本发明专利技术公开了一种人工智能模型训练方法、车辆行驶轨迹异常性检测方法、装置和存储介质，人工智能模型训练方法包括以轨迹网格序列和轨迹图像分别作为第一人工智能模型和第二人工智能模型的输入，获取输出的序列特征和图像特征，获取分类器输出的异常性检测结果，对第一人工智能模型和第二人工智能模型的参数执行反向计算等步骤。通过训练第一人工智能模型和第二人工智能模型，可以使得第一人工智能模型和第二人工智能模型学习到车辆行驶轨迹的宏观信息和微观信息，当应用第一人工智能模型和第二人工智能模型进行车辆行驶轨迹异常性检测，可以避免阈值敏感，对于轨迹稀疏的区域也能取得较准确的检测结果。本发明专利技术广泛应用于空间信息处理技术领域。于空间信息处理技术领域。于空间信息处理技术领域。
【技术实现步骤摘要】
模型训练方法、行驶轨迹异常性检测方法、装置和介质
[0001]本专利技术涉及空间信息处理
，尤其是一种人工智能模型训练方法、车辆行驶轨迹异常性检测方法、装置和存储介质。
技术介绍
[0002]车辆行驶轨迹的异常性检测是交通领域数据挖掘的一个重点，通过检测车辆尤其是营运车辆的行驶轨迹的异常性，可以判断行驶轨迹是否存在异常，从而进一步调查产生异常的原因，例如因城市拥堵导致行驶轨迹异常，或者因营运车辆司机的恶意绕路行为导致行驶轨迹异常等，可以为城市管理决策提供数据支持。
[0003]现有的车辆行驶轨迹的异常性检测技术，主要是使用基于似然比的统计方法或者基于密度聚类的方法，这些方法共有的缺陷是对阈值敏感，因此在轨迹稀疏的区域无法取得较好的检测结果，因此对需要处理的车辆行驶轨迹的适应性较差，检测技术的适用范围受到限制。
技术实现思路
[0004]针对上述至少一个技术问题，本专利技术的目的在于提供一种人工智能模型训练方法、车辆行驶轨迹异常性检测方法、装置和存储介质。
[0005]一方面，本专利技术实施例包括一种人工智能模型训练方法，包括：
[0006]获取训练集；所述训练集包括多组车辆行驶轨迹；各所述车辆行驶轨迹均对应有各自的标签，所述标签用于标记所述车辆行驶轨迹的异常性；
[0007]对所述车辆行驶轨迹处理得到轨迹网格序列；
[0008]对所述车辆行驶轨迹处理得到轨迹图像；
[0009]以所述轨迹网格序列作为第一人工智能模型的输入，获取所述第一人工智能模型输出的序列特征；
[0010]以所述轨迹图像作为第二人工智能模型的输入，获取所述第二人工智能模型输出的图像特征；
[0011]将所述序列特征和所述图像特征拼接为融合向量；
[0012]以所述融合向量作为分类器的输入，获取所述分类器输出的异常性检测结果；所述异常性检测结果用于表示所述车辆行驶轨迹的异常性；
[0013]根据所述异常性检测结果与相应所述标签之间的偏差，对所述第一人工智能模型的参数和所述第二人工智能模型的参数执行反向计算，直至满足损失函数条件。
[0014]进一步地，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，包括：
[0015]对所述车辆行驶轨迹进行离散化，获得轨迹点序列；
[0016]将所述轨迹点序列上的各离散点映射到所述离散点所在的地图网格中，被映射的所述地图网格组成所述轨迹网格序列。
[0017]进一步地，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：
[0018]将对应的离散点数量小于阈值λ的所述地图网格标记为稀疏网格；
[0019]若所述轨迹网格序列中包含连续的n个所述稀疏网格，将所述轨迹网格序列归为负样本，反之将所述轨迹网格序列归为正样本。
[0020]进一步地，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：
[0021]对于被归为正样本的所述轨迹网格序列，将其中的部分所述轨迹网格序列随机翻转；
[0022]将经过地图网格随机翻转的所述轨迹网格序列归为负样本。
[0023]进一步地，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：
[0024]使用词向量转换，将轨迹网格序列转换成一维表示向量；所述一维表示向量用于输入至所述第一人工智能模型。
[0025]进一步地，所述根据所述车辆行驶轨迹处理得到轨迹图像，包括：
[0026]对所述车辆行驶轨迹进行离散化，获得轨迹点序列；
[0027]将所述轨迹点序列上的各离散点映射到所述离散点所在的地图网格中，被映射的所述地图网格组成所述轨迹网格序列；
[0028]添加颜色至所述轨迹网格序列中的各所述地图网格；所述地图网格中的颜色的深度与所述地图网格对应的离散点的数量相关。
[0029]进一步地，所述第一人工智能模型为双向长短期记忆模型，所述第二人工智能模型为卷积神经网络。
[0030]另一方面，本专利技术实施例还包括一种车辆行驶轨迹异常性检测方法，包括：
[0031]获取车辆行驶轨迹；
[0032]对所述车辆行驶轨迹处理，得到轨迹网格序列和轨迹图像；
[0033]以所述轨迹网格序列作为第一人工智能模型的输入，获取所述第一人工智能模型输出的序列特征；所述第一人工智能模型经过实施例中的人工智能模型训练方法训练；
[0034]以所述轨迹图像作为第二人工智能模型的输入，获取所述第二人工智能模型输出的图像特征；所述第二人工智能模型经过实施例中的人工智能模型训练方法训练；
[0035]将所述序列特征和所述图像特征拼接为融合向量；
[0036]以所述融合向量作为分类器的输入，获取所述分类器输出的异常性检测结果；所述异常性检测结果用于表示所述车辆行驶轨迹的异常性。
[0037]另一方面，本专利技术实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例所述方法。
[0038]另一方面，本专利技术实施例还包括一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例所述方法。
[0039]本专利技术的有益效果是：通过对车辆行驶轨迹处理得到轨迹网格序列以训练第一人工智能模型，对车辆行驶轨迹处理得到轨迹图像以训练第二人工智能模型，可以使得第一人工智能模型和第二人工智能模型学习到车辆行驶轨迹的宏观信息和微观信息，当应用经过训练的第一人工智能模型和第二人工智能模型进行车辆行驶轨迹异常性检测，可以避免阈值敏感，对于轨迹稀疏的区域也能取得较准确的检测结果。
附图说明
[0040]图1为实施例中人工智能模型训练方法的流程图；
[0041]图2为实施例中轨迹图像的显示效果图；
[0042]图3为实施例中人工智能模型训练方法的原理图；
[0043]图4为实施例中所使用的卷积神经网络的结构示意图；
[0044]图5为实施例中车辆行驶轨迹异常性检测方法的流程图。
具体实施方式
[0045]本实施例中，参照图1，所执行的人工智能模型训练方法包括以下步骤：
[0046]P1.获取训练集；其中，训练集包括多组车辆行驶轨迹，各车辆行驶轨迹均对应有各自的标签，标签用于标记车辆行驶轨迹的异常性；
[0047]P2.对车辆行驶轨迹处理得到轨迹网格序列；
[0048]P3.对车辆行驶轨迹处理得到轨迹图像；
[0049]P4.以轨迹网格序列作为第一人工智能模型的输入，获取第一人工智能模型输出的序列特征；
[0050]P5.以轨迹图像作为第二人工智能模型的输入，获取第二人工智能模型输出的图像特征；
[0051]P6.将序列特征和图像特征拼接为融合向量；
[0052]P7.以融合向量作为分类器的输入，获取分类器输出的异常性检测结果，其中，异常性检测结果用于表示车辆行驶轨迹的异常性；...
【技术保护点】
【技术特征摘要】
1.一种人工智能模型训练方法，其特征在于，包括：获取训练集；所述训练集包括多组车辆行驶轨迹；各所述车辆行驶轨迹均对应有各自的标签，所述标签用于标记所述车辆行驶轨迹的异常性；对所述车辆行驶轨迹处理得到轨迹网格序列；对所述车辆行驶轨迹处理得到轨迹图像；以所述轨迹网格序列作为第一人工智能模型的输入，获取所述第一人工智能模型输出的序列特征；以所述轨迹图像作为第二人工智能模型的输入，获取所述第二人工智能模型输出的图像特征；将所述序列特征和所述图像特征拼接为融合向量；以所述融合向量作为分类器的输入，获取所述分类器输出的异常性检测结果；所述异常性检测结果用于表示所述车辆行驶轨迹的异常性；根据所述异常性检测结果与相应所述标签之间的偏差，对所述第一人工智能模型的参数和所述第二人工智能模型的参数执行反向计算，直至满足损失函数条件。2.根据权利要求1所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，包括：对所述车辆行驶轨迹进行离散化，获得轨迹点序列；将所述轨迹点序列上的各离散点映射到所述离散点所在的地图网格中，被映射的所述地图网格组成所述轨迹网格序列。3.根据权利要求2所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：将对应的离散点数量小于阈值λ的所述地图网格标记为稀疏网格；若所述轨迹网格序列中包含连续的n个所述稀疏网格，将所述轨迹网格序列归为负样本，反之将所述轨迹网格序列归为正样本。4.根据权利要求3所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：对于被归为正样本的所述轨迹网格序列，将其中的部分所述轨迹网格序列随机翻转；将经过地图网格随机翻转的所述轨迹网格序列归为负样本。5.根据权利要求2-4任一项所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行...
【专利技术属性】
技术研发人员：董蒲，曹阳，张金区，缪梓敬，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。