服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法技术

本申请实施例提供了一种服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法，涉及交通安全技术领域。该服务异常检测方法通过获取服务车辆的服务状况信息和服务车辆的异常音频标签。其中，服务状况信息表征服务车辆在第一服务过程中的状态信息，异常音频标签表征在第一服务过程中服务车辆存在异常声音。接着，将服务状况信息与异常音频标签作为服务异常检测模型的输入，获得服务车辆在第一服务过程中的异常得分。如此，结合不同类型的多维度数据，共同分析服务车辆是否发生交通事故等异常情况，使得分析结果更精准。

【技术实现步骤摘要】
服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法
本申请涉及交通安全
，具体而言，涉及一种服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法。
技术介绍
道路交通安全一直是出行服务、物流运输等行业关注的重点，同样也是关乎人们生命及财产安全的重要议题。在预防方向从车辆合规、驾驶员技能提升和驾驶员安全意识培训等各个方向都做了大量工作，但是，单从预防角度仍然无法完全避免事故的出现，而在车辆发生了重大交通事故之后，有第三方及时提供救援和帮助，对于亡人和重伤事故意义重大。目前，常常基于某一种单独的信息进行交通事故检测，例如，获取车辆在行驶过程中的运动数据，判断车辆是否发生碰撞，从而进行交通事故检测。但是，上述方法仅仅采用单独的某一类型的数据进行检测分析，其检测准确率欠佳。
技术实现思路
有鉴于此，本申请提供了一种服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法，以解决上述问题。本申请的实施例可以这样实现：第一方面，本申请实施例提供一种服务异常检测方法，所述方法包括：获取服务车辆的服务状况信息和所述服务车辆的异常音频标签；所述服务状况信息表征所述服务车辆在第一服务过程中的状态信息；所述异常音频标签表征在所述第一服务过程中所述服务车辆存在异常声音；将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分；所述异常得分与服务异常的严重程度成正相关。>在可选的实施方式中，所述将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入获得所述服务车辆在所述第一服务过程中的异常得分的步骤包括：获取所述服务状况信息中的订单运行数据和所述服务状况信息的轨迹数据，其中，所述订单运行数据表征所述服务车辆在所述第一服务过程中的订单运行状态，所述轨迹数据表征所述服务车辆在所述第一服务过程中的轨迹状态；将所述订单运行数据、所述轨迹数据、所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分。在可选的实施方式中，所述获取服务车辆的服务状况信息和所述服务车辆的异常音频标签的步骤之前，所述方法还包括：获取所述服务车辆的音频数据和所述音频数据对应的文本数据；将所述音频数据输入预先训练的声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率；获取所述文本数据中与关键词匹配的目标关键词，以及所述目标关键词在文本数据中出现的频次；所述关键词与服务发生异常情况存在正向关联；将所述异常声音的类别、所述异常声音的类别对应的概率、所述目标关键词及所述目标关键词对应的频次作为所述异常音频标签。在可选的实施方式中，所述将所述音频数据输入预先训练的声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率的步骤包括：将所述音频数据拆分成多个音频数据片段；将所述多个音频数据片段输入所述声音模型，获得各所述音频数据片段携带异常声音的类别和所述异常声音的类别对应的初始得分；从全部所述初始得分中选取目标初始得分；所述目标初始得分的数值大于其他所述初始得分；将所述目标初始得分对应的异常声音的类别作为所述声音模型输出的异常声音的类别；将所述目标初始得分作为所述声音模型输出所述异常声音的类别对应的概率。在可选的实施方式中，所述获得所述服务车辆在所述第一服务过程中的异常得分的步骤之后，所述方法还包括：根据所述异常得分，确定所述服务车辆发生服务异常的严重程度，所述异常得分与服务异常的严重程度成正相关。在可选的实施方式中，所述获取服务车辆的服务状况信息和所述服务车辆的异常音频标签的步骤之前，所述方法还包括：获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息表征所述目标服务车辆在第二服务过程中的状态信息；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型。在可选的实施方式中，所述获取服务车辆的服务状况信息和所述服务车辆的异常音频标签的步骤之前，所述方法还包括：获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；提取所述历史音频数据中的频谱特征，得到历史频谱特征；将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型。第二方面，本申请实施例提供一种训练服务异常检测模型的方法，所述方法包括：获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息表征所述目标服务车辆在第二服务过程中的状态信息；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型。第三方面，本申请实施例提供一种训练声音模型的方法，所述方法包括：获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；提取所述历史音频数据中的频谱特征，得到历史频谱特征；将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型。第四方面，本申请实施例提供一种服务异常检测装置，所述装置包括：获取模块，用于获取服务车辆的服务状况信息和所述服务车辆的异常音频标签；所述服务状况信息表征所述服务车辆在第一服务过程中的状态信息；所述异常音频标签表征在所述第一服务过程中所述服务车辆存在异常声音；检测模块，用于将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分；所述异常得分与服务异常的严重程度成正相关。在可选的实施方式中，所述检测模块，用于获取所述服务状况信息中的订单运行数据和所述服务状况信息的轨迹数据，其中，所述订单运行数据表征所述服务车辆在所述第一服务过程中的订单运行状态，所述轨迹数据表征所述服务车辆在所述第一服务过程中的轨迹状态；将所述订单运行数据、所述轨迹数据、所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分。在可选的实施方式中，所述服务异常检测装置还包括：异常音频标签获取模块，用于获取所述服务车辆的音频数据和所述音频数据对应的文本数据；将所述音频数据输入预先训练的声本文档来自技高网...

