CN116887257B - 车联网卡的滥用识别方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请提供了一种车联网卡的滥用识别方法、装置、电子设备和存储介质，该方法和装置应用于电子设备，具体为获取多个SIM卡轨迹信息；基于车卡绑定模型对多个SIM卡轨迹信息进行处理，得到多个车联网卡轨迹信息；根据实际业务需求从多个车联网卡轨迹信息中选定目标车联网卡轨迹信息，和至少一个与目标车联网卡轨迹信息的起止时间匹配的待识别车联网卡轨迹信息；计算目标车联网卡轨迹信息与待识别车联网卡轨迹信息的相似度；根据相似度确定待识别车联网卡轨迹信息对应的车联网卡是否被滥用。

Description

车联网卡的滥用识别方法、装置、电子设备和存储介质

技术领域

本申请涉及物联网技术领域，更具体地说，涉及一种车联网卡的滥用识别方法、装置、电子设备和存储介质。

背景技术

SIM(Subscriber Identity Module,用户识别模块)卡是移动通信系统中的移动设备上所安装的一种IC卡，简称为用户识别卡，移动通信系统通过SIM卡来识别移动通信用户，一般包括应用于手机上的普通SIM卡和应用于物联设备上的物联网卡，其中应用于车机上的SIM卡又称为车联网卡。普通SIM卡需要实名认证，而车联网卡因其固有属性，只需要应用于物联网设备的企业法人进行认证即可。这就使得有些用户会将原应安装在指定车辆上的车联网卡挪作他用，导致了车联网卡的滥用，因此有必要对滥用的车联网卡进行识别，从而根据识别结果采取必要措施进行应对。

发明内容

有鉴于此，本申请提供一种车联网卡的滥用识别方法、装置、电子设备和存储介质，用于识别被滥用的车联网卡。

为了实现上述目的，现提出的方案如下：

一种车联网卡的滥用识别方法，应用于电子设备，所述滥用识别方法包括步骤：

获取多个SIM卡轨迹信息；

基于车卡绑定模型对所述多个SIM卡轨迹信息进行处理，得到多个车联网卡轨迹信息；

根据实际业务需求从所述多个车联网卡轨迹信息中选定目标车联网卡轨迹信息，和至少一个与所述目标车联网卡轨迹信息的起止时间匹配的待识别车联网卡轨迹信息；

计算所述目标车联网卡轨迹信息与所述待识别车联网卡轨迹信息的相似度；

根据所述相似度确定所述待识别车联网卡轨迹信息对应的车联网卡是否被滥用。

可选的，所述获取多个SIM卡轨迹信息，包括步骤：

采集每个所述多个SIM卡与基站的全量通信数据；

对所述全量通信数据执行路网匹配处理，得到每个所述SIM卡的轨迹数据；

对每个所述轨迹数据进行伴随计算处理，得到所述多个SIM卡轨迹信息。

可选的，所述对所述全量通信数据执行路网匹配处理，得到每个所述SIM卡的轨迹数据，包括步骤：

对所述全量通信数据进行过滤处理，去除其中的冗余数据；

基于驻留点模型对所述全量通信数据进行处理，滤除处理得到的驻留点；

对所述轨迹数据中的轨迹点位进行抽稀加稠处理；

基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理；

对经过纠偏处理过的所述轨迹数据进行路网绑定处理。

可选的，所述相似度包括轨迹相似度、轨迹平均速度相似度、轨迹驻留点数量相似度和轨迹驻留点的驻留时间相似度中的部分或全部。

可选的，还包括步骤：

采集多个SIM卡轨迹信息作为训练样本，所述SIM卡轨迹信息包括车联网卡轨迹信息和普通卡轨迹信息；

基于所述训练样本执行模型训练，得到所述车卡绑定模型。

可选的，所述基于所述训练样本执行模型训练，得到所述车卡绑定模型，包括步骤：

基于所述训练样本对双向循环神经网络进行训练，得到所述车卡绑定模型。

一种车联网卡的滥用识别装置，应用于电子设备，所述滥用识别装置包括：

轨迹获取模块，被配置为获取多个SIM卡轨迹信息；

SIM卡识别模块，被配置为基于车卡绑定模型对所述多个SIM卡轨迹信息进行处理，得到多个车联网卡轨迹信息；

车联网卡选定模块，被配置为根据实际业务需求从所述多个车联网卡轨迹信息中选定目标车联网卡轨迹信息，和至少一个与所述目标车联网卡轨迹信息的起止时间匹配的待识别车联网卡轨迹信息；

