar Documents

Publication Publication Date Title
CN109919347B (zh) 路况生成方法、相关装置和设备
Castignani et al. Smartphone-based adaptive driving maneuver detection: A large-scale evaluation study
US9253251B2 (en) System and method for determining a vehicle proximity to a selected address
CN110689804B (zh) 用于输出信息的方法和装置
US11408739B2 (en) Location correction utilizing vehicle communication networks
CN112861833B (zh) 车辆车道级定位方法、装置、电子设备和计算机可读介质
CN110703739B (zh) 车辆诊断方法、路侧单元、车载单元、系统及存储介质
CN112530163B (zh) 交通事故预测方法、装置、电子设备及存储介质
CN110570652A (zh) 车辆套牌检测提醒方法及相关产品
CN114780556A (zh) 用于地图的更新频率确定方法及装置
CN112748453B (zh) 道路侧定位方法、装置、设备及存储介质
US20140031061A1 (en) Systems And Methods For Monitoring Device And Vehicle
CN112182132B (zh) 一种地铁用户的识别方法、系统、设备和存储介质
CN112533208A (zh) 模型训练方法、虚假终端识别方法和装置、电子设备
CN112639410B (zh) 用于验证传感器网络中的传感器的方法和传感器网络
CN116959265A (zh) 交通信息提示方法、装置、电子设备和可读存储介质
CN107084728B (zh) 用于检测数字地图的方法和装置
US11823565B2 (en) System and method for vehicle queue length detection in a connected vehicle infrastructure environment
CN115270400A (zh) 用于自动驾驶仿真的测试场景构建方法及可读存储介质
CN116416780A (zh) 一种路侧感知系统的测试方法、装置、测试设备和介质
CN114419888A (zh) 一种货运车辆的安全预警方法、装置、设备及存储介质
CN113658426A (zh) 一种车辆事故识别方法及装置
CN115956190A (zh) 用于提供高分辨率数字地图的方法和设备
CN113961653A (zh) 一种异常路面信息提示方法、电子设备和存储介质
CN112040417A (zh) 音频标记方法、装置、电子设备及存储介质

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