【技术保护点】
1.一种服务异常检测方法，其特征在于，所述方法包括：/n获取服务车辆的服务状况信息和所述服务车辆的异常音频标签；所述服务状况信息表征所述服务车辆在第一服务过程中的状态信息；所述异常音频标签表征在所述第一服务过程中所述服务车辆存在异常声音；/n将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分；所述异常得分与服务异常的严重程度成正相关。/n

【技术特征摘要】
1.一种服务异常检测方法，其特征在于，所述方法包括：
获取服务车辆的服务状况信息和所述服务车辆的异常音频标签；所述服务状况信息表征所述服务车辆在第一服务过程中的状态信息；所述异常音频标签表征在所述第一服务过程中所述服务车辆存在异常声音；
将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分；所述异常得分与服务异常的严重程度成正相关。


2.根据权利要求1所述的服务异常检测方法，其特征在于，所述将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分的步骤包括：
获取所述服务状况信息中的订单运行数据和所述服务状况信息的轨迹数据，其中，所述订单运行数据表征所述服务车辆在所述第一服务过程中的订单运行状态，所述轨迹数据表征所述服务车辆在所述第一服务过程中的轨迹状态；
将所述订单运行数据、所述轨迹数据、所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分。


3.根据权利要求1所述的服务异常检测方法，其特征在于，所述获取服务车辆的服务状况信息和所述服务车辆的异常音频标签的步骤之前，所述方法还包括：
获取所述服务车辆的音频数据和所述音频数据对应的文本数据；
将所述音频数据输入预先训练的声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率；
获取所述文本数据中与关键词匹配的目标关键词，以及所述目标关键词在文本数据中出现的频次；所述关键词与服务发生异常情况存在正向关联；
将所述异常声音的类别、所述异常声音的类别对应的概率、所述目标关键词及所述目标关键词对应的频次作为所述异常音频标签。


4.根据权利要求3所述的服务异常检测方法，其特征在于，所述将所述音频数据输入预先训练的声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率的步骤包括：
将所述音频数据拆分成多个音频数据片段；
将所述多个音频数据片段输入所述声音模型，获得各所述音频数据片段携带异常声音的类别和所述异常声音的类别对应的初始得分；
从全部所述初始得分中选取目标初始得分；所述目标初始得分的数值大于其他所述初始得分；
将所述目标初始得分对应的异常声音的类别作为所述声音模型输出的异常声音的类别；
将所述目标初始得分作为所述声音模型输出所述异常声音的类别对应的概率。


5.根据权利要求1所述的服务异常检测方法，其特征在于，所述获得所述服务车辆在所述第一服务过程中的异常得分的步骤之后，所述方法还包括：
根据所述异常得分，确定所述服务车辆发生服务异常的严重程度，所述异常得分与服务异常的严重程度成正相关。


6.根据权利要求1所述的服务异常检测方法，其特征在于，所述获取服务车辆的服务状况信息和所述服务车辆的异常音频标签的步骤之前，所述方法还包括：
获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息表征所述目标服务车辆在第二服务过程中的状态信息；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；
将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型。


7.根据权利要求1所述的服务异常检测方法，其特征在于，所述获取服务车辆的服务状况信息和所述服务车辆的异常音频标签的步骤之前，所述方法还包括：
获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；
提取所述历史音频数据中的频谱特征，得到历史频谱特征；
将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；
利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型。


8.一种训练服务异常检测模型的方法，其特征在于，所述方法包括：
获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息表征所述目标服务车辆在第二服务过程中的状态信息；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；
将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型。


9.一种训练声音模型的方法，其特征在于，所述方法包括：
获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；
提取所述历史音频数据中的频谱特征，得到历史频谱特征；
将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；
利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型。


10.一种服务异常检测装置，其特征在于，所述装置包括：
获取模块，用于获取服务车辆的服务状况信息和所述服务车辆的异常音频标签；所述服务状况信息表征所述服务车辆在第一服务过程中的状态信息；所述异常音频标签表征在所述第一服务过程中所述服务车辆存在异常声音；
检测模块，用于...

【专利技术属性】
技术研发人员：张佳林，沙泓州，高永虎，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11