CN115345261A - 车辆轨迹真实性校验方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种车辆轨迹真实性校验方法、装置及电子设备，包括：获取待验证车辆的轨迹点序列、车辆运输特征信息和运单主体对象信息；基于轨迹点序列确定的一致性指数进行一致性验证；如果一致性验证通过，则基于轨迹点序列确定轨迹特征信息；将轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数构建的特征向量输入到预先训练好的真实性校验模型中，得到车辆轨迹真实性概率；其中，真实性校验模型是基于深度学习模型训练得到的；根据车辆轨迹真实性概率确定待验证车辆的轨迹真实性。本发明显著提升了车辆轨迹真实性的校验效率。

Description

车辆轨迹真实性校验方法、装置及电子设备

技术领域

本发明涉及网络货运监管技术领域，尤其是涉及一种车辆轨迹真实性校验方法、装置及电子设备。

背景技术

随着物流行业的发展，网络货运平台也日益普及。但是，受到各种利益的驱动，司机或者货主可能会通过制造假的货运订单来牟取利益。因此，需要对车辆轨迹的真实性进行判断，实现对货运订单的监管。目前，通常是通过GPS定位等手段对车辆的行驶轨迹进行监控，然后将车辆的实际行驶轨迹与计划的行驶轨迹进行比较来校验车辆轨迹的真实性，但是，这种方式所消耗的时间长，且误差大，从而导致校验效率比较低。

发明内容

有鉴于此，本发明的目的在于提供一种车辆轨迹真实性校验方法、装置及电子设备，以显著提升了车辆轨迹真实性的校验效率。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种车辆轨迹真实性校验方法，包括：获取待验证车辆的轨迹点序列、车辆运输特征信息和运单主体对象信息；基于轨迹点序列确定的一致性指数进行一致性验证；如果一致性验证通过，则基于轨迹点序列确定轨迹特征信息；将轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数构建的特征向量输入到预先训练好的真实性校验模型中，得到车辆轨迹真实性概率；其中，真实性校验模型是基于深度学习模型训练得到的；根据车辆轨迹真实性概率确定待验证车辆的轨迹真实性。

在一种实施方式中，基于轨迹点序列确定的一致性指数进行一致性验证，包括：基于轨迹点序列确定一致性指数；其中，一致性指数包括：时间一致性指数、空间一致性指数和序列一致性指数；如果时间一致性指数大于第一指数阈值，和/或空间一致性指数大于第一指数阈值，和/或序列一致性指数大于第二指数阈值，则确定一致性验证不通过。

在一种实施方式中，基于轨迹点序列确定一致性指数，包括：对于轨迹点序列中的每个轨迹点，计算轨迹点的前向时间间隔，如果前向时间间隔大于第一时间阈值或前向时间间隔小于第二时间阈值，则将轨迹点确定为时间跳点，并将轨迹点序列中时间跳点的数量确定为时间一致性指数；对于轨迹点序列中的每个轨迹点，计算轨迹点与前一轨迹点之间的第一距离、轨迹点与下一轨迹点之间的第二距离以及前一轨迹点和下一轨迹点之间的第三距离；如果第一距离和第二距离大于距离阈值，且第三距离小于距离阈值，则将轨迹点确定为空间跳点，并将轨迹点序列中空间跳点的数量确定为空间一致性指数；将时间一致性指数和空间一致性指数的和确定为序列一致性指数。

在一种实施方式中，基于轨迹点序列确定轨迹特征信息，包括：获取轨迹点序列中每个轨迹点的前向时间间隔，并基于前向时间间隔去除不符合预设条件的轨迹点；其中，预设条件为前向时间间隔大于第一时间阈值或前向时间间隔小于第二时间阈值；对于符合预设条件的轨迹点序列，将轨迹点序列中的轨迹点按照轨迹点的速度进行排序，并基于排序后的轨迹点序列计算95%分位速度和平均速度；对于符合预设条件的轨迹点序列，计算每个轨迹点的加速度或减速度，并基于加速度计算最大加速度和平均加速度，以及基于减速度计算最大减速度和平均减速度；基于加速度确定每百公里加速度大于第一值的次数、每百公里加速度大于第二值的次数、每百公里加速度大于第三值的次数以及每百公里加速度大于第四值的次数；基于减速度确定每百公里减速度大于第一值的次数、每百公里减速度大于第二值的次数、每百公里减速度大于第三值的次数以及每百公里减速度大于第四值的次数；对于符合预设条件的轨迹点序列，基于轨迹点的方向角计算最大过弯角速度和平均过弯角速度。

在一种实施方式中，基于轨迹点的方向角计算最大过弯角速度和平均过弯角速度，包括：对于符合预设条件的轨迹点序列，基于方向角计算轨迹点的转向判断变量；如果转向判断变量小于或等于第一角度阈值，则基于轨迹点序列计算下一轨迹点的转向判断变量；如果转向判断变量大于第一角度阈值，则将轨迹点确定为开始过弯轨迹点，并确定转向判定角，以及基于转向判定角确定过弯过程轨迹点；基于过弯过程轨迹点的方向角计算最大过弯角速度和平均过弯角速度。