相似度计算模块，被配置为计算所述目标车联网卡轨迹信息与所述待识别车联网卡轨迹信息的相似度；

识别执行模块，被配置为根据所述相似度确定所述待识别车联网卡轨迹信息对应的车联网卡是否被滥用。

可选的，还包括：

样本采集模块，被配置为采集多个SIM卡轨迹信息作为训练样本，所述SIM卡轨迹信息包括车联网卡轨迹信息和普通卡轨迹信息；

模型训练模块，被配置为基于所述训练样本执行模型训练，得到所述车卡绑定模型。

一种电子设备，所述电子设备包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序或指令；

所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如上所述的车联网卡的滥用识别方法。

一种存储介质，应用于电子设备，所述存储介质承载有一个或多个计算机程序，所述一个或多个计算机程序能够被所述电子设备执行，以使所述电子设备实现如上所述的车联网卡的滥用识别方法。

从上述的技术方案可以看出，本申请公开了一种车联网卡的滥用识别方法、装置、电子设备和存储介质，该方法和装置应用于电子设备，具体为获取多个SIM卡轨迹信息；基于车卡绑定模型对多个SIM卡轨迹信息进行处理，得到多个车联网卡轨迹信息；根据实际业务需求从多个车联网卡轨迹信息中选定目标车联网卡轨迹信息，和至少一个与目标车联网卡轨迹信息的起止时间匹配的待识别车联网卡轨迹信息；计算目标车联网卡轨迹信息与待识别车联网卡轨迹信息的相似度；根据相似度确定待识别车联网卡轨迹信息对应的车联网卡是否被滥用。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例的一种车联卡的滥用识别方法的流程图；

图2为本申请实施例的一种车卡绑定模型的训练方法的流程图；

图3为本申请实施例的一种车联卡的滥用识别装置的框图；

图4为本申请实施例的另一种车联卡的滥用识别装置的框图；

图5为本申请实施例的一种电子设备的框图。

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，本领域普通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。

图1为本申请实施例的一种车联卡的滥用识别方法的流程图。

如图1所示，本实施例提供的滥用识别方法应用于电子设备，用于对车联网卡是否被滥用进行识别，该电子设备可以理解为具有数据计算和信息处理能力的计算机、服务器或嵌入式设备。该滥用识别方法具体包括如下步骤：

S1、获取多个SIM卡轨迹信息。

本申请是基于SIM卡的轨迹信息实现车联网卡是否被滥用的识别，这里的SIM卡不仅包括车联网卡，也包括普通用户的移动通信设备的SIM普通SIM卡。具体的过程如下所述：

首先，采集多个SIM卡与基站的全量通信数据。

通过数据采集设备、信息网络或者其他通信链路，从基站本身或者与基站连接的设备获取安装相应SIM卡的通信设备与基站的全量通信数据，这里的通信设备包括普通通信工具和车辆上的前装设备和后装设备，如车机或者车载通信设备等。该全量通信数据中包含相应设备与基站之间的距离信息和信息交互的时间信息等。

然后，对全量通信数据进行路网匹配处理，具体为基于相应的模型对全量通信数据进行处理，从而得到SIM卡的轨迹数据。具体过程如下：

1）对全量通信数据进行过滤处理，去除其中的冗余数据。

本实施例的方案还通过一定的方案对全量通信数据进行预处理，具体来说场景过滤方法或者连续漂移点过滤方法对全量通信数据进行过滤，或者通过两种方法对全量通信数据进行先后过滤处理。

2）对全量通信数据进行计算，消除得到的驻留点的影响。

基于预设的驻留点计算模型对去除冗余数据的全量通信数据进行计算，得到驻留点。具体方案在实施时能够根据用户的实际驾驶行为进行切片，准确识别载车的驻留点、在驻留点的停留时间和时长。

3）对轨迹数据中的轨迹点位进行抽稀加稠处理。

即通过规定的抽稀算法和加稠算法对轨迹点位进行抽稀加稠处理，以实现对轨迹点位的优化处理。

4）基于卡尔曼滤波算法对轨迹数据进行分段纠偏处理。

即基于卡尔曼滤波算法对经过抽稀加稠处理后的轨迹数据进行分段纠偏处理。

5）对经过纠偏处理过的轨迹数据进行路网绑定处理。

具体过程为通过隐马尔科夫模型对经过纠偏处理的轨迹数据进行分段处理，将其实现与路网的绑定。

最后对轨迹数据进行伴随计算处理。

在对轨迹数据完成路网绑定处理后，对其进行伴随计算，得到载有该车载设备的车辆的轨迹信息。具体过程包括轨迹清洗、空间切片和相似度计算和轨迹匹配，最终得到每个SIM卡的SIM卡轨迹信息。

S2、基于车卡绑定模型得到多个车联网卡轨迹信息。

使用预先训练的车卡绑定模型对上述的多个SIM卡轨迹信息进行识别处理，从中确定出多个车联网卡轨迹信息，除去该车联网卡轨迹信息外，其与轨迹信息可以判定为普通SIM可轨迹信息。

