CN112820111B - 一种异常车辆识别方法、装置和电子设备 - Google Patents

一种异常车辆识别方法、装置和电子设备 Download PDF

Info

Publication number
CN112820111B
CN112820111B CN202110153012.8A CN202110153012A CN112820111B CN 112820111 B CN112820111 B CN 112820111B CN 202110153012 A CN202110153012 A CN 202110153012A CN 112820111 B CN112820111 B CN 112820111B
Authority
CN
China
Prior art keywords
dimension
vehicle
abnormal
historical driving
historical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110153012.8A
Other languages
English (en)
Other versions
CN112820111A (zh
Inventor
王志军
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110153012.8A priority Critical patent/CN112820111B/zh
Publication of CN112820111A publication Critical patent/CN112820111A/zh
Application granted granted Critical
Publication of CN112820111B publication Critical patent/CN112820111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例公开了一种异常车辆识别方法、装置和电子设备；本申请实施例获取车辆的历史行驶数据，其中，历史行驶数据包括车辆在至少一个维度上的历史行驶参数；然后确定每个维度对应的特征挖掘方式，并基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息；最后，基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果，从而提高了异常车辆的识别率。

Description

一种异常车辆识别方法、装置和电子设备
技术领域
本申请涉及通讯技术领域，具体涉及一种异常车辆识别方法、装置和电子设备。
背景技术
在实时交通领域，异常车辆的识别一直是非常具有挑战性的难题。在现有技术中，异常车辆识别一般有以下几种方法：(1)基于车辆自身轨迹形态的有序性校验，轨迹杂乱无章的车辆被认定为异常车辆；(2)基于其他快速行驶且完整通过的车辆校验；(3)基于速度聚类排除离群点的方法，车辆速度离偏离群体速度中心较远的被认定为异常车辆。
而在对现有技术的研究和实践的过程中，本申请的发明人发现，现有技术对异常车辆的识别具有一定的局限性，特别在车辆稀疏的道路上，车辆缓慢行驶，同时车辆的轨迹有序，没有呈现出杂乱无章的轨迹形态，且没有其他车辆进行校验，那么此时是无法识别车辆是否为异常车辆的。
发明内容
本申请实施例提供了一种异常车辆识别方法、装置和电子设备，可以提高异常车辆的识别率。
本申请实施例提供了一种异常车辆识别方法，包括：
获取车辆的历史行驶数据，所述历史行驶数据包括所述车辆在至少一个维度上的历史行驶参数；
确定每个维度对应的特征挖掘方式；
基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息；
基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果。
相应的，本申请实施例还提供了一种异常车辆识别装置，包括：
获取单元，用于获取车辆的历史行驶数据，所述历史行驶数据包括所述车辆在至少一个维度上的历史行驶参数；
确定单元，用于确定每个维度对应的特征挖掘方式；
特征挖掘单元，用于基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息；
识别单元，用于基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果。
在一实施例中，确定单元可以包括：
获取子单元，用于获取映射关系集合，所述映射关系集合包括预设维度和预设特征挖掘方式之间的映射关系；
确定子单元，用于基于所述映射关系集合，确定每个维度对应的特征挖掘方式。
在一实施例中，特征挖掘单元可以包括：
确定子单元，用于确定目标维度的关联维度；
特征挖掘子单元，用于根据所述目标维度对应的特征挖掘方式对所述目标维度和所述关联维度的历史行驶参数进行特征挖掘，得到所述目标维度对应的历史行驶特征信息。
在一实施例中，特征挖掘子单元可以用于：
基于所述目标维度和关联维度的历史行驶参数，利用基于预设运算法则的特征挖掘方式对目标维度和关联维度的历史行驶参数进行特征挖掘，得到目标维度对应的历史行驶特征信息。
在一实施例中，识别单元可以包括：
预测子单元，用于基于每个维度对应的历史行驶特征信息预测所述车辆为异常车辆的概率，得到所述车辆在每个维度上的异常概率；
整合子处理单元，用于对所述每个维度上的异常概率进行整合处理，得到所述车辆为异常车辆的目标异常概率；
输出子单元，用于根据所述目标异常概率得到并输出所述车辆的异常识别结果。
本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述一方面的各种可选方式中提供的方法。
本申请实施例还提供了一种网络设备，包括存储器和处理器；所述存储器存储有多条指令，所述处理器加载所述存储器内的指令，以执行本发明实施例提供的任一种异常车辆识别方法中的步骤。
相应的，本申请实施例还提供一种存储介质，所述存储介质存储有指令，所述指令被处理器执行时实现本申请实施例任一提供的异常车辆识别方法。
本申请实施例可以获取车辆的历史行驶数据，其中，历史行驶数据包括车辆在至少一个维度上的历史行驶参数；然后确定每个维度对应的特征挖掘方式，并基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息；最后，基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果，从而提高了异常车辆的识别率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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的附图。
图1a是本申请实施例提供的异常车辆识别方法的场景示意图；
图1b是本申请实施例提供的异常车辆识别方法的流程示意图；
图1c是本申请实施例提供的异常车辆识别方法的地图示意图；
图1d是本申请实施例提供的异常车辆识别方法的道路示意图；
图1e是本申请实施例提供的异常车辆识别方法的另一场景示意图；
图1f是本申请实施例提供的异常车辆识别方法的另一场景示意图；
图2是本申请实施例提供的异常车辆识别方法的另一流程示意图；
图3a是本申请实施例提供的异常车辆识别方法的结构示意图；
图3b是本申请实施例提供的异常车辆识别方法的另一结构示意图；
图4是本申请实施例提供的终端的结构示意图。
具体实施方式
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，显然，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。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动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。