在一种实施方式中，基于转向判定角确定过弯过程轨迹点，包括：计算下一轨迹点的转向判断变量，并基于下一轨迹点的转向判断变量更新转向判定角；如果转向判定角持续同向变化，且转向判定角大于第二角度阈值，则确定待验证车辆出现过弯行为，并继续基于下一轨迹点的转向判断向量更新转向判定角，直至当前轨迹点的转向判断变量小于第一角度阈值或者转向判定角发生非同向变化；将开始过弯轨迹点以及开始过弯轨迹点和当前轨迹点之间的轨迹点确定为过弯过程轨迹点。

在一种实施方式中，根据车辆轨迹真实性概率确定待验证车辆的轨迹真实性，包括：如果车辆轨迹真实性概率大于或等于概率阈值，则确定待验证车辆的轨迹是真实的；如果车辆轨迹真实性概率小于概率阈值，则确定待验证车辆的轨迹是不真实的。

在一种实施方式中，真实性校验模型的训练过程包括：获取样本轨迹数据，构建轨迹特征向量；其中，样本轨迹数据包括：轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数；基于多层神经网络对轨迹特征向量进行训练，得到训练好的真实性校验模型。

第二方面，本发明实施例提供了一种车辆轨迹真实性校验装置，包括：数据获取模块，用于获取待验证车辆的轨迹点序列、车辆运输特征信息和运单主体对象信息；一致性验证模块，用于基于轨迹点序列确定的一致性指数进行一致性验证；轨迹特征确定模块，用于如果一致性验证通过，则基于轨迹点序列确定轨迹特征信息；概率确定模块，用于将轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数构建的特征向量输入到预先训练好的真实性校验模型中，得到车辆轨迹真实性概率；其中，真实性校验模型是基于深度学习模型训练得到的；真实性验证模块，用于根据车辆轨迹真实性概率确定待验证车辆的轨迹真实性。

第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现第一方面提供的任一项的方法的步骤。

本发明实施例带来了以下有益效果：

本发明实施例提供的上述车辆轨迹真实性校验方法、装置及电子设备，首先，获取待验证车辆的轨迹点序列、车辆运输特征信息和运单主体对象信息；然后，基于轨迹点序列确定的一致性指数进行一致性验证；如果一致性验证通过，则基于轨迹点序列确定轨迹特征信息；接着，将轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数构建的特征向量输入到预先训练好的真实性校验模型（基于深度学习模型训练得到）中，得到车辆轨迹真实性概率；最后，根据车辆轨迹真实性概率确定待验证车辆的轨迹真实性。上述方法基于车辆的轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数构建特征向量，采用预先训练的真实性校验模型对车辆轨迹的特征向量进行相似度分析，从而进行车辆轨迹真实性的校验，减少了车辆轨迹真实性校验的耗时，降低了校验误差，显著提升了仅依赖轨迹数据的车辆轨迹真实性校验效率。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。

图1为本发明实施例提供的一种车辆轨迹真实性校验方法的流程图；

图2为本发明实施例提供的一种空间跳点的识别示意图；

图3为本发明实施例提供的一种过弯过程轨迹点的识别示意图；

图4为本发明实施例提供的一种估算方向角和速度的示意图；

图5为本发明实施例提供的一种模型训练的示意图；

图6为本发明实施例提供的另一种车辆轨迹真实性校验方法的流程图；

图7为本发明实施例提供的一种车辆轨迹真实性校验装置的结构示意图；

图8为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，通常是通过GPS定位等手段对车辆的行驶轨迹进行监控，然后将车辆的实际行驶轨迹与计划的行驶轨迹进行比较来校验车辆轨迹的真实性，但是，这种方式所消耗的时间长，且误差大，从而导致校验效率比较低。

基于此，本发明实施例提供的一种车辆轨迹真实性校验方法、装置及电子设备，显著提升了车辆轨迹真实性的校验效率。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种车辆轨迹真实性校验方法进行详细介绍，该方法可以由电子设备执行，诸如智能手机、电脑、平板电脑等，参见图1所示的一种车辆轨迹真实性校验方法的流程图，示意出该方法主要包括以下步骤S101至步骤S105：

步骤S101：获取待验证车辆的轨迹点序列、车辆运输特征信息和运单主体对象信息。

在一种实施方式中，参见表1所示，待验证车辆的轨迹点序列包括待验证车辆途径各轨迹点的属性，诸如：各轨迹点的经度、纬度、时间、方向（方向角）、速度、用户ID及状态（车辆的状态，如：熄火、行驶中等）；参见表2所示，车辆运输特征信息包括：货物类型、发货日期、运输时长、运费金额、运输里程、货物重量、货物体积等，运单主体对象信息包括：驾驶员性别、驾驶员年龄、车辆类型等。

表1 各轨迹点属性

表2 车辆运输特征信息和运单主体对象信息

步骤S102：基于轨迹点序列确定的一致性指数进行一致性验证。

在具体实施时，一致性指数包括：时间一致性指数、空间一致性指数和序列一致性指数；本实施例中可以根据轨迹点序列中各轨迹点的经度、维度、时间等属性信息计算各轨迹点的一致性指数，然后根据一致性指数进行一致性验证，也即对轨迹点序列的基本合理性进行验证，具体可以通过将各一致性指数与预设的阈值进行比较的方式来判断轨迹点序列是否通过一致性验证。