S3、确定目标车联网卡轨迹信息和待识别车联网开轨迹信息。

即根据实际业务需求，从上述识别出的多个车联网卡轨迹信息中确定相应的目标车联网卡轨迹信息，并根据该目标车联网卡轨迹信息中的轨迹起止时间从其他车联网卡信息中选定出待识别的车联网卡轨迹信息，没有被选定的车联网卡轨迹信息因为与目标车联网卡轨迹信息的起止时间关联性不强，因此没有识别的价值，因此予以滤除不再进一步处理。

S4、计算目标车联网轨迹信息和待识别车联网卡轨迹信息的相似度。

具体为计算目标车联网轨迹信息中某个或某些元素与待识别车联网卡轨迹信息的某个或某些元素之间的相似程度。本申请的相似度包括轨迹相似度、轨迹平均速度相似度、轨迹驻留点相似度和轨迹驻留点的驻留时间相似度。其中轨迹驻留点数量相似度是指驻留点的个数的相似程度，驻留点时间相似度是指车辆位于驻留点的持续时长的相似度。

具体在计算时，使用DTW-LCSS算法计算车联网卡轨迹信息之间的相似度；然后，根据轨迹的时间和经纬度信息，使用Haversine公式计算出相邻驻留点之间的距离，再计算相邻驻留点之间的时间间隔，进而计算出相邻驻留点之间的速度，然后计算出所有驻留点之间的平均速度，最后计算轨迹平均速度差，从而得到轨迹平均速度相似度；然后，根据轨迹数据计算出每条轨迹的驻留点个数和驻留总时长，最后计算轨迹之间的驻留点个数和驻留总时长。

S5、根据相似度确定对应的车联网卡是否被滥用。

具体为根据目标车联网卡轨迹信息确定待识别轨迹信息是否是车联网卡，再根据车联网卡登记信息判断是否滥用。本申请预设相应的判定规则，即为每个相似度设置一个阈值作为该判定规则。例如，针对上述相似度设置轨迹相似度阈值、轨迹平均速度阈值、轨迹驻留点个数阈值和驻留时长阈值，这些阈值的设置可以根据实际测定确定，或者根据经验确定，并根据用户的需要和实际场景进行调整。

当轨迹相似度大于或等于该轨迹相似度阈值、轨迹平均速度相似度大于或等于该轨迹平均速度阈值、轨迹驻留点个数相似度大于或等于该轨迹驻留点个数阈值，和/或，轨迹驻留点的驻留时间相似度大于或等于该驻留主流时长阈值时，确定待识别车联网卡轨迹信息对应的车联网卡被滥用，小于该阈值的待识别车联网卡轨迹信息对应的车联网卡没有被滥用。

从上述技术方案可以看出，本实施例提供了一种车联网卡的滥用识别方法，该方法应用于电子设备，具体为获取多个SIM卡轨迹信息；基于车卡绑定模型对多个SIM卡轨迹信息进行处理，得到多个车联网卡轨迹信息；根据实际业务需求从多个车联网卡轨迹信息中选定目标车联网卡轨迹信息，和至少一个与目标车联网卡轨迹信息的起止时间匹配的待识别车联网卡轨迹信息；计算目标车联网卡轨迹信息与待识别车联网卡轨迹信息的相似度；根据相似度确定待识别车联网卡轨迹信息对应的车联网卡是否被滥用。

在本实施例的一个具体实施方式中，还包括如下步骤，下列步骤用于实现车卡绑定模型的训练，具体如图2所示。

S201、采集多个SIM卡轨迹信息作为训练样本。

这里的SIM卡轨迹信息包括车联网卡轨迹信息和普通卡轨迹信息；

1）抽取物联网卡里车联网卡和其他非车辆前装/后装设备的卡的轨迹信息作为样本数据，并去除无效或重复的数据点。每个轨迹信息包含每个时间点的经纬度坐标。

2）然后对每个轨迹信息进行标注处理，标注出哪条轨迹信息为车联网卡轨迹信息，哪条轨迹不是车联网卡轨迹信息。

3）从样本数据中中提取有用的特征，以便用于训练模型。本方案的特征包括距离特征、速度特征和方向特征，其中方向特征主要用arctan(lng2 – lng1, lat2 - lat1)，其中x1(lng1,lat1) 、x2(lng2,lat2)分布是前后2点位的经纬度。