本申请实施例提出了一种异常车辆识别装置，该异常车辆识别装置可以集成在计算机设备中，该计算机设备可以包括终端以及服务器等中的至少一个。其中，终端可以为智能手机、平板电脑、笔记本电脑或者个人电脑(PersonalComputaer，PC)、车载计算机、智能穿戴设备等等。服务器可以为多个异构系统之间的互通服务器或者内容交互系统的后台服务器，还可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器等等。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术，自定驾驶技术有着广泛的应用前景，
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的异常车辆识别等技术，具体通过如下实施例进行说明:
例如，如图1a所示，异常车辆识别装置可以集成在终端或服务器等计算机设备上，计算机设备可以获取车辆的历史行驶数据，所述历史行驶数据包括所述车辆在至少一个维度上的历史行驶参数；确定每个维度对应的特征挖掘方式，基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息；基于每个维度对应的历史行驶特征信息对车辆进行异常识别，得到并输出车辆的异常识别结果。
以下分别进行详细说明，需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本申请实施例将从异常车辆识别装置的角度进行描述，该异常车辆识别方法可以集成在计算机设备中，该计算机设备可以是服务器，也可以是终端等设备。
如图1b所示，提供了一种异常车辆识别方法，具体流程包括：
101、获取车辆的历史行驶数据，所述历史行驶数据包括所述车辆在至少一个维度上的历史行驶参数。
其中，车辆的历史行驶数据可以包括车辆在行驶过程中所产生的各种能表征车辆的行驶过程的历史数据。例如，车辆的历史行驶数据可以包括过去两分钟内，车辆在行驶过程中所产生的各种能表征车辆的行驶过程的数据，等等。
其中，历史行驶参数可以包括表示车辆在行驶过程产生的能表征车辆的行驶过程的参数。例如，历史行驶参数可以包括车辆在行驶过程中的停留次数、停留时长、停留时间点、车辆在道路上的瞬时行驶速度、平均行驶速度、瞬时加速度、平均加速度，以及车辆行驶道路的长度、道路平均停留次数、道路平均停留时长和道路平均行驶速度等等。其中，道路平均停留次数可以包括在该道路上行驶的车辆的平均停留次数；道路平均停留时长可以包括在该道路上行驶的车辆的平均停留时长；道路平均行驶速度可以包括在该道路上行驶的车辆的平均行驶速度。
例如，某道路的道路平均停留次数为3表示每辆车行驶在该道路时，每辆车平均需要停留3次。某道路的道路平均停留时长为2分钟表示每辆车行驶在该道路时，每辆车每次停留时平均需要停留2分钟。某道路的道路平均行驶速度为30km/s表示在该道路上行驶的每辆车的平均行驶速度为30km/s。
在一实施例中，历史行驶数据可以包括车辆在至少一个维度上的历史行驶参数,即，该历史行驶数据包括车辆在至少一个类别上的历史行驶参数。例如，该历史行驶数据可以包括时间维度上的历史行驶参数、速度维度上的历史行驶参数和行驶路况维度上的历史行驶参数等等。其中，每个维度都可以包括至少一个历史行驶参数。
其中，时间维度上的历史行驶参数可以包括车辆和时间相关的历史行驶参数。例如，时间维度上的历史行驶参数可以包括车辆在道路行驶过程中的停留次数、停留时长、停留时间点等等。
其中，速度维度上的历史行驶参数可以包括车辆和速度相关的历史行驶参数。例如，速度维度上的历史行驶参数可以包括车辆在道路上的瞬时行驶速度、平均行驶速度、瞬时加速度、平均加速度等等。
其中，行驶路况维度上的历史行驶参数可以包括车辆在道路上行驶时，和该道路的路况相关的历史行驶参数。例如，行驶路况维度上的历史行驶参数可以包括车辆行驶道路的长度、道路平均停留次数、道路平均停留时长和道路平均行驶速度等等。
在一实施例中，为了准确地表现车辆的历史行驶数据，可以从空间区间的角度描述车辆的历史行驶参数。其中，空间区间可以包括由长度、宽度、高度和大小等等表现出来的区间。例如，空间区间可以表示车辆行驶道路所处区域的二维地图、三维地图等等。例如，空间区间可以表示车辆行驶在某个国家时，该国家的二维地图或三维地图。又例如，空间区间可以表示车辆行驶在某个省份时，该省份的二维地图或三维地图。又例如，空间区间还可以表示车辆行驶在某个城市时，该城市的二维地图或三维地图等等。
其中，为了更加准确地表现车辆的历史行驶数据，可以对车辆行驶道路所处的区域进行网格划分，则车辆的历史行驶数据可以表示车辆在网格内的道路上的历史行驶数据。例如，当车辆在北京市内行驶时，可以对北京市的地图进行网格划分，则车辆的历史行驶数据可以表示车辆在网格内的道路上的历史行驶数据。
例如，如图1c所示，假设车辆行驶在北京市内，则可以北京市内的地图进行网格划分，则北京市的地图则被划分成若干个网格，每一个网格如网格grid_z所示。其中，每一个网格内都可以包括至少一条道路。例如，如图1d所示，网格grid_z内可以包括道路link_1、道路link_2和道路link_3，则车辆的历史行驶数据可以表示车辆在网格内的道路上的历史行驶数据。例如，车辆的历史行驶数据可以表示车辆在网格grid_z的道路link_2上的历史行驶数据。
其中，“z”可以表示网格的标识号，即网格grid_z可以表示第“z”个网格。其中，“z”可以是自定义，也可以根据划分网格的数量进行编号。
其中，对车辆行驶道路所处的地图进行网格划分时，每个网格的形状和大小等可以根据业务的不同需求划分不同的大小。例如，可以将网格划分成四边形、五边形等等。又例如，当把网格划分成四边形时，可以将网格划分成200米*200米大小的四边形等等。
在一实施例中，还可以从时间区间的维度上对车辆的历史行驶参数进行描述。例如可以将时间划分成多个区间。例如，一天有24个小时，可以每10分钟划分一个时间区间，则一天24小时被划分成0至144个时间区间。则，车辆的历史行驶参数可以表示车辆在每个时间区间中的历史行驶参数。例如，当把一天24个小时划分成0-144个时间区间时，车辆在第0个时间区间中的历史行驶参数可以表示车辆在第00：00-00：10时间区间内的历史行驶参数，而车辆在第144个时间中的历史行驶参数可以表示车辆在24：50-24：60时间区间内的历史行驶参数。
在一实施例中，还可以从空间区间和时间区间的维度上对车辆的历史行驶参数进行描述。例如车辆的历史行驶参数可以表示车辆在某个时间区间内的某个网格内的道路上的历史行驶参数。例如，车辆的历史行驶数据可以表示在第0个时间区间内，车辆在网格grid_z的道路link_2上的历史行驶数据。
例如，车辆的历史行驶数据包括车辆在网格grid_z的第“x”条道路link_x上的行驶过程中的停留次数、停留时长、平均行驶速度、道路平均停留次数、道路平均停留时长、车辆行驶道路的长度和道路平均行驶速度。
则，从空间区间和时间区间对车辆的历史行驶数据进行描述时，识别号为car_id的车辆在行驶过程中的停留次数可以表示为Wcar_id，link_x，time_y,即停留次数可以表示在第“y”个时间区间time_y内，识别号为“id”的车辆car_id在第x条道路link_x上的停留时间。则，车辆的停留时长可以表示为Tcar_id,link_x,time_y，平均行驶速度可以表示为Scar_id，link_x，time_y，道路平均停留次数可以表示为Wlink_x，time_y，道路平均停留时长可以表示为Tlinkx_,time_y，车辆行驶道路的长度可以表示为Llink_x以及道路平均行驶速度可以表示为GSlink_x，time_y。
其中，“x”是网格中道路的标识号，“y”是时间区间的标识号，“id”是每辆车辆的标识号。其中，“x”、“y”和“id”都可以自定义生成。
在一实施例中，车辆的历史行驶数据的来源可以有多种。例如，车辆的历史行驶数据的来源可以包括物流公司或出租车公司用的车载GPS导航回传的数据以及城市的主干道上安装的地感线圈、测速雷达和视频检测工具检测到的数据等等。在收集到车辆的历史行驶数据后，可以将车辆的历史行驶数据存储到服务器的数据库中，当异常车辆识别装置需要获取车辆的历史行驶数据时，可以向服务器请求获取车辆的历史行驶数据等等。