步骤S103：如果一致性验证通过，则基于轨迹点序列确定轨迹特征信息。

在具体实施时，如果一致性验证通过，则可以根据各轨迹点的属性信息计算车辆轨迹的轨迹特征信息，参见表3所示，车辆轨迹的轨迹特征信息包括：95%分位速度、平均速度、最大过弯角速度、平均过弯角速度、最大加速度、平均加速度、最大减速度、平均减速度、每百公里加速度大于1.5的次数、每百公里减速度大于1.5的次数、每百公里加速度大于2的次数、每百公里减速度大于2的次数、每百公里加速度大于2.5的次数、每百公里减速度大于2.5的次数、每百公里加速度大于3的次数以及每百公里减速度大于3的次数。

表3 车辆轨迹的轨迹特征信息

步骤S104：将轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数构建的特征向量输入到预先训练好的真实性校验模型中，得到车辆轨迹真实性概率。

其中，真实性校验模型是基于深度学习模型训练得到的。在具体实施时，可以根据表2所示的车辆运输特征信息和运单主体对象信息，表3所示的轨迹特征信息，以及计算得到的三个一致性指数构建29维的特征向量，将构建的特征向量输入到预先训练好的真实性校验模型中进行相似度分析，得到车辆轨迹真实性概率。

步骤S105：根据车辆轨迹真实性概率确定待验证车辆的轨迹真实性。

在具体实施时，可以通过将车辆轨迹真实性概率与概率阈值进行对比的方式判断待验证车辆的轨迹真实性，也可以通过将车辆轨迹真实性概率乘以权重系数之后再与概率阈值进行对比的方式判断待验证车辆的轨迹真实性，其中，概率阈值和权重系数可以根据实际情况或者车辆属性信息进行设定，在此不做限定。

本发明实施例提供的上述车辆轨迹真实性校验方法，基于车辆的轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数构建特征向量，采用预先训练的真实性校验模型对车辆轨迹的特征向量进行相似度分析，从而进行车辆轨迹真实性的校验，减少了车辆轨迹真实性校验的耗时，降低了校验误差，显著提升了仅依赖轨迹数据的车辆轨迹真实性校验效率。

在具体实施时，可以基于轨迹点序列的各轨迹点的属性确定的一致性指数，并基于一致性指数进行一致性验证。具体的，可以采用包括但不限于以下方式：

首先，基于轨迹点序列确定一致性指数；其中，一致性指数包括：时间一致性指数、空间一致性指数和序列一致性指数。

在一种实施方式中，时间一致性指数是指轨迹点序列中时间跳点的数量，时间跳点即为轨迹点与下一轨迹点之间的时间间隔过大（诸如：超过30秒）或过小（诸如：小于3秒）的轨迹点；空间一致性指数是指估计点序列中空间跳点的数量，空间跳点即为轨迹点与前一轨迹点和下一轨迹点之间的距离均大于1000米，且前一轨迹点和下一轨迹点之间的距离小于1000米的轨迹点；序列一致性指数即为时间一致性指数和空间一致性指数的和。

基于此，在具体实施时，可以基于轨迹点序列各轨迹点的经度、维度、时间等属性信息计算确定一致性指数。具体的，可以采用包括但不限于以下方式：

（1）对于轨迹点序列中的每个轨迹点，计算轨迹点的前向时间间隔，如果前向时间间隔大于第一时间阈值或前向时间间隔小于第二时间阈值，则将轨迹点确定为时间跳点，并将轨迹点序列中时间跳点的数量确定为时间一致性指数。

实际应用中，前向时间间隔即为当前轨迹点与下一轨迹点之间的时间间隔，例如：轨迹点p(i)的前向时间间隔即为轨迹点p(i)与轨迹点p(i+1)之间的时间间隔，通过轨迹点p(i+1)的时间减去轨迹点p(i)的时间计算得到。第一时间阈值可以是30秒，第二时间阈值可以是3秒，当轨迹点p(i)与轨迹点p(i+1)之间的时间间隔大于30秒或者小于3秒时，则确定轨迹点p(i)为时间跳点。本发明实施例中，通过遍历轨迹点序列，计算每个轨迹点的前向时间间隔，从而得到时间跳点的数量，即时间一致性指数。

（2）对于轨迹点序列中的每个轨迹点，计算轨迹点与前一轨迹点之间的第一距离、轨迹点与下一轨迹点之间的第二距离以及前一轨迹点和下一轨迹点之间的第三距离；如果第一距离和第二距离大于距离阈值，且第三距离小于距离阈值，则将轨迹点确定为空间跳点，并将轨迹点序列中空间跳点的数量确定为空间一致性指数。

实际应用中，距离阈值可以是1000米。参见图2所示的一种空间跳点的识别示意图，按照轨迹点序列中各轨迹点的时间顺序遍历起始轨迹点至到达轨迹点沿途所有的轨迹点p(i)，计算轨迹点p(i)到轨迹点p(i-1)的第一距离，即D(i-1)，轨迹点p(i)到轨迹点p(i+1)的第二距离，即D(i)，以及轨迹点p(i-1)到轨迹点p(i+1)的第三距离，即D(i-1,i+1)；如果D(i-1)和D(i)均大于距离阈值1000米，且D(i-1,i+1)小于距离阈值1000米，则确定轨迹点p(i)为空间跳点，也即轨迹点p(i)可以被视为利群异常点剔除。本发明实施例中，通过遍历轨迹点序列，计算每个轨迹点与前一轨迹点和下一轨迹点之间的距离以及前一轨迹点和下一轨迹点之间的距离，从而得到空间跳点的数量，即空间一致性指数。