4）对提取的特征进行标准化，确保它们具有相似的尺度和范围。本申请主要运用Z-score标准化。

5）对轨迹数据进行序列化，以便于输入到神经网络模型中。本方案创新性的通过停留点+滑动窗口的方式轨迹划分为固定长度的子序列，其中每个子序列代表一个时间窗口内的轨迹段。其中对于停留点范围内300m超过3min的轨迹直接分段，分段后的轨迹按照固定长度的滑动窗口进行切分。如果子序列的长度不一致，需要进行序列填充，使它们具有相同的长度。可以使用填充标记（如0）在较短的子序列末尾填充，以匹配最长子序列的长度。

6）将序列化和填充后的训练数据划分为训练集、验证集和测试集，以便于模型的训练、调优和评估。

S202、基于训练样本执行模型训练，得到车卡绑定模型。

本申请采用具体如下步骤实现车卡绑定模型的训练，具体如下：

步骤1:初始化模型参数。

在初始化模型参数的过程中，为双向循环神经网络（BiRNN）的权重和偏置设置初始值。

权重初始化：基于轨迹数据的特性，我们采用Xavier初始化，权重根据输入和输出的维度自适应地初始化。它的目的是为了保持前向和反向传播中的信号在每一层保持恒定的方差。本方案使用公式np.random.randn(input_dim, output_dim) * np.sqrt(1 /input_dim)实现Xavier初始化。

初始化偏置：本方案使用np.zeros函数来实现。例如，对于偏置向量b的初始化，使用b=np.zeros((output_dim,))。

初始化方法：本方案考虑到网络层数不是很多，并且采用Xavier作为初始化参数，所以采用Sigmoid这类饱和型激活函数作为该算法的激活函数。

步骤2:定义模型架构。本方案的模型架构包括输入层、Embedding层、正向RNN层、反向RNN层、正向层和输出层。

输入层：模型的输入是经过预处理的数据，本方案是经纬度构成的轨迹数据。输入层接收这些数据并将其提供给下一层进行处理。

Embedding层：因为本方案是经纬度数据，无需对数据特殊处理，可以跳过Embedding层，直接使用原始的经纬度坐标作为输入。

正向RNN层：正向RNN层处理输入序列并生成一系列正向隐藏状态。每个时间步的输入包括当前时间步的特征向量和前一个时间步的正向隐藏状态。本方案使用基本的RNN单元LSTM来构建正向RNN层。通过在每个时间窗口将当前时间窗口的输入和前一个时间窗口的隐藏状态输入到RNN单元中，正向RNN层能够对序列进行顺序处理。

反向RNN层：反向RNN层处理输入序列并生成一系列反向隐藏状态。与正向RNN层类似，每个时间窗口的输入包括当前时间窗口的特征向量和前一个时间步的反向隐藏状态。本方案的反向RNN层按照逆时间窗口的顺序处理输入序列，并生成与正向RNN层对应的隐藏状态。

合并层：在双向RNN中，正向和反向隐藏状态需要合并起来以获得完整的上下文信息。本方案将正向和反向隐藏状态在时间维度上进行连接或求和，得到整体的隐藏状态表示。合并层的输出将包含输入序列中每个时间窗口的完整上下文信息。

输出层：结合本方案和轨迹时序数据的特征，本方案使用全连接层将隐藏状态映射到分类降（SGD）作为优化算法，并将交叉熵作为损失函数。编译过程中通过设置学习率、正则化项等超参数。

步骤3：前向传播。

本方案先将训练数据输入双向循环神经网络中。正向RNN按时间步处理输入序列，产生正向隐藏状态序列。反向RNN按逆时间步处理输入序列，产生反向隐藏状态序列。将正向和反向隐藏状态序列进行拼接，形成双向隐藏状态序列。在前向传播过程中，模型通过输入数据进行计算，并生成了预测结果。本方案的预是二分类问题中的概率分布。

步骤4：计算损失函数。

对于分类任务，交叉熵损失函数是常用的选择。它度量了模型输出的概率分布与真实标签之间的差异。本方案是个二分类问题，使用二分类交叉熵来度量模型的输出与真实标签之间的差异。

在计算损失函数之后，通过对损失函数进行求解，可以获得一个标量值，表示模型在当前批次或样本上的预测准确性或误差大小。同时对多个样本或批次上的损失函数进行汇总。计算平均损失值或总损失值来实现，以得到对整个数据集或训练集的整体性能评估。

步骤5：反向传播与参数优化。

本方案使用反向传播算法计算损失函数对模型参数的梯度。首先，通过链式法则计算输出层的梯度，然后逐层向后传播梯度，直到达到输入层。反向传播的关键是计算参数的梯度，以便对它们进行更新。对于双向循环神经网络中的每个参数，我们需要计算损失函数对该参数的偏导数。然后，通过将正向传播和反向传播结合起来。