102、确定每个维度对应的特征挖掘方式。
其中，特征挖掘方式可以包括根据历史行驶参数，得到历史行驶参数对应的历史行驶特征信息的方式。
例如，特征挖掘方式可以包括依据运算规则从历史行驶参数中得到历史行驶特征信息的方式。其中，运算规则可以包括依据自然规律所得到的运算规则，也可以包括自定义的运算规则，等等。例如，运算规则可以包括基础运算方式。例如，加、减、乘、除、积分、求导、卷积等等。又例如，运算规则可以是基础运算方式的组合方式。例如，累加、累乘、平均加权、求导和卷积的组合等等。
又例如，特征挖掘方式可以包括利用特征挖掘函数从历史行驶参数中得到历史行驶特征信息的方式等等。其中，特征挖掘函数可以是自己定义的特征挖掘函数，也可以是编译器中自带的函数。例如，特征挖掘函数可以包括求和函数、加权平均函数等等。
在一实施例中，每个维度及其对应的特征挖掘方式可以存储在一个映射关系集合中，然后可以根据该映射关系集合确定每个维度对应的特征挖掘方式。具体地，步骤“确定每个维度对应的特征挖掘方式”，包括：
获取映射关系集合，所述映射关系集合包括预设维度和预设特征挖掘方式之间的映射关系；
基于所述映射关系集合，确定每个维度对应的特征挖掘方式。
其中，映射关系集合可以包括预设维度和预设特征挖掘方式之间的映射关系的集合。其中，预设维度可以包括预先添加到映射关系集合中的维度。例如，预设维度可以包括时间维度、速度维度、行驶路况维度等等。预设特征挖掘方式可以包括在预先添加到映射关系集合中的和预设维度对应的特征挖掘方式。
在一实施例中，映射关系集合可以存储在服务器中，当需要映射关系集合时，可以向服务器获取映射关系集合。
在一实施例中，映射关系集合可以以一个表格的形式存储在服务器中，在该表格中可以包括每个维度的历史行驶参数对应的特征挖掘方式，其中，每个维度的历史行驶参数对应的特征挖掘方式可以包括至少一个。
当映射关系集合以一个表格的形式呈现时，在确定每个维度对应的特征挖掘方式的过程中可以通过查询该表格，从而确定每个维度的历史行驶参数对应的特征挖掘方式。
例如，映射关系集合可以如表1所示，其中，在该表格中的维度包括时间维度、速度维度和行驶路况维度，其中每个维度的历史行驶参数都有其对应的特征挖掘方式。在确定每个维度对应的特征挖掘方式时，可以通过查询该表格，从而确定每个维度对应的特征挖掘方式。例如，当要查询时间维度中的停留时长的特征挖掘方式时，可以对该表格进行识别查询，从而得到停留时长的特征挖掘方式。
Figure BDA0002932587370000101
表1：映射关系集合表
在一实施例中，为了提高确定每个维度对应的特征挖掘方式的效率，映射关系集合还可以以一个树状图的形式存储在服务器中。其中，该树状图中可以包括每个维度的历史行驶参数对应的特征挖掘方式，其中，每个维度的历史行驶参数对应的特征挖掘方式可以包括至少一个。
当映射关系集合以树状图的行驶呈现时，在确定每个维度对应的特征挖掘方式的过程中，可以通过查询该树状图，从而确定每个维度的历史行驶参数对应的特征挖掘方式。其中，在查询该树状图时，可以采用分级查询的形式进行查询，从而提高确定每个维度对应的特征挖掘方式的效率。
例如，如图1e所示，当要查询时间维度中的停留时长的特征挖掘方式时，可以先查询时间维度的位置，然后再查询时间维度下包括的历史行驶参数，从而确定停留时长的位置，然后根据停留时长的位置确定停留时长对应的特征挖掘方式，等等。
在一实施例中，由于每个维度中都包括至少一个历史行驶参数，因此每个维度可以对应至少一个特征挖掘方式。其中，类型相同的特征挖掘方式可以构成一个特征挖掘方式集合。
例如，时间维度中的历史行驶参数包括停留时长和停留次数。其中，停留时长和停留次数对应的特征挖掘方式是同一种类型，则可以把停留时长和停留次数对应的特征挖掘方式构成一个特征挖掘方式集合。
例如，特征挖掘方式集合可以包括至少一个维度自身对应的特征挖掘方式。又例如，特征挖掘方式集合可以包括至少一个目标维度和关联维度对应的特征挖掘方式，等等。
其中，目标维度可以包括在对维度的历史行驶参数进行特征挖掘的过程中，需要借助关联维度得到历史行驶特征信息的维度。关联维度可以包括和目标维度有相互联系的维度。
因此，为了进一步地提高确定每个维度对应的特征挖掘方式，可以将各个维度下的特征挖掘方式类型相同的历史行驶参数构成一个集合。当确定每个维度对应的特征挖掘方式时，可以先确定每个维度中的历史行驶参数所处的集合，然后再确定历史行驶参数对应的特征挖掘方式。具体地，步骤“基于所述映射关系集合，确定每个维度对应的特征挖掘方式”，包括：
基于所述映射关系集合，确定每个维度对应的特征挖掘集合；
根据所述特征挖掘集合，确定每个维度中的历史行驶参数在特征挖掘集合中对应的特征挖掘方式。
例如，如图1f所示，时间维度的历史行驶参数包括停留时长、停留次数和停留时间点，其中，停留时长和停留次数对应的特征挖掘方式类型相同，因此可以将停留时长和停留次数构成一个历史行驶参数集合A，停留时间点构成另一个历史行驶参数集合B。其中，历史行驶参数集合A对应特征挖掘方式集合A，历史行驶参数集合B对应特征挖掘方式集合B。
当确定时间维度的历史行驶参数停留时长对应的特征挖掘方式时，可以先确定停留时长对应的历史行驶参数集合，即历史行驶参数集合A。其中，由于历史行驶参数集合A对应特征挖掘集合A，因此在确定历史行驶参数集合A的同时可以确定特征挖掘方式集合A，然后在特征挖掘方式集合A中确定停留时长对应特征挖掘方式。
103、基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息。
其中，历史行驶特征信息可以包括基本的、最能够反映车辆行驶特征的信息。例如，历史行驶特征信息可以包括车辆在多个道路上的平均行驶速度、车辆在多个道路上总停留次数、车辆在多个道路上总停留时长以及车辆的道路平均路况速度偏离幅度等等。
在一实施例中，不同维度对应的特征挖掘方式不同。
例如，有的维度在映射关系集合中对应一种特征挖掘方式集合，其中该特征挖掘方式集合可以包括该维度自身对应的特征挖掘方式，则在对该维度进行特征挖掘时，可以根据该维度对应的特征挖掘方式对其进行特征挖掘，从而得到该维度对应的历史行驶信息。
比如，时间维度在映射关系集合中对应一种特征挖掘方式集合，其中该特征挖掘方式集合包括时间维度对应的特征挖掘方式。则，在对时间维度进行特征挖掘时，可以根据时间维度对应的特征挖掘方式对时间维度的历史行驶参数进行特征挖掘，从而得到时间维度对应的历史行驶信息。
比如，车辆car_id在时间维度上的历史行驶参数可以包括在第“y”个时间区间time_y内，在网格grid_z中第x条道路link_x的停留次数Wcar_id，link_x，time_y和停留时长Tcar_id,link_x,time_g。而时间维度的历史行驶信息包括车辆在网格grid_z中的总停留次数Wgrid_z,car_id,time_y和总停留时长Tgrid_z,car_id,time_y。则，时间维度对应的特征挖掘方式可以指基于累加运算规则从历史行驶参数中得到历史行驶特征信息的方式。因此得到车辆在时间维度上的历史行驶信息,即总停留次数和总停留时长可以如下：
Figure BDA0002932587370000121
Figure BDA0002932587370000122
比如，行驶路况维度在映射关系集合中对应两种特征挖掘方式集合，其中，其历史行驶参数包括道路平均停留次数、道路平均停留时长和道路平均行驶速度。其中，当历史行驶参数是道路平均停留次数或道路平均停留时长时，可以基于历史行驶参数自身对其进行特征挖掘。其中，当历史行驶参数是道路平均行驶速度时，可以基于道路平均行驶速度及其关联历史行驶参数对其进行特征挖掘。
比如，在网格grid_z和时间区间time_y内的道路link_x上的道路平均停留次数为Wlink_x,time_y，道路平均停留时间为Tlink_x,time_y，道路平均行驶速度为GSlink_x,time_y。而行驶路况维度的历史行驶信息包括在网格gridz内的所有车辆的道路平均停留次数GWgrid_z,time_y和所有车辆的道路平均停留时长GTgrid_z,time_y。则行驶路况维度对应的特征挖掘方式可以基于累加和整除两种基本运算规则结合的运算规则从历史行驶参数中得到历史特征信息的方式。因此，车辆在行驶路况维度上的历史行驶信息，即在网格grid_z内的所有车辆的道路平均停留次数GWgrid_z,time_y和所有车辆的道路平均停留时长GTgrid_z,time_y可以如下：