（3）将时间一致性指数和空间一致性指数的和确定为序列一致性指数。

在具体实施时，可以将时间一致性指数和空间一致性指数的和确定为序列一致性指数。

然后，如果时间一致性指数大于第一指数阈值，和/或空间一致性指数大于第一指数阈值，和/或序列一致性指数大于第二指数阈值，则确定一致性验证不通过。

在具体实施时，第一指数阈值可以是10，第二指数阈值可以是15，将时间一致性指数和空间一致性指数与第一指数阈值进行比较，将序列一致性指数与第二指数阈值进行比较，如果时间一致性指数大于10，则一致性验证不通过；如果空间一致性指数大于10，则一致性验证不通过；如果序列一致性指数大于15，则一致性验证不通过。

在一种实施方式中，在一致性验证通过后，可以基于轨迹点序列确定轨迹特征信息。具体的，可以采用包括但不限于以下步骤1至步骤6实现：

步骤1，获取轨迹点序列中每个轨迹点的前向时间间隔，并基于前向时间间隔去除不符合预设条件的轨迹点；其中，预设条件为前向时间间隔大于第一时间阈值或前向时间间隔小于第二时间阈值。

在具体实施时，第一时间阈值可以是30秒，第二时间阈值可以是3秒，通过遍历轨迹点序列中每个轨迹点，计算每个轨迹点的前向时间间隔，如果轨迹点的前向时间间隔大于30秒或者小于3秒，则确定该点不符合预设条件，去掉该轨迹点，也即去掉轨迹点序列中的时间跳点。

步骤2，对于符合预设条件的轨迹点序列，将轨迹点序列中的轨迹点按照轨迹点的速度进行排序，并基于排序后的轨迹点序列计算95%分位速度和平均速度。

在一种实施方式中，95%分位速度即为所有轨迹点中速度的95%分位的最大速度，也即将所有轨迹点按照速度从小到大的顺序排序后，轨迹点总数的第95%个轨迹点的速度。例如，共有100个轨迹点，将100个轨迹点按照速度从小到大进行排序，第95个轨迹点的速度即为95%分位速度。在具体实施时，对于符合预设条件的轨迹点序列，可以将所有的轨迹点按照速度从小到大的顺序进行排序，将轨迹点总数的第95%个轨迹点的速度确定为95%分位速度，并根据轨迹点序列对应的总运输里程和总出行时间计算平均速度，即平均速度=总运输里程/总出行时间。

步骤3，对于符合预设条件的轨迹点序列，计算每个轨迹点的加速度或减速度，并基于加速度计算最大加速度和平均加速度，以及基于减速度计算最大减速度和平均减速度。

在具体实施时，对于符合预设条件的轨迹点序列，可以根据每个轨迹点的速度计算加速度或减速度，即：a=（V(i+1)-V(i)）/△T，其中，a>0，则为加速度，a<0，则为减速度，V(i)与V(i+1)分别为轨迹点P(i)和轨迹点P(i+1)记录的速度，△T为轨迹点P(i)和轨迹点P(i+1)之间的时间间隔。进一步，根据全部的加速度确定最大加速度，并计算平均加速度；根据全部的减速度确定最大减速度，并计算平均减速度。

步骤4，基于加速度确定每百公里加速度大于第一值的次数、每百公里加速度大于第二值的次数、每百公里加速度大于第三值的次数以及每百公里加速度大于第四值的次数。

在具体实施时，第一值可以是1.5，第二值可以是2，第三值可以是2.5，第四值可以是3。具体的，可以根据所有轨迹点的加速度，统计每百公里加速度大于1.5的次数、每百公里加速度大于2的次数、每百公里加速度大于2.5的次数以及每百公里加速度大于3的次数。

步骤5，基于减速度确定每百公里减速度大于第一值的次数、每百公里减速度大于第二值的次数、每百公里减速度大于第三值的次数以及每百公里减速度大于第四值的次数。

在具体实施时，可以根据所有轨迹点的减速度，统计每百公里减速度大于1.5的次数、每百公里减速度大于2的次数、每百公里减速度大于2.5的次数以及每百公里减速度大于3的次数。

步骤6，对于符合预设条件的轨迹点序列，基于轨迹点的方向角计算最大过弯角速度和平均过弯角速度。

在具体实施时，可以先根据各轨迹点方向角的变化确定过弯过程轨迹点，然后根据过弯过程轨迹点的方向角和时间来计算最大过弯角速度和平均过弯角速度。具体的，可以采用包括但不限于以下方式计算最大过弯角速度和平均过弯角速度：

首先，对于符合预设条件的轨迹点序列，基于方向角计算轨迹点的转向判断变量；如果转向判断变量小于或等于第一角度阈值，则基于轨迹点序列计算下一轨迹点的转向判断变量；如果转向判断变量大于第一角度阈值，则将轨迹点确定为开始过弯轨迹点，并确定转向判定角，以及基于转向判定角确定过弯过程轨迹点。