例如，对于权重参数W的梯度计算：dW = dL/dW = dL/dy * dy/dh * dh/dW

其中，dL/dy表示损失函数对输出y的梯度，dy/dh表示输出y对隐藏状态h的梯度，dh/dW表示隐藏状态h对参数W的梯度。

在反向传播计算得到参数的梯度之后，使用优化算法对参数进行更新。优化算法根据梯度和学习率来更新参数的值，以使损失函数逐渐减小。本方案使用随机梯度下降算法作为优化算法。如下：

parameter = parameter - learning_rate * gradient

其中parameter是要更新的参数，learning_rate是学习率，gradient是参数的梯度。

步骤6：模型迭代和效果评估。

模型迭代：以上步骤会在整个训练数据集上进行多次迭代。每次迭代都会使用一个批次（batch）的训练样本，并计算损失函数、反向传播、参数更新，以逐渐优化模型的性能。

迭代次数的选择取决于数据集的大小和复杂性，以及训练时间的限制。本方案通过监控验证集上的性能来确定何时停止迭代，在迭代超过160次后效果并没有明显提升。

验证和评估：在训练过程中，可以使用验证数据集来评估模型的性能。本方案将验证数据集输入到训练好的模型中，计算模型的预测结果，并与验证集的真实标签进行比较，平均预测准确率>87%。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机。

实施例二

图3为本申请实施例的一种车联卡的滥用识别装置的框图。

如图3所示，本实施例提供的滥用识别装置应用于电子设备，用于对车联网卡是否被滥用进行识别，该电子设备可以理解为具有数据计算和信息处理能力的计算机、服务器或嵌入式设备。该滥用识别装置具体包括轨迹获取模块10、SIM卡识别模块20、车联网卡识别模块30、相似度计算模块40和识别执行模块50。

轨迹获取模块用于获取多个SIM卡轨迹信息。

本申请是基于SIM卡的轨迹信息实现车联网卡是否被滥用的识别，这里的SIM卡不仅包括车联网卡，也包括普通用户的移动通信设备的SIM普通SIM卡。具体的过程如下所述：

首先，采集多个SIM卡与基站的全量通信数据。

通过数据采集设备、信息网络或者其他通信链路，从基站本身或者与基站连接的设备获取安装相应SIM卡的通信设备与基站的全量通信数据，这里的通信设备包括普通通信工具和车辆上的前装设备和后装设备，如车机或者车载通信设备等。该全量通信数据中包含相应设备与基站之间的距离信息和信息交互的时间信息等。

然后，对全量通信数据进行路网匹配处理，具体为基于相应的模型对全量通信数据进行处理，从而得到SIM卡的轨迹数据。

SIM卡识别模块用于基于车卡绑定模型判断是否为车联网卡轨迹信息。

使用预先训练的车卡绑定模型对上述的多个SIM卡轨迹信息进行识别处理，以判断该SIM卡轨迹信息是否为车联网卡轨迹信息，除去该车联网卡轨迹信息外，其与轨迹信息可以判定为普通SIM可轨迹信息。

车联网卡识别模块用于确定目标车联网卡轨迹信息。

即根据实际业务需求，从上述识别出的多个车联网卡轨迹信息中确定哪些车联网卡轨迹信息属于同一辆车上，并根据该目标车联网卡轨迹信息中的轨迹起止时间从其他车联网卡信息中选定出待识别的车联网卡轨迹信息，没有被选定的车联网卡轨迹信息因为与目标车联网卡轨迹信息的起止时间关联性不强，因此没有识别的价值，因此予以滤除不再进一步处理。

相似度计算模块用于计算目标车联网轨迹信息和待识别车联网卡轨迹信息的相似度。

具体为计算目标车联网轨迹信息中某个或某些元素与待识别车联网卡轨迹信息的某个或某些元素之间的相似程度。本申请的相似度包括轨迹相似度、轨迹平均速度相似度、轨迹驻留点相似度和轨迹驻留点的驻留时间相似度。其中轨迹驻留点数量相似度是指驻留点的个数的相似程度，驻留点时间相似度是指车辆位于驻留点的持续时长的相似度。

具体在计算时，使用DTW-LCSS算法计算车联网卡轨迹信息之间的相似度；然后，根据轨迹的时间和经纬度信息，使用Haversine公式计算出相邻驻留点之间的距离，再计算相邻驻留点之间的时间间隔，进而计算出相邻驻留点之间的速度，然后计算出所有驻留点之间的平均速度，最后计算轨迹平均速度差，从而得到轨迹平均速度相似度；然后，根据轨迹数据计算出每条轨迹的驻留点个数和驻留总时长，最后计算轨迹之间的驻留点个数和驻留总时长。