Figure BDA0002932587370000131
Figure BDA0002932587370000132
此外，例如，有的目标维度需要借助关联维度从而得到其对应的历史行驶特征信息。其中，目标维度可以包括在对维度的历史行驶参数进行特征挖掘的过程中，需要借助关联维度得到历史行驶特征信息的维度。关联维度可以包括和目标维度有相互联系的维度。例如，目标维度可以包括速度维度和行驶路况维度等等。关联维度可以包括时间维度、速度维度和行驶路况维度等等。其中，关联维度可以包括一个或多个。例如，当目标维度是速度维度时，关联维度可以包括时间维度和行驶路况维度等等。
因此，在对目标维度的历史行驶参数进行特征挖掘，从而得到目标维度对应的历史行驶特征信息时，可以确定目标维度的关联维度，然后基于目标维度和关联维度得到对应的历史行驶特征信息。具体地，步骤“基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息”，包括：
确定目标维度的关联维度；
根据所述目标维度对应的特征挖掘方式对所述目标维度和所述关联维度的历史行驶参数进行特征挖掘，得到所述目标维度对应的历史行驶特征信息。
在一实施例中，确定目标维度的关联维度可以通过映射关系集合进行确定。例如，当前维度是速度维度时，通过映射关系集合确定速度维度的关联维度是时间维度等等。又例如，当前维度是行驶路况维度时，可以通过映射关系集合确定行驶路况维度的关联维度是速度维度等等。
在确定了目标维度的关联维度后，可以根据目标维度对应的特征挖掘方式对目标维度和关联维度的历史行驶参数进行特征挖掘，从而得到目标维度对应的历史行驶特征信息。
在一实施例中，可以通过基于运算法则的特征挖掘方式对目标维度和关联维度的历史行驶参数进行特征挖掘，从而得到目标维度对应的历史行驶特征信息。具体地，步骤“根据所述目标维度对应的特征挖掘方式对所述目标维度和所述关联维度的历史行驶参数进行特征挖掘，得到所述目标维度对应的历史行驶特征信息”，包括：
基于所述目标维度和关联维度的历史行驶参数，利用基于预设运算法则的特征挖掘方式对目标维度和关联维度的历史行驶参数进行特征挖掘，得到目标维度对应的历史行驶特征信息。
例如，当目标维度是速度维度，目标维度的关联维度是行驶路况维度时，可以根据速度维度对应的特征挖掘方式对速度维度的历史行驶参数和行驶路况维度的历史行驶特征参数进行特征挖掘，从而得到速度维度对应的历史行驶特征参数。
比如，车辆car_id在速度维度上的历史行驶参数可以包括在第“y”个时间区间time_y内，在网格grid_z中第x条道路link_x的平均行驶速度为Scar_id,link_x,time_y，车辆在行驶路况维度上的历史行驶参数可以包括车辆在网格grid_z中的行驶道路link_x的长度Llink_x，而车辆在时间维度上的历史行驶特征信息可以包括在网格grid_z中的平均行驶速度Sgrid_z,link_x,time_y和车辆的平均行驶速度偏离道路平均行驶速度的幅度Zgrid_z,link_x，time_y。因此，便可以基于车辆的平均行驶速度和行驶道路的长度得到车辆的平均行驶速度偏离道路平均行驶速度的幅度。例如，可以如下：
Figure BDA0002932587370000151
以及，可以基于车辆的平均行驶速度和行驶道路的长度得到车辆在网格gridz中的平均行驶速度
Figure BDA0002932587370000152
例如，可以如下：
Figure BDA0002932587370000153
又例如，有的维度在映射关系集合中对应两种特征挖掘方式集合，其中一个特征挖掘方式集合包括给维度自身对应的特征挖掘方式，另一种特征挖掘方式集合包括该维度和关联维度对应的特征挖掘方式。此时，该维度的部分历史行驶参数可以基于其中一个特征挖掘方式集合中的特征挖掘方式进行挖掘，而剩下的历史行驶参数可以基于另一个特征挖掘方式集合中的特征挖掘方式进行挖掘。
104、基于每个维度对应的历史行驶特征信息对车辆进行异常识别，得到并输出车辆的异常识别结果。
其中，基于每个维度对应的历史行驶特征信息对车辆进行异常识别的方式有多种。
在一实施例中，可以基于每个维度对应的历史行驶特征信息预测车辆为异常车辆的概率，得到车辆在每个维度上的异常概率，然后根据每个维度上的异常概率得到车辆为异常车辆的目标异常概率。具体地，步骤“基于每个维度对应的历史行驶特征信息对车辆进行异常识别，得到并输出车辆的异常识别结果”，包括：
基于每个维度对应的历史行驶特征信息预测所述车辆为异常车辆的概率，得到所述车辆在每个维度上的异常概率；
对所述每个维度上的异常概率进行整合处理，得到所述车辆为异常车辆的目标异常概率；
根据所述目标异常概率得到并输出所述车辆的异常识别结果。
其中，目标异常概率可以包括车辆为异常车辆的概率。例如，目标异常概率可以包括每辆车在每一个网格和每一个时间区间的异常概率，等等。
比如，车辆的历史行驶数据包括时间维度、速度维度和行驶路况维度上的历史行驶参数。其中，时间维度的历史行驶信息包括车辆在多个道路上总停留次数和车辆在多个道路上总停留时长。速度维度的历史行驶信息包括车辆在多个道路上的平均行驶速度和车辆的道路平均路况速度偏离幅度。行驶路况维度的历史行驶信息包括所有车辆的道路平均停留次数和所有车辆的道路平均停留时长。
然后，基于每个维度对应的历史行驶特征信息预测车辆为异常车辆的概率。即基于车辆在多个道路上总停留次数、车辆在多个道路上总停留时长预测车辆在时间维度上的异常概率。基于车辆在多个道路上的平均行驶速度、车辆的道路平均路况速度偏离幅度预测车辆在速度维度上的异常概率。基于所有车辆的道路平均停留次数和所有车辆的道路平均停留时长预测车辆在行驶路况维度上的异常概率，然后将每个维度上的异常概率进行整合处理，从而得到车辆为异常车辆的目标异常概率。
例如，车辆在时间维度上的异常概率是p_t，在速度维度上的异常概率是p_s，在行驶路况维度上的异常概率是p_g，则可以对p_t、p_s和p_g进行整合处理，从而得到车辆为异常车辆的目标异常概率。
在一实施例中，可以基于车辆的历史行驶特征信息预测车辆为异常车辆的概率，得到车辆在每个历史行驶特征信息上的异常概率，然后根据每个历史行驶特征信息上的异常概率进行整合处理，从而得到车辆为异常车辆的目标异常概率。
例如，车辆的历史行驶特征信息包括车辆在多个道路上总停留次数、车辆在多个道路上总停留时长、车辆在多个道路上的平均行驶速度、车辆的道路平均路况速度偏离幅度、所有车辆的道路平均停留次数和所有车辆的道路平均停留时长。
然后基于车辆的历史行驶特征信息预测对车辆是否异常进行预测，从而得到每个历史行驶特征信息对应的异常概率。例如，基于车辆的历史行驶特征信息预测对车辆是否异常进行预测后可以得到车辆在多个道路上总停留次数对应的异常概率是p_t1，车辆在多个道路上总停留时长对应的异常概率是p_t2，车辆在多个道路上的平均行驶速度对应的异常概率是p_s1，车辆的道路平均路况速度偏离幅度对应的异常概率是p_s2，所有车辆的道路平均停留次数对应的异常概率是p_g1，所有车辆的道路平均停留时长对应的异常概率是p_g2。
然后可以对p_t1、p_t2、p_s1、p_s2、p_g1、p_g2进行整合处理，从而得到车辆为异常车辆的目标异常概率。
其中对异常概率进行整合处理的方式可以有多种，例如，可以将每个维度的历史行驶特征信息对应的异常概率进行整合，得到每个维度对应的异常概率。然后基于每个维度对应的异常概率进行整合，得到目标异常概率。
例如，当异常概率包括p_t1、p_t2、p_s1、p_s2、p_g1、p_g2时，可以将p_t1、p_t2、p_s1、p_s2、p_g1、p_g2按照预设权值进行加权，加权后得到的概率即为目标异常概率。
在一实施例中，可以利用异常车辆识别模型预测车辆为异常车辆的概率，从而得到车辆在每个维度上的异常概率。具体地，步骤“基于每个维度对应的历史行驶特征信息预测所述车辆为异常车辆的概率，得到所述车辆在每个维度上的异常概率”，包括：
采用异常车辆识别模型，基于所述历史行驶特征信息，对所述车辆进行预测，得到所述车辆在每个维度上的异常概率。