在一种实施方式中，对于符合预设条件的轨迹点序列，可以遍历轨迹点序列中各轨迹点，获取各轨迹点的方向角，并计算轨迹点的转向判断向量，即：TA(i)=A(i)-A(i-1)，其中，TA(i)为轨迹点P(i)的转向判断向量，A(i-1)、A(i)分别为轨迹点P(i-1)、轨迹点P(i)的方向角。

在具体实施时，第一角度阈值可以是5°。当TA(i)<=5°时，则前向更新转向判断向量，即计算下一轨迹点的转向判断向量TA(i+1)=A(i+1)-A(i)，其中，TA(i+1)为轨迹点P(i+1)的转向判断向量，A(i+1)为轨迹点P(i+1)的方向角；当TA(i)>5°时，则表明车辆开始过弯，并初始化转向判定角β=TA(i)，并根据转向判定角确定过弯过程轨迹点。

在一种实施方式中，在得到转向判定角后，可以基于转向判定角确定过弯过程轨迹点，具体的可以采用包括但不限于以下方式：计算下一轨迹点的转向判断变量，并基于下一轨迹点的转向判断变量更新转向判定角；如果转向判定角持续同向变化，且转向判定角大于第二角度阈值，则确定待验证车辆出现过弯行为，并继续基于下一轨迹点的转向判断向量更新转向判定角，直至当前轨迹点的转向判断变量小于第一角度阈值或者转向判定角发生非同向变化；将开始过弯轨迹点以及开始过弯轨迹点和当前轨迹点之间的轨迹点确定为过弯过程轨迹点。

在具体实施时，在得到初始的转向判定角β=TA(i)后，可以前向更新β，即计算下一轨迹点P(i+1)的转向判断向量TA(i+1)，将转向判定角更新为β=β+TA(i+1)。如果β持续同向变化，也即持续增加或者持续减少，则继续更新β，否则停止过弯判定，返回上一步，重新计算下一轨迹点的转向判断向量。

当β大于第二角度阈值（诸如45度），即轨迹点的方向角变化累计超过45度时，则确定待验证车辆出现过弯行为，继续更新β，直至当前轨迹点的转向判断变量小于5度或者转向判定角发生非同向变化，将过弯过程中间段范围内轨迹点确定为过弯轨迹点，即将开始过弯轨迹点以及开始过弯轨迹点和当前轨迹点之间的轨迹点确定为过弯过程轨迹点。

然后，基于过弯过程轨迹点的方向角计算最大过弯角速度和平均过弯角速度。

参见图3所示，轨迹点P(i)的转向判断向量TA(i)>5°，则轨迹点P(i)即为开始过弯轨迹点；轨迹点P(i)至轨迹点P(i+2)的转向判定角β>45°，则表明轨迹点P(i)至轨迹点P(i+2)发生过弯行为；而轨迹点P(i+2)的转向判断向量TA(i+2)<=5°，则在轨迹点P(i+2)过弯结束，可以将中间段轨迹点确定为过弯过程轨迹点，即起始累计角度变化（转向判断向量）TA(i)>5°的判定开始过弯轨迹点P(i)到过弯结束转向判断向量TA(i+2)<=5°的判定结束过弯轨迹点P(i+1)，进而，可以根据轨迹点P(i)和轨迹点P(i+1)计算最大过弯角速度和平均过弯角速度。

此外，如果获取到的轨迹点序列的轨迹属性中不包括各轨迹点的方向角和速度信息，则可以对各轨迹点的方向角和速度进行估算。参见图4所示，轨迹点P(i)的估算方向角可以是轨迹点P(i)到轨迹点P(i+1)方向与正北方向顺时针夹角，轨迹点P(i)的估算速度可以是D(i)/△T，即轨迹点P(i)与轨迹点P(i+1)之间的距离D(i)与时间间隔△T的商。

在一种实施方式中，在基于真实性校验模型得到车辆轨迹真实性概率后，可以根据车辆轨迹真实性概率确定待验证车辆的轨迹真实性。具体的，可以采用包括但不限于以下方式：

如果车辆轨迹真实性概率大于或等于概率阈值，则确定待验证车辆的轨迹是真实的；如果车辆轨迹真实性概率小于概率阈值，则确定待验证车辆的轨迹是不真实的。在具体实施时，概率阈值可以根据实际进行设定，在此不做限定。

实际应用中，上述车辆轨迹真实性校验过程中使用的真实性校验模型可以通过以下步骤a至步骤b进行训练获得：

步骤a，获取样本轨迹数据，构建轨迹特征向量；其中，样本轨迹数据包括：轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数。

在具体实施时，可以以经过对比验证为真实的轨迹数据或实际车载实验轨迹数据为正例，以真实案例间轨迹特征与其他特征随机混合生成反例，获取样本轨迹数据，构建轨迹特征向量，即29维特征向量，包括：7个车辆运输特征信息变量、3个运单主体对象信息变量、16个轨迹特征信息变量和3个基于规则判断的一致性指数变量。