识别执行模块用于根据相似度确定对应的车联网卡是否被滥用。

具体为根据目标车联网卡轨迹信息确定待识别轨迹信息是否是车联网卡，再根据车联网卡登记信息判断是否滥用。本申请预设相应的判定规则，即为每个相似度设置一个阈值作为该判定规则。例如，针对上述相似度设置轨迹相似度阈值、轨迹平均速度阈值、轨迹驻留点个数阈值和驻留时长阈值，这些阈值的设置可以根据实际测定确定，或者根据经验确定，并根据用户的需要和实际场景进行调整。

当轨迹相似度大于或等于该轨迹相似度阈值、轨迹平均速度相似度大于或等于该轨迹平均速度阈值、轨迹驻留点个数相似度大于或等于该轨迹驻留点个数阈值，和/或，轨迹驻留点的驻留时间相似度大于或等于该驻留主流时长阈值时，确定待识别车联网卡轨迹信息对应的车联网卡被滥用，小于该阈值的待识别车联网卡轨迹信息对应的车联网卡没有被滥用。

从上述技术方案可以看出，本实施例提供了一种车联网卡的滥用识别装置，该装置应用于电子设备，具体为获取多个SIM卡轨迹信息；基于车卡绑定模型对多个SIM卡轨迹信息进行处理，得到多个车联网卡轨迹信息；根据实际业务需求从多个车联网卡轨迹信息中选定目标车联网卡轨迹信息，和至少一个与目标车联网卡轨迹信息的起止时间匹配的待识别车联网卡轨迹信息；计算目标车联网卡轨迹信息与待识别车联网卡轨迹信息的相似度；根据相似度确定待识别车联网卡轨迹信息对应的车联网卡是否被滥用。

在本实施例的一个具体实施方式中，还包括样本采集模块60和模型训练模块70，用于实现车卡绑定模型的训练，具体如图4所示。

样本采集模块用于采集多个SIM卡轨迹信息作为训练样本。

这里的SIM卡轨迹信息包括车联网卡轨迹信息和普通卡轨迹信息；

1）抽取物联网卡里车联网卡和其他非车辆前装/后装设备的卡的轨迹信息作为样本数据，并去除无效或重复的数据点。每个轨迹信息包含每个时间点的经纬度坐标。

2）然后对每个轨迹信息进行标注处理，标注出哪条轨迹信息为车联网卡轨迹信息，哪条轨迹不是车联网卡轨迹信息。

3）从样本数据中中提取有用的特征，以便用于训练模型。本方案的特征包括距离特征、速度特征和方向特征，其中方向特征主要用arctan(lng2 – lng1, lat2 - lat1)，其中x1(lng1,lat1) 、x2(lng2,lat2)分布是前后2点位的经纬度。

4）对提取的特征进行标准化，确保它们具有相似的尺度和范围。本申请主要运用Z-score标准化。

5）对轨迹数据进行序列化，以便于输入到神经网络模型中。本方案创新性的通过停留点+滑动窗口的方式轨迹划分为固定长度的子序列，其中每个子序列代表一个时间窗口内的轨迹段。其中对于停留点范围内300m超过3min的轨迹直接分段，分段后的轨迹按照固定长度的滑动窗口进行切分。如果子序列的长度不一致，需要进行序列填充，使它们具有相同的长度。可以使用填充标记（如0）在较短的子序列末尾填充，以匹配最长子序列的长度。

6）将序列化和填充后的训练数据划分为训练集、验证集和测试集，以便于模型的训练、调优和评估。

模型训练模块用于基于训练样本执行模型训练，得到车卡绑定模型。

本申请采用具体如下步骤实现车卡绑定模型的训练，具体如下：

步骤1:初始化模型参数。

在初始化模型参数的过程中，为双向循环神经网络（BiRNN）的权重和偏置设置初始值。

权重初始化：基于轨迹数据的特性，我们采用Xavier初始化，权重根据输入和输出的维度自适应地初始化。它的目的是为了保持前向和反向传播中的信号在每一层保持恒定的方差。本方案使用公式np.random.randn(input_dim, output_dim) * np.sqrt(1 /input_dim)实现Xavier初始化。

初始化偏置：本方案使用np.zeros函数来实现。例如，对于偏置向量b的初始化，使用b=np.zeros((output_dim,))。

初始化方法：本方案考虑到网络层数不是很多，并且采用Xavier作为初始化参数，所以采用Sigmoid这类饱和型激活函数作为该算法的激活函数。

步骤2:定义模型架构。本方案的模型架构包括输入层、Embedding层、正向RNN层、反向RNN层、正向层和输出层。

输入层：模型的输入是经过预处理的数据，本方案是经纬度构成的轨迹数据。输入层接收这些数据并将其提供给下一层进行处理。

Embedding层：因为本方案是经纬度数据，无需对数据特殊处理，可以跳过Embedding层，直接使用原始的经纬度坐标作为输入。

正向RNN层：正向RNN层处理输入序列并生成一系列正向隐藏状态。每个时间步的输入包括当前时间步的特征向量和前一个时间步的正向隐藏状态。本方案使用基本的RNN单元LSTM来构建正向RNN层。通过在每个时间窗口将当前时间窗口的输入和前一个时间窗口的隐藏状态输入到RNN单元中，正向RNN层能够对序列进行顺序处理。