此外，在一实施例中，还可以利用异常车辆识别模型对每个维度上的异常概率进行整合处理，得到车辆为异常车辆的目标异常概率。具体地，步骤“所述对所述每个维度上的异常概率进行整合处理，得到所述车辆为异常车辆的目标异常概率”，包括：
采用异常车辆识别模型，对所述每个维度上的异常概率进行整合处理，得到所述车辆为异常车辆的目标异常概率。
其中，异常车辆识别模型可以包括各种机器学习模型。例如监督学习模型、无监督学习模型等等。例如，异常车辆识别模型可以包括梯度下降树(Gradient BoostingDecision Tree，GBDT)模型和梯度提升(Extreme Gradient Boosting，XGBoost)模型，等等。
其中，机器学习是人工智能的一个重要领域。机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
其中，人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
在机器学习中，一般可以将样本分成独立的三部分，即训练集、验证集和测试集。其中，训练集用于训练模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。
因此，在一实施例中，在利用异常车辆识别模型之前，可以先对异常车辆识别模型进行训练，以使得异常车辆识别模型可以正确地识别出异常车辆。具体地，该方法包括：
获取车辆的历史行驶特征参数和预设标签信息；
利用所述历史行驶特征参数对预设异常车辆识别模型进行训练，得到异常反馈测试信息；
基于所述预设标签信息，对所述异常反馈测试信息进行判断，得到判断结果。
根据所述判断结果对所述预设异常车辆识别模型进行调整，得到异常车辆识别模型。
其中，车辆的历史行驶特征参数可以包括源自训练集的车辆中的、基本的、最能够反映车辆行驶特征的参数。例如，车辆的历史行驶特征参数可以包括训练集中的车辆的历史行驶特征参数。例如，车辆在多个道路上的平均行驶速度、车辆在多个道路上总停留次数、车辆在多个道路上总停留时长以及车辆的道路平均路况速度偏离幅度等等。
其中，该车辆的历史行驶特征参数可以包括车辆过去时间段内的历史行驶特征参数。例如，该车辆的历史行驶特征参数可以包括车辆在2018年3月-4月内的行驶特征参数，等等。
其中，预设标签信息可以包括衡量异常车辆识别模型输出的正确性的依据。例如，预设标签信息可以定义为车辆是否为异常车辆，等等。例如，当车辆的历史行驶特征参数是车辆在2018年3月-4月内的行驶特征参数时，该预设标签信息可以是表示车辆在2018年3月-4月内行驶是否异常的标签信息。
其中，预设标签信息的表现形式可以是字母、数字等等。例如，预设标签信息可以包括“No”和“Yes”，其中，“No”表示车辆不异常，“Yes”表示车辆异常。又例如，预设标签信息可以包括“0”和“1”，其中，“0”表示车辆不异常，“1”表示车辆异常，等等。
其中，预设异常识别车辆识别模型可以是预先设置好的用于识别车辆是否异常的模型。其中，预设异常车辆识别模型也可以包括各种机器学习模型。例如监督学习模型、无监督学习模型等等。例如，异常车辆识别模型可以包括GBDT模型和XGBoost模型，等等。
其中，异常反馈测试信息可以包括异常车辆识别模型的输出。例如，异常反馈测试信息可以包括异常测试概率，其中该异常测试概率表示车辆是异常车辆的概率。又例如，异常反馈测试信息可以包括异常测试值，该值可以包括1或0，当该值是1时，可以表示车辆是异常车辆，当该值是0时，可以表示车辆不是异常车辆。
其中，预设标签信息可以是异常反馈测试信息的参考对象，即通过将异常反馈信息和预设标签信息进行对比，从而判断出预设异常车辆识别模型的输出结果是否正确。例如，当异常反馈测试信息是“1”，而预设标签信息是“0”时，说明预设异常车辆识别模型的输出结果不正确。
在一实施例中，在获取车辆的历史行驶特征参数之前可以先获取训练集中的车辆历史行驶数据，其中，该历史行驶数据包括车辆在多个维度上的历史行驶参数，然后通过特征提取，得到车辆的历史行驶特征参数。其中，通过特征提取，得到车辆的历史行驶特征参数的方法和步骤101-103相同，在此处不再赘述。
然后可以将得到的车辆的历史行驶特征参数存储到服务器中，当训练预设车辆异常识别模型时，便从服务器中获取训练集中车辆的历史行驶特征参数。
在一实例中，车辆的预设标签信息可以人为定义，还可以利用现有技术对车辆进行识别，并将识别到的结果作为训练集中车辆的预设标签信息。然后，可以将得到的预设标签信息存储到服务器中，当训练预设车辆异常识别模型时，便从服务器中获取训练集中车辆的预设标签信息。
在获取了车辆的历史行驶特征参数和预算标签信息后，可以利用历史行驶特征参数对预设车辆异常识别模型进行训练，从而得到异常反馈测试信息
例如，预设车辆异常识别模型是一个神经网络模型时，可以先将历史行驶特征参数输入神经网络模型中，然后神经网络中的每个神经元会将输入值加权累加后输入到激活函数中，然后将激活函数的输出作为神经网络模型的输出值，其中，该输出值可以是异常反馈测试信息。
然后基于预设标签信息，对异常反馈测试信息进行判断，得到判断结果。例如，可以利用误差函数计算异常反馈测试信息和预算标签信息之间的误差，通过误差判断预算异常车辆识别模型是否符合识别异常车辆的条件。又例如，可以判断异常反馈测试信息和预设标签信息是否相同，等等。
最后，可以根据判断结果对预设异常车辆识别模型进行调整，得到异常车辆识别模型。例如，当可以利用误差函数计算异常反馈测试信息和预算标签信息之间的误差，得到异常反馈测试信息和预设标签信息之前的误差还比较大，不符合识别异常车辆的条件，因此可以通过异常车辆识别模型中的函数系数，从而缩小异常反馈测试信息和预算标签信息之间的误差，等等。
此外，除了利用上述方法对车辆进行异常识别之外，还可以先对每个维度的历史行驶特征信息进行融合，得到融合后的历史行驶特征信息，然后基于融合后历史特征信息预测车辆为异常车辆的概率，从而得到车辆的目标异常概率。例如，步骤“基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果”，包括：
对所述每个维度对应的历史行驶特征信息进行特征融合处理，得到融合后历史行驶特征信息；
基于所述融合后历史特征信息预测所述车辆为异常车辆的概率，得到所述车辆的目标异常概率；
根据所述目标异常概率得到并输出所述车辆的异常识别结果。
例如，车辆的历史行驶数据包括时间维度、速度维度和行驶路况维度上的历史行驶参数。其中，时间维度的历史行驶信息包括车辆在多个道路上总停留次数和车辆在多个道路上总停留时长。速度维度的历史行驶信息包括车辆在多个道路上的平均行驶速度和车辆的道路平均路况速度偏离幅度。行驶路况维度的历史行驶信息包括所有车辆的道路平均停留次数和所有车辆的道路平均停留时长。
然后，可以将车辆在多个道路上总停留次数、车辆在多个道路上总停留时长、车辆在多个道路上的平均行驶速度、车辆的道路平均路况速度偏离幅度、所有车辆的道路平均停留次数和所有车辆的道路平均停留时长进行融合处理，得到融合后历史行驶特征。
其中，融合处理可以包括多种方式。例如，将车辆的历史行驶参数按照预设运算规则进行融合等等。例如，将车辆的历史行驶参数按照权重进行融合，又例如，可以将车辆的历史行驶参数按照历史行驶参数之间的关系进行融合，等等。
在得到融合后历史特征信息后，基于所述融合后历史特征信息预测所述车辆为异常车辆的概率，得到所述车辆的目标异常概率。其中，预测车辆为异常车辆的概率的方法和上述，在此处不再赘述。
最后，可以根据目标异常概率得到并输出车辆的异常识别结果。
例如，可以将目标异常概率和预设阈值进行比较，当目标异常概率大于预设阈值时，说明车辆是异常车辆，输出车辆是异常车辆的结果；当目标异常概率小于或等于预设阈值时，说明车辆不是异常车辆，输出车辆不是异常车辆的结果。
又例如，当目标异常车辆是个正值时，说明车辆是异常车辆，输出车辆是异常车辆的结果；当目标异常车辆是个负值时，说明车辆不是异常车辆，输出车辆不是异常车辆的结果，等等。