步骤b，基于多层神经网络对轨迹特征向量进行训练，得到训练好的真实性校验模型。

参见图5所示，将获取到的29维特征向量先后经过多层全连接神经网络层Dense以及随机丢弃层dropout（指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃）得到深层网络29维特征向量（即Dense-29计算得到的29维向量），并将该向量输入到带二元激活函数Sigmoid-29函数的全连接神经网络层计算每位元素不同的系数，得到29维概率值，即Dense(Sigmoid-29)计算得到的29维向量；然后，将Dense-29计算得到的29维向量和Dense(Sigmoid-29)计算得到的29维向量进行点乘之后得到带有差异化系数的特征向量，并使用层归一化技术对特征向量进行归一化处理，即通过计算29个特征变量相同维度元素的均值和方差进行归一处理，得到均值为0方差为1的分布，同时，学习向量元素之间的“差异”和“相关”信息；接着，多层神经网络可以应用于29个独立特征向量，学习29个独立特征内部的差异和相关信息；之后，29个特征变量经过多层神经网络，可以获得29维向量表示的抽象信息；最后，以sigmoid函数为激活函数的全连接神经网络层输出二元概率，作为车辆轨迹真实性判定的概率。

为了便于理解，本发明实施例还提供了一种具体的车辆轨迹真实性校验方法，参见图6所示，示意出该方法主要包括以下过程：

0，基于车辆属性的轨迹特征深度学习模型构建。

在具体实施时，可以以经过对比验证为真实的轨迹数据或实际车载实验轨迹数据为正例，以真实案例间轨迹特征与其他特征随机混合生成反例，获取样本轨迹数据，构建轨迹特征向量，并基于轨迹特征向量构建用于校验车辆轨迹真实性的深度学习模型。

1，待验证轨迹数据及相关信息输入。

2，基本轨迹特征构建及验证。

在具体实施时，待验证轨迹数据及相关信息包括：轨迹点序列的轨迹点属性信息、车辆运输特征信息和运单主体对象信息，并根据轨迹点属性信息计算基本轨迹特征，即时间一致性指数、空间一致性指数和序列一致性指数；然后根据基本轨迹特征进行合理性验证（也即一致性验证），判断基本合理性条件集合是否满足预设条件，如果满足，则验证通过，执行4；如果基本合理性验证不满足，执行3。

3，验证不通过。

在具体实施时，时间一致性指数大于10，验证不通过；空间一致性指数大于10，验证不通过；序列一致性指数大于15，验证不通过。

4、车辆轨迹驾驶特征向量构建。

在具体实施时，可以根据轨迹点属性信息构建车辆轨迹驾驶特征向量（即轨迹特征信息），包括：加速度特征向量构建、路径特征向量构建及速度特征向量构建，并将构建的向量输入到深度学习模型中进行验证；如果深度学习模型无结果输出时，执行5；如果深度学习模型输出相似度概率（即车辆轨迹真实性概率），则判断模型验证结果是否为真，如果相似度概率小于阈值α，则判断为非真实轨迹，执行6，如果相似度概率大于阈值α，则判断为真实轨迹，执行7。

5，上报系统人工检查。

6、验证不通过。

7、验证通过。

本发明实施例所提供的方法，其实现原理及产生的技术效果和前述方法实施例相同，在此不再赘述。

本发明实施例提供的上述方法，首先，基于历史车辆属性与轨迹特征构建校验车辆轨迹真实性的深度学习模型（即真实性校验模型），然后，基本轨迹合理性进行一致性验证，最后基于车辆轨迹驾驶特征向量和深度学习模型通过相似度分析进行真实性校验，从而显著提升仅依赖轨迹数据的车辆轨迹真实性校验效率。

对于前述车辆轨迹真实性校验方法，本发明实施例还提供了一种车辆轨迹真实性校验装置，参见图7所示的一种车辆轨迹真实性校验装置的结构示意图，示意出该装置主要包括以下部分：

数据获取模块701，用于获取待验证车辆的轨迹点序列、车辆运输特征信息和运单主体对象信息。

一致性验证模块702，用于基于轨迹点序列确定的一致性指数进行一致性验证。

轨迹特征确定模块703，用于如果一致性验证通过，则基于轨迹点序列确定轨迹特征信息。

概率确定模块704，用于将轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数构建的特征向量输入到预先训练好的真实性校验模型中，得到车辆轨迹真实性概率；其中，真实性校验模型是基于深度学习模型训练得到的。

真实性验证模块705，用于根据车辆轨迹真实性概率确定待验证车辆的轨迹真实性。

本发明实施例提供的上述车辆轨迹真实性校验装置，基于车辆的轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数构建特征向量，采用预先训练的真实性校验模型对车辆轨迹的特征向量进行相似度分析，从而进行车辆轨迹真实性的校验，减少了车辆轨迹真实性校验的耗时，降低了校验误差，显著提升了仅依赖轨迹数据的车辆轨迹真实性校验效率。

在一种实施方式中，上述一致性验证模块702进一步还用于：基于轨迹点序列确定一致性指数；其中，一致性指数包括：时间一致性指数、空间一致性指数和序列一致性指数；如果时间一致性指数大于第一指数阈值，和/或空间一致性指数大于第一指数阈值，和/或序列一致性指数大于第二指数阈值，则确定一致性验证不通过。