反向RNN层：反向RNN层处理输入序列并生成一系列反向隐藏状态。与正向RNN层类似，每个时间窗口的输入包括当前时间窗口的特征向量和前一个时间步的反向隐藏状态。本方案的反向RNN层按照逆时间窗口的顺序处理输入序列，并生成与正向RNN层对应的隐藏状态。

合并层：在双向RNN中，正向和反向隐藏状态需要合并起来以获得完整的上下文信息。本方案将正向和反向隐藏状态在时间维度上进行连接或求和，得到整体的隐藏状态表示。合并层的输出将包含输入序列中每个时间窗口的完整上下文信息。

输出层：结合本方案和轨迹时序数据的特征，本方案使用全连接层将隐藏状态映射到分类降（SGD）作为优化算法，并将交叉熵作为损失函数。编译过程中通过设置学习率、正则化项等超参数。

步骤3：前向传播。

本方案先将训练数据输入双向循环神经网络中。正向RNN按时间步处理输入序列，产生正向隐藏状态序列。反向RNN按逆时间步处理输入序列，产生反向隐藏状态序列。将正向和反向隐藏状态序列进行拼接，形成双向隐藏状态序列。在前向传播过程中，模型通过输入数据进行计算，并生成了预测结果。本方案的预是二分类问题中的概率分布。

步骤4：计算损失函数。

对于分类任务，交叉熵损失函数是常用的选择。它度量了模型输出的概率分布与真实标签之间的差异。本方案是个二分类问题，使用二分类交叉熵来度量模型的输出与真实标签之间的差异。

在计算损失函数之后，通过对损失函数进行求解，可以获得一个标量值，表示模型在当前批次或样本上的预测准确性或误差大小。同时对多个样本或批次上的损失函数进行汇总。计算平均损失值或总损失值来实现，以得到对整个数据集或训练集的整体性能评估。

步骤5：反向传播与参数优化。

本方案使用反向传播算法计算损失函数对模型参数的梯度。首先，通过链式法则计算输出层的梯度，然后逐层向后传播梯度，直到达到输入层。反向传播的关键是计算参数的梯度，以便对它们进行更新。对于双向循环神经网络中的每个参数，我们需要计算损失函数对该参数的偏导数。然后，通过将正向传播和反向传播结合起来。

例如，对于权重参数W的梯度计算：dW = dL/dW = dL/dy * dy/dh * dh/dW

其中，dL/dy表示损失函数对输出y的梯度，dy/dh表示输出y对隐藏状态h的梯度，dh/dW表示隐藏状态h对参数W的梯度。

在反向传播计算得到参数的梯度之后，使用优化算法对参数进行更新。优化算法根据梯度和学习率来更新参数的值，以使损失函数逐渐减小。本方案使用随机梯度下降算法作为优化算法。如下：

parameter = parameter - learning_rate * gradient

其中parameter是要更新的参数，learning_rate是学习率，gradient是参数的梯度。

步骤6：模型迭代和效果评估。

模型迭代：以上步骤会在整个训练数据集上进行多次迭代。每次迭代都会使用一个批次（batch）的训练样本，并计算损失函数、反向传播、参数更新，以逐渐优化模型的性能。

迭代次数的选择取决于数据集的大小和复杂性，以及训练时间的限制。本方案通过监控验证集上的性能来确定何时停止迭代，在迭代超过160次后效果并没有明显提升。

验证和评估：在训练过程中，可以使用验证数据集来评估模型的性能。本方案将验证数据集输入到训练好的模型中，计算模型的预测结果，并与验证集的真实标签进行比较，平均预测准确率>87%。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

实施例三

图5为本申请实施例的一种电子设备的框图。

参考图5所示，其示出了适于用来实现本公开实施例中的电子设备的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。该电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

电子设备可以包括处理装置（例如中央处理器、图形处理器等）501，其可以根据存储在只读存储器ROM502中的程序或者从输入装置506加载到随机访问存储器RAM503中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。

通常，以下装置可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

实施例四

本实施例提供了一种计算机可读的存储介质，该存储介质应用于电子设备，该存储介质承载有一个或者多个计算机程序，当上述一个或者多个计算机程序被该电子设备执行时，使得该电子设备获取多个SIM卡轨迹信息；基于车卡绑定模型对多个SIM卡轨迹信息进行处理，得到多个车联网卡轨迹信息；根据实际业务需求从多个车联网卡轨迹信息中选定目标车联网卡轨迹信息，和至少一个与目标车联网卡轨迹信息的起止时间匹配的待识别车联网卡轨迹信息；计算目标车联网卡轨迹信息与待识别车联网卡轨迹信息的相似度；根据相似度确定待识别车联网卡轨迹信息对应的车联网卡是否被滥用。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。