上述介绍的异常车辆识别方法可以获取车辆的历史行驶数据，其中，历史行驶数据包括车辆在至少一个维度上的历史行驶参数；然后确定每个维度对应的特征挖掘方式，并基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息；最后，基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果，从而提高了异常车辆的识别率。
根据上面实施例所描述的方法，以下将举例作进一步详细说明。
本申请实施例将以异常车辆识别装置集成在计算机设备上为例来介绍本申请实施例方法。
如图2所示，一种异常车辆识别方法，具体流程如下：
201、计算机设备获取车辆的历史行驶数据，所述历史行驶数据包括所述车辆在至少一个维度上的历史行驶参数。
例如，该历史行驶数据可以包括时间维度上的历史行驶参数、速度维度上的历史行驶参数和行驶路况维度上的历史行驶参数等等。其中，每个维度都可以包括至少一个历史行驶参数。
例如，时间维度上的历史行驶参数可以包括车辆在道路行驶过程中的停留次数、停留时长。速度维度上的历史行驶参数可以包括车辆在道路上的平均行驶速度。行驶路况维度上的历史行驶参数可以包括车辆行驶道路的长度、道路平均停留次数、道路平均停留时长和道路平均行驶速度。
其中，计算机设备可以向服务器请求获取车辆的历史行驶数据等等。
202、计算机设备确定每个维度对应的特征挖掘方式。
在一实施例中，由于每个维度中都包括至少一个历史行驶参数，因此每个维度可以对应至少一个特征挖掘方式。其中，类型相同的特征挖掘方式可以构成一个特征挖掘方式集合。
例如，时间维度中的历史行驶参数包括停留时长和停留次数。其中，停留时长和停留次数对应的特征挖掘方式是同一种类型，则可以把停留时长和停留次数对应的特征挖掘方式构成一个特征挖掘方式集合。
因此，可以将各个维度下特征挖掘方式类型相同的历史行驶参数构成一个集合。当确定每个维度对应的特征挖掘方式时，可以先确定每个维度中的历史行驶参数所处的集合，然后再确定历史行驶参数对应的特征挖掘方式。
例如，时间维度的历史行驶参数包括停留时长、停留次数和停留时间点，其中，停留时长和停留次数对应的特征挖掘方式类型相同，因此可以将停留时长和停留次数构成一个历史行驶参数集合A，停留时间点构成另一个历史行驶参数集合B。其中，历史行驶参数集合A对应特征挖掘方式集合A，历史行驶参数集合B对应特征挖掘方式集合B。
当确定时间维度的历史行驶参数停留时长对应的特征挖掘方式时，可以先确定停留时长对应的历史行驶参数集合，即历史行驶参数集合A。其中，由于历史行驶参数集合A对应特征挖掘集合A，因此在确定历史行驶参数集合A的同时可以确定特征挖掘方式集合A，然后在特征挖掘方式集合A中确定停留时长对应特征挖掘方式。
203、计算机设备基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息。
例如，时间维度上的历史行驶参数可以包括车辆在道路行驶过程中的停留次数、停留时长。速度维度上的历史行驶参数可以包括车辆在道路上的平均行驶速度。行驶路况维度上的历史行驶参数可以包括车辆行驶道路的长度、道路平均停留次数、道路平均停留时长和道路平均行驶速度。
在获取时间维度上的历史行驶特征信息可以如下：
例如，车辆car_id在时间维度上的历史行驶参数可以包括在第“y”个时间区间time_y内，在网格grid_z中第x条道路link_x的停留次数Wcar_id，link_x，time_y和停留时长Tcar_id，link_x，time_y。而时间维度的历史行驶信息包括车辆在网格grid_z中的总停留次数Wgrid_z，car_id，rime_y和总停留时长Tgrid_z，car_id，time_y。则，时间维度对应的特征挖掘方式可以指基于累加运算规则从历史行驶参数中得到历史行驶特征信息的方式。因此得到车辆在时间维度上的历史行驶信息,即总停留次数和总停留时长可以如下：
Figure BDA0002932587370000231
Figure BDA0002932587370000232
在获取行驶路况维度上的历史行驶特征信息可以如下：
比如，在网格grid_z和时间区间time_y内的道路link_x上的道路平均停留次数为Wlink_x，time_y，道路平均停留时间为Tlink_x，time_y，道路平均行驶速度为GSlink_x，time_y。而行驶路况维度的历史行驶信息包括在网格gridz内的所有车辆的道路平均停留次数GWgrid_z,time_y和所有车辆的道路平均停留时长GTgrid_z,time_y。则行驶路况维度对应的特征挖掘方式可以基于累加和整除两种基本运算规则结合的运算规则从历史行驶参数中得到历史特征信息的方式。因此，车辆在行驶路况维度上的历史行驶信息，即在网格grid_z内的所有车辆的道路平均停留次数GWgrid_z，time_y和所有车辆的道路平均停留时长GTgrid_z,time_y可以如下：
Figure BDA0002932587370000241
Figure BDA0002932587370000242
在获取速度维度上的历史行驶特征信息可以如下：
例如，车辆car_id在速度维度上的历史行驶参数可以包括在第“y”个时间区间time_y内，在网格grid_z中第x条道路link_x的平均行驶速度为Scar_id，link_x，time_y，车辆在行驶路况维度上的历史行驶参数可以包括车辆在网格grid_z中的行驶道路link_x的长度Llink_x，而车辆在时间维度上的历史行驶特征信息可以包括在网格grid_z中的平均行驶速度Sgrid_z，link_x，time_y和车辆的平均行驶速度偏离道路平均行驶速度的幅度Zgrid_z,link_x，time_y。因此，便可以基于车辆的平均行驶速度和行驶道路的长度得到车辆的平均行驶速度偏离道路平均行驶速度的幅度。例如，可以如下：
Figure BDA0002932587370000243
以及，可以基于车辆的平均行驶速度和行驶道路的长度得到车辆在网格gridz中的平均行驶速度
Figure BDA0002932587370000244
例如，可以如下：
Figure BDA0002932587370000245
204、计算机设备基于每个维度对应的历史行驶特征信息对车辆进行异常识别，得到并输出车辆的异常识别结果。
例如，可以利用异常车辆识别模型预测车辆为异常车辆的概率，从而得到车辆在每个维度上的异常概率。
其中，异常车辆识别模型可以包括各种机器学习模型。例如监督学习模型、无监督学习模型等等。例如，异常车辆识别模型可以包括梯度下降树GBDT模型和XGBoost模型，等等。
最后，可以根据目标异常概率得到并输出车辆的异常识别结果。例如，可以将目标异常概率和预设阈值进行比较，当目标异常概率大于预设阈值时，说明车辆是异常车辆，输出车辆是异常车辆的结果；当目标异常概率小于预设阈值时，说明车辆不是异常车辆，输出车辆不是异常车辆的结果。
本申请实施例中，计算机设备可以获取车辆的历史行驶数据，其中，历史行驶数据包括车辆在至少一个维度上的历史行驶参数；然后计算机设备确定每个维度对应的特征挖掘方式，并基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息；最后，计算机设备基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果，从而提高了异常车辆的识别率。
为了更好地实施本申请实施例提供的异常车辆识别方法，在一实施例中还提供了一种异常车辆识别装置，该异常车辆识别装置可以集成于终端或服务器中。其中名词的含义与上述网页内容处理方法中相同，具体实现细节可以参考方法实施例中的说明。
在一实施例中，提供了一种异常车辆识别装置，该异常车辆识别装置具体可以集成在计算机上设备中，如图3a所示，该支付处理装置包括：获取单元301、确定单元302、特征挖掘单元303、识别单元304，具体如下：
获取单元301，用于获取车辆的历史行驶数据，所述历史行驶数据包括所述车辆在至少一个维度上的历史行驶参数；
确定单元302，用于确定每个维度对应的特征挖掘方式；
特征挖掘单元303，用于基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息；
识别单元304，用于基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果。