在一种实施方式中，上述一致性验证模块702进一步还用于：对于轨迹点序列中的每个轨迹点，计算轨迹点的前向时间间隔，如果前向时间间隔大于第一时间阈值或前向时间间隔小于第二时间阈值，则将轨迹点确定为时间跳点，并将轨迹点序列中时间跳点的数量确定为时间一致性指数；对于轨迹点序列中的每个轨迹点，计算轨迹点与前一轨迹点之间的第一距离、轨迹点与下一轨迹点之间的第二距离以及前一轨迹点和下一轨迹点之间的第三距离；如果第一距离和第二距离大于距离阈值，且第三距离小于距离阈值，则将轨迹点确定为空间跳点，并将轨迹点序列中空间跳点的数量确定为空间一致性指数；将时间一致性指数和空间一致性指数的和确定为序列一致性指数。

在一种实施方式中，上述轨迹特征确定模块703进一步还用于：获取轨迹点序列中每个轨迹点的前向时间间隔，并基于前向时间间隔去除不符合预设条件的轨迹点；其中，预设条件为前向时间间隔大于第一时间阈值或前向时间间隔小于第二时间阈值；对于符合预设条件的轨迹点序列，将轨迹点序列中的轨迹点按照轨迹点的速度进行排序，并基于排序后的轨迹点序列计算95%分位速度和平均速度；对于符合预设条件的轨迹点序列，计算每个轨迹点的加速度或减速度，并基于加速度计算最大加速度和平均加速度，以及基于减速度计算最大减速度和平均减速度；基于加速度确定每百公里加速度大于第一值的次数、每百公里加速度大于第二值的次数、每百公里加速度大于第三值的次数以及每百公里加速度大于第四值的次数；基于减速度确定每百公里减速度大于第一值的次数、每百公里减速度大于第二值的次数、每百公里减速度大于第三值的次数以及每百公里减速度大于第四值的次数；对于符合预设条件的轨迹点序列，基于轨迹点的方向角计算最大过弯角速度和平均过弯角速度。

在一种实施方式中，上述轨迹特征确定模块703进一步还用于：对于符合预设条件的轨迹点序列，基于方向角计算轨迹点的转向判断变量；如果转向判断变量小于或等于第一角度阈值，则基于轨迹点序列计算下一轨迹点的转向判断变量；如果转向判断变量大于第一角度阈值，则将轨迹点确定为开始过弯轨迹点，并确定转向判定角，以及基于转向判定角确定过弯过程轨迹点；基于过弯过程轨迹点的方向角计算最大过弯角速度和平均过弯角速度。

在一种实施方式中，上述轨迹特征确定模块703进一步还用于：计算下一轨迹点的转向判断变量，并基于下一轨迹点的转向判断变量更新转向判定角；如果转向判定角持续同向变化，且转向判定角大于第二角度阈值，则确定待验证车辆出现过弯行为，并继续基于下一轨迹点的转向判断向量更新转向判定角，直至当前轨迹点的转向判断变量小于第一角度阈值或者转向判定角发生非同向变化；将开始过弯轨迹点以及开始过弯轨迹点和当前轨迹点之间的轨迹点确定为过弯过程轨迹点。

在一种实施方式中，上述真实性验证模块705进一步还用于：如果车辆轨迹真实性概率大于或等于概率阈值，则确定待验证车辆的轨迹是真实的；如果车辆轨迹真实性概率小于概率阈值，则确定待验证车辆的轨迹是不真实的。

在一种实施方式中，上述装置还包括模型训练模块，用于：获取样本轨迹数据，构建轨迹特征向量；其中，样本轨迹数据包括：轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数；基于多层神经网络对轨迹特征向量进行训练，得到训练好的真实性校验模型。

需要说明的是，本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

需要说明的是，本发明实施中提供的具体数值，仅为是示例性的，在此不做限定。此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明实施例还提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如上实施方式的任一项所述的方法。

图8为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器80，存储器81，总线82和通信接口83，所述处理器80、通信接口83和存储器81通过总线82连接；处理器80用于执行存储器81中存储的可执行模块，例如计算机程序。

其中，存储器81可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口83（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线82可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器81用于存储程序，所述处理器80在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器80中，或者由处理器80实现。

处理器80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80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80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(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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该处理器也可以是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。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器81，处理器80读取存储器81中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。

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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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）执行本发明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、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。

Claims (10)

1.一种车辆轨迹真实性校验方法，其特征在于，包括：

获取待验证车辆的轨迹点序列、车辆运输特征信息和运单主体对象信息；

基于所述轨迹点序列确定的一致性指数进行一致性验证；

如果所述一致性验证通过，则基于所述轨迹点序列确定轨迹特征信息；

将所述轨迹特征信息、所述车辆运输特征信息、所述运单主体对象信息和所述一致性指数构建的特征向量输入到预先训练好的真实性校验模型中，得到车辆轨迹真实性概率；其中，所述真实性校验模型是基于深度学习模型训练得到的；

根据所述车辆轨迹真实性概率确定所述待验证车辆的轨迹真实性。

2.根据权利要求1所述的方法，其特征在于，基于所述轨迹点序列确定的一致性指数进行一致性验证，包括：

基于所述轨迹点序列确定一致性指数；其中，所述一致性指数包括：时间一致性指数、空间一致性指数和序列一致性指数；

如果所述时间一致性指数大于第一指数阈值，和/或所述空间一致性指数大于所述第一指数阈值，和/或所述序列一致性指数大于第二指数阈值，则确定所述一致性验证不通过。

3.根据权利要求2所述的方法，其特征在于，基于所述轨迹点序列确定一致性指数，包括：

对于所述轨迹点序列中的每个轨迹点，计算所述轨迹点的前向时间间隔，如果所述前向时间间隔大于第一时间阈值或所述前向时间间隔小于第二时间阈值，则将所述轨迹点确定为时间跳点，并将所述轨迹点序列中所述时间跳点的数量确定为时间一致性指数；