Claims (8)

1.一种车联网卡的滥用识别方法，应用于电子设备，其特征在于，所述滥用识别方法包括步骤：

获取多个SIM卡轨迹信息，具体为采集每个所述多个SIM卡与基站的全量通信数据，对所述全量通信数据执行路网匹配处理，得到每个所述SIM卡的轨迹数据，对每个所述轨迹数据进行伴随计算处理，得到所述多个SIM卡轨迹信息，在执行路网匹配处理时，对所述全量通信数据进行过滤处理，去除其中的冗余数据，基于驻留点模型对所述全量通信数据进行处理，滤除处理得到的驻留点，对所述轨迹数据中的轨迹点位进行抽稀加稠处理，基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理，对经过纠偏处理过的所述轨迹数据进行路网绑定处理；

基于车卡绑定模型对所述多个SIM卡轨迹信息进行处理，得到多个车联网卡轨迹信息；

根据实际业务需求从所述多个车联网卡轨迹信息中选定目标车联网卡轨迹信息，和至少一个与所述目标车联网卡轨迹信息的起止时间匹配的待识别车联网卡轨迹信息；

计算所述目标车联网卡轨迹信息与所述待识别车联网卡轨迹信息的相似度；

根据所述相似度确定所述待识别车联网卡轨迹信息对应的车联网卡是否被滥用。

2.如权利要求1所述的滥用识别方法，其特征在于，所述相似度包括轨迹相似度、轨迹平均速度相似度、轨迹驻留点数量相似度和轨迹驻留点的驻留时间相似度中的部分或全部。

3.如权利要求1或2所述的滥用识别方法，其特征在于，还包括步骤：

采集多个SIM卡轨迹信息作为训练样本，所述SIM卡轨迹信息包括车联网卡轨迹信息和普通卡轨迹信息；

基于所述训练样本执行模型训练，得到所述车卡绑定模型。

4.如权利要求3所述的滥用识别方法，其特征在于，所述基于所述训练样本执行模型训练，得到所述车卡绑定模型，包括步骤：

基于所述训练样本对双向循环神经网络进行训练，得到所述车卡绑定模型。

5.一种车联网卡的滥用识别装置，应用于电子设备，其特征在于，所述滥用识别装置包括：

轨迹获取模块，被配置为获取多个SIM卡轨迹信息，具体为采集每个所述多个SIM卡与基站的全量通信数据，对所述全量通信数据执行路网匹配处理，得到每个所述SIM卡的轨迹数据，对每个所述轨迹数据进行伴随计算处理，得到所述多个SIM卡轨迹信息，在执行路网匹配处理时，对所述全量通信数据进行过滤处理，去除其中的冗余数据，基于驻留点模型对所述全量通信数据进行处理，滤除处理得到的驻留点，对所述轨迹数据中的轨迹点位进行抽稀加稠处理，基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理，对经过纠偏处理过的所述轨迹数据进行路网绑定处理；

SIM卡识别模块，被配置为基于车卡绑定模型对所述多个SIM卡轨迹信息进行处理，得到多个车联网卡轨迹信息；

车联网卡选定模块，被配置为根据实际业务需求从所述多个车联网卡轨迹信息中选定目标车联网卡轨迹信息，和至少一个与所述目标车联网卡轨迹信息的起止时间匹配的待识别车联网卡轨迹信息；

相似度计算模块，被配置为计算所述目标车联网卡轨迹信息与所述待识别车联网卡轨迹信息的相似度；

识别执行模块，被配置为根据所述相似度确定所述待识别车联网卡轨迹信息对应的车联网卡是否被滥用。

6.如权利要求5所述的滥用识别装置，其特征在于，还包括：

样本采集模块，被配置为采集多个SIM卡轨迹信息作为训练样本，所述SIM卡轨迹信息包括车联网卡轨迹信息和普通卡轨迹信息；

模型训练模块，被配置为基于所述训练样本执行模型训练，得到所述车卡绑定模型。

7.一种电子设备，其特征在于，所述电子设备包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序或指令；

所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如权利要求1～4任一项所述的车联网卡的滥用识别方法。

8.一种存储介质，应用于电子设备，其特征在于，所述存储介质承载有一个或多个计算机程序，所述一个或多个计算机程序能够被所述电子设备执行，以使所述电子设备实现如权利要求1～4任一项所述的车联网卡的滥用识别方法。