在一实施例中，如图3b所示，确定单元302可以包括：
获取子单元3021，用于获取映射关系集合，所述映射关系集合包括预设维度和预设特征挖掘方式之间的映射关系；
确定子单元3022，用于基于所述映射关系集合，确定每个维度对应的特征挖掘方式。
在一实施例中，如图3b所示，特征挖掘单元303可以包括：
确定子单元3031，用于确定目标维度的关联维度；
特征挖掘子单元3032，用于根据所述目标维度对应的特征挖掘方式对所述目标维度和所述关联维度的历史行驶参数进行特征挖掘，得到所述目标维度对应的历史行驶特征信息。
在一实施例中，特征挖掘子单元3032可以用于：
基于所述目标维度和关联维度的历史行驶参数，利用基于预设运算法则的特征挖掘方式对目标维度和关联维度的历史行驶参数进行特征挖掘，得到目标维度对应的历史行驶特征信息。
在一实施例中，如图3b所示，识别单元304可以包括：
预测子单元3041，用于基于每个维度对应的历史行驶特征信息预测所述车辆为异常车辆的概率，得到所述车辆在每个维度上的异常概率；
整合处理子单元3042，用于对所述每个维度上的异常概率进行整合处理，得到所述车辆为异常车辆的目标异常概率；
输出子单元3043，用于根据所述目标异常概率得到并输出所述车辆的异常识别结果。
在本申请实施例中，获取单元301用于获取车辆的历史行驶数据，其中，历史行驶数据包括车辆在至少一个维度上的历史行驶参数；然后确定单元302确定每个维度对应的特征挖掘方式；接下来，特征挖掘单元303基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息；最后，识别单元304基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果，从而提高了异常车辆的识别率。
本申请实施例还提供一种计算机设备，该计算机设备可以包括终端或服务器，比如，计算机设备可以作为异常车辆识别终端，该终端可以为手机、平板电脑等等；又比如计算机设备可以为服务器，如异常车辆识别服务器等。如图4所示，其示出了本申请实施例所涉及的终端的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图4中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下
获取车辆的历史行驶数据，所述历史行驶数据包括所述车辆在至少一个维度上的历史行驶参数；
确定每个维度对应的特征挖掘方式；
基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息；
基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种支付处理方法中的步骤。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种支付处理方法中的步骤，因此，可以实现本申请实施例所提供的任一种支付处理方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
此外，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述一方面的各种可选方式中提供的方法。
例如，该计算机程序可以执行以下的步骤：
获取车辆的历史行驶数据，所述历史行驶数据包括所述车辆在至少一个维度上的历史行驶参数；
确定每个维度对应的特征挖掘方式；
基于每个维度对应的特征挖掘方式，对每个维度的历史行驶参数进行特征挖掘，得到每个维度对应的历史行驶特征信息；
基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果。
以上对本申请实施例所提供的一种异常车辆识别方法、装置和电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (8)

1.一种异常车辆识别方法，其特征在于，包括：
获取车辆的历史行驶数据，所述历史行驶数据包括所述车辆在至少一个维度上的历史行驶参数，其中，每个维度包括至少一个历史行驶参数，所述维度包括时间维度、速度维度和行驶路况维度，所述行驶路况维度的历史行驶参数表征所述车辆在行驶过程中的行驶路况；
确定每个维度中历史行驶参数对应的特征挖掘方式，其中，一个历史行驶参数对应一个特征挖掘方式；
确定目标维度的关联维度，所述目标维度包括所述时间维度、速度维度和行驶路况维度中的任意一个维度，所述关联维度包括和所述目标维度有相互联系的维度；
基于所述目标维度和关联维度的历史行驶参数，利用基于预设运算法则的特征挖掘方式对目标维度和关联维度的历史行驶参数进行特征挖掘，得到目标维度对应的历史行驶特征信息；
基于每个维度中历史行驶参数对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果。
2.如权利要求1所述的异常车辆识别方法，其特征在于，基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果，包括：
基于每个维度对应的历史行驶特征信息预测所述车辆为异常车辆的概率，得到所述车辆在每个维度上的异常概率；
对所述每个维度上的异常概率进行整合处理，得到所述车辆为异常车辆的目标异常概率；
根据所述目标异常概率得到并输出所述车辆的异常识别结果。
3.如权利要求2所述的异常车辆识别方法，其特征在于，所述基于每个维度对应的历史行驶特征信息预测所述车辆为异常车辆的概率，得到所述车辆在每个维度上的异常概率，包括：
采用异常车辆识别模型，基于所述每个维度对应的历史行驶特征信息，对所述车辆进行预测，得到所述车辆在每个维度上的异常概率；
所述对所述每个维度上的异常概率进行整合处理，得到所述车辆为异常车辆的目标异常概率，包括：
采用异常车辆识别模型，对所述每个维度上的异常概率进行整合处理，得到所述车辆为异常车辆的目标异常概率。
4.如权利要求3所述的异常车辆识别方法，其特征在于，所述方法还包括预设异常车辆识别模型，所述预设异常车辆识别模型由如下方法训练得到：
获取车辆的历史行驶特征参数和预设标签信息；
利用所述历史行驶特征参数对预设异常车辆识别模型进行训练，得到异常反馈测试信息；
基于所述预设标签信息，对所述异常反馈测试信息进行判断，得到判断结果；
根据所述判断结果对所述预设异常车辆识别模型进行调整，得到异常车辆识别模型。
5.如权利要求1所述的异常车辆识别方法，其特征在于，所述基于每个维度对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果，包括：
对所述每个维度对应的历史行驶特征信息进行特征融合处理，得到融合后历史行驶特征信息；
基于所述融合后历史行驶特征信息预测所述车辆为异常车辆的概率，得到所述车辆的目标异常概率；
根据所述目标异常概率得到并输出所述车辆的异常识别结果。
6.如权利要求1所述的异常车辆识别方法，其特征在于，所述确定每个维度对应的特征挖掘方式，包括：
获取映射关系集合，所述映射关系集合包括预设维度和预设特征挖掘方式之间的映射关系；
基于所述映射关系集合，确定每个维度对应的特征挖掘方式。
7.一种异常车辆识别装置，其特征在于，包括：
获取单元，用于获取车辆的历史行驶数据，所述历史行驶数据包括所述车辆在至少一个维度上的历史行驶参数，其中，每个维度包括至少一个历史行驶参数，所述维度包括时间维度、速度维度和行驶路况维度，所述行驶路况维度的历史行驶参数表征所述车辆在行驶过程中的行驶路况；
确定单元，用于确定每个维度中历史行驶参数对应的特征挖掘方式，其中，一个历史行驶参数对应一个特征挖掘方式；
维度确定单元，用于确定目标维度的关联维度，所述目标维度包括所述时间维度、速度维度和行驶路况维度中的任意一个维度，所述关联维度包括和所述目标维度有相互联系的维度；
特征挖掘单元，用于基于所述目标维度和关联维度的历史行驶参数，利用基于预设运算法则的特征挖掘方式对目标维度和关联维度的历史行驶参数进行特征挖掘，得到目标维度对应的历史行驶特征信息；
识别单元，用于基于每个维度中历史行驶参数对应的历史行驶特征信息对所述车辆进行异常识别，得到并输出所述车辆的异常识别结果。