对于所述轨迹点序列中的每个轨迹点，计算所述轨迹点与前一轨迹点之间的第一距离、所述轨迹点与下一轨迹点之间的第二距离以及所述前一轨迹点和所述下一轨迹点之间的第三距离；

如果所述第一距离和所述第二距离大于距离阈值，且所述第三距离小于所述距离阈值，则将所述轨迹点确定为空间跳点，并将所述轨迹点序列中所述空间跳点的数量确定为空间一致性指数；

将所述时间一致性指数和所述空间一致性指数的和确定为序列一致性指数。

4.根据权利要求1所述的方法，其特征在于，基于所述轨迹点序列确定轨迹特征信息，包括：

获取所述轨迹点序列中每个轨迹点的前向时间间隔，并基于所述前向时间间隔去除不符合预设条件的轨迹点；其中，所述预设条件为所述前向时间间隔大于第一时间阈值或所述前向时间间隔小于第二时间阈值；

对于符合所述预设条件的轨迹点序列，将所述轨迹点序列中的轨迹点按照所述轨迹点的速度进行排序，并基于排序后的轨迹点序列计算95%分位速度和平均速度；

对于符合所述预设条件的轨迹点序列，计算每个所述轨迹点的加速度或减速度，并基于所述加速度计算最大加速度和平均加速度，以及基于所述减速度计算最大减速度和平均减速度；

基于所述加速度确定每百公里加速度大于第一值的次数、每百公里加速度大于第二值的次数、每百公里加速度大于第三值的次数以及每百公里加速度大于第四值的次数；

基于所述减速度确定每百公里减速度大于第一值的次数、每百公里减速度大于第二值的次数、每百公里减速度大于第三值的次数以及每百公里减速度大于第四值的次数；

对于符合所述预设条件的轨迹点序列，基于所述轨迹点的方向角计算最大过弯角速度和平均过弯角速度。

5.根据权利要求4所述的方法，其特征在于，基于所述轨迹点的方向角计算最大过弯角速度和平均过弯角速度，包括：

对于符合所述预设条件的轨迹点序列，基于方向角计算轨迹点的转向判断变量；

如果所述转向判断变量小于或等于第一角度阈值，则基于所述轨迹点序列计算下一轨迹点的转向判断变量；

如果所述转向判断变量大于所述第一角度阈值，则将所述轨迹点确定为开始过弯轨迹点，并确定转向判定角，以及基于所述转向判定角确定过弯过程轨迹点；

基于所述过弯过程轨迹点的方向角计算最大过弯角速度和平均过弯角速度。

6.根据权利要求5所述的方法，其特征在于，基于所述转向判定角确定过弯过程轨迹点，包括：

计算下一轨迹点的转向判断变量，并基于所述下一轨迹点的转向判断变量更新所述转向判定角；

如果所述转向判定角持续同向变化，且所述转向判定角大于第二角度阈值，则确定所述待验证车辆出现过弯行为，并继续基于下一轨迹点的转向判断向量更新所述转向判定角，直至当前轨迹点的所述转向判断变量小于所述第一角度阈值或者所述转向判定角发生非同向变化；

将所述开始过弯轨迹点以及所述开始过弯轨迹点和所述当前轨迹点之间的轨迹点确定为过弯过程轨迹点。

7.根据权利要求1所述的方法，其特征在于，根据所述车辆轨迹真实性概率确定所述待验证车辆的轨迹真实性，包括：

如果所述车辆轨迹真实性概率大于或等于概率阈值，则确定所述待验证车辆的轨迹是真实的；

如果所述车辆轨迹真实性概率小于所述概率阈值，则确定所述待验证车辆的轨迹是不真实的。

8.根据权利要求1所述的方法，其特征在于，所述真实性校验模型的训练过程包括：

获取样本轨迹数据，构建轨迹特征向量；其中，所述样本轨迹数据包括：轨迹特征信息、车辆运输特征信息、运单主体对象信息和一致性指数；

基于多层神经网络对所述轨迹特征向量进行训练，得到训练好的真实性校验模型。

9.一种车辆轨迹真实性校验装置，其特征在于，包括：

数据获取模块，用于获取待验证车辆的轨迹点序列、车辆运输特征信息和运单主体对象信息；

一致性验证模块，用于基于所述轨迹点序列确定的一致性指数进行一致性验证；

轨迹特征确定模块，用于如果所述一致性验证通过，则基于所述轨迹点序列确定轨迹特征信息；

概率确定模块，用于将所述轨迹特征信息、所述车辆运输特征信息、所述运单主体对象信息和所述一致性指数构建的特征向量输入到预先训练好的真实性校验模型中，得到车辆轨迹真实性概率；其中，所述真实性校验模型是基于深度学习模型训练得到的；

真实性验证模块，用于根据所述车辆轨迹真实性概率确定所述待验证车辆的轨迹真实性。

10.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述的方法的步骤。

Images