8.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行权利要求1至6任一项所述的异常车辆识别方法中的操作。
CN202110153012.8A 2021-02-03 2021-02-03 一种异常车辆识别方法、装置和电子设备 Active CN112820111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110153012.8A CN112820111B (zh) 2021-02-03 2021-02-03 一种异常车辆识别方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110153012.8A CN112820111B (zh) 2021-02-03 2021-02-03 一种异常车辆识别方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112820111A CN112820111A (zh) 2021-05-18
CN112820111B true CN112820111B (zh) 2022-11-01

Family

ID=75861265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110153012.8A Active CN112820111B (zh) 2021-02-03 2021-02-03 一种异常车辆识别方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112820111B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359609B (zh) * 2021-12-30 2024-07-02 西北工业大学 车辆负载信息挖掘方法、装置及电子设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5929936B2 (ja) * 2014-01-21 2016-06-08 トヨタ自動車株式会社 特異走行箇所検出装置及び特異走行箇所検出方法
CN109840660B (zh) * 2017-11-29 2021-07-30 北京四维图新科技股份有限公司 一种车辆特征数据处理方法及车辆风险预测模型训练方法
CN108242149B (zh) * 2018-03-16 2020-06-30 成都智达万应科技有限公司 一种基于交通数据的大数据分析方法
CN109767597B (zh) * 2019-01-19 2021-05-11 跨越速运集团有限公司 一种车辆事故预警方法及系统
CN110647539B (zh) * 2019-09-26 2022-06-24 汉纳森（厦门）数据股份有限公司 一种用于车辆故障的预测方法和系统
CN111259737B (zh) * 2020-01-08 2023-07-25 科大讯飞股份有限公司 车辆方向盘故障的预测方法、装置、电子设备及存储介质
CN111830937B (zh) * 2020-07-23 2021-07-02 上海钧正网络科技有限公司 车辆故障识别模型的构建、识别方法及装置、管理系统
CN111858973B (zh) * 2020-07-30 2024-06-11 北京达佳互联信息技术有限公司 多媒体事件信息的检测方法、装置、服务器及存储介质

Also Published As

Publication number Publication date
CN112820111A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
Bhavsar et al. Machine learning in transportation data analytics
Han et al. Statistical‐based approach for driving style recognition using Bayesian probability with kernel density estimation
EP3035314B1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
JP2023027777A (ja) 障害物移動軌跡の予測方法、装置及び自動運転車両
US11745727B2 (en) Methods and systems for mapping a parking area for autonomous parking
CN111582559B (zh) 一种到达时间的预估方法及装置
Zhou et al. Learning the Car‐following Behavior of Drivers Using Maximum Entropy Deep Inverse Reinforcement Learning
CN114639233B (zh) 一种拥堵状态预测方法、装置、电子设备及存储介质
Haq et al. Many-objective reinforcement learning for online testing of dnn-enabled systems
CN114021840A (zh) 换道策略生成方法和装置、计算机存储介质、电子设备
Xiao et al. Parking prediction in smart cities: A survey
Taherifard et al. Attention-based event characterization for scarce vehicular sensing data
CN112820111B (zh) 一种异常车辆识别方法、装置和电子设备
Linda et al. Online spatio-temporal risk assessment for intelligent transportation systems
CN116662815B (zh) 时间预测模型的训练方法以及相关设备
Wang et al. Machine learning for transportation research and applications
Wang et al. Driver’s Lane Selection Model Based on Phase‐Field Coupling and Multiplayer Dynamic Game with Incomplete Information
CN113276860B (zh) 车辆控制方法、装置、电子设备以及存储介质
Lu et al. A bi-level distribution mixture framework for unsupervised driving performance evaluation from naturalistic truck driving data
CN115686566A (zh) 一种自动驾驶算法更新方法、装置及存储介质
Luo et al. Dynamic simplex: Balancing safety and performance in autonomous cyber physical systems
CN117132958B (zh) 道路要素识别方法及相关装置
Wang et al. Driver modeling based on vehicular sensing data
CN113283184B (zh) 一种出行推荐方法、装置、计算机设备和存储介质
CN116718181B (zh) 地图生成方法、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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40044400

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant