基于时间序列的驾驶行为异常检测方法及其相关设备技术

本申请实施例属于金融科技技术领域，应用于车辆驾驶检测，可辅助于车辆事故认定与车险定价的市场研究与分析上，涉及一种基于时间序列的驾驶行为异常检测方法及其相关设备，包括结合ARIMA模型和车辆的驾驶轨迹数据分析预测驾驶行为是否存在异常，ARIMA模型训练阶段，对于训练集进行平稳性和非白噪声检验，使得最终保留的驾驶轨迹数据集中每一元素对应的时序数据序列都符合检验要求，保证ARIMI模型的异常检测精度。通过人工智能模型和实时检测相结合的方式，综合分析目标车辆的驾驶行为是否存在异常，相较于现有的拦车排查方式，更加智能化和科学化，能够结合高速实时抓拍设备分析正在行驶的车辆是否存在驾驶行为异常，尽量减少事故的发生。事故的发生。事故的发生。

【技术实现步骤摘要】
基于时间序列的驾驶行为异常检测方法及其相关设备


[0001]本申请涉及金融科技
，可辅助于车辆事故认定与车险定价的市场研究与分析上，尤其涉及一种基于时间序列的驾驶行为异常检测方法及其相关设备。

技术介绍

[0002]随着科学技术的发展，获取数据并利用数据建模以解决相应的问题，已是非常常见的技术手段。因数据保护法，私家车无法像商用车装置检测酒驾设备仪器。因此针对私家车现有的驾驶行为监控，主要基于交警人工检测及需装置的仪器，如除去以上检测设备，对此的监控还停留在根据报案时间及事故发生时间的等基础差异判断的二分类算法，同时还需要人工打电话查勘交涉才能最终判断司机是否驾驶异常行为。
[0003]目前，人工智能技术的兴起为数据智能处理提供了技术支持。在对驾驶异常行为的识别上，还缺乏一种能够结合人工智能技术的分析处理方式，以代替以往交警人工检测的方式去智能化和自动化的进行驾驶异常行为检测。因此，针对驾驶异常行为的识别上，还不够智能化和自动化。

技术实现思路

[0004]本申请实施例的目的在于提出一种基于时间序列的驾驶行为异常检测方法及其相关设备，以解决现有技术在驾驶异常行为的识别上，还不够智能化和自动化的问题。
[0005]为了解决上述技术问题，本申请实施例提供一种基于时间序列的驾驶行为异常检测方法，采用了如下所述的技术方案：
[0006]一种基于时间序列的驾驶行为异常检测方法，包括下述步骤：
[0007]实时获取待检测车辆的驾驶轨迹数据，其中，所述驾驶轨迹数据包括各个采集时间点、各个采集时间点下对应的车辆位置信息；
[0008]根据预设的时间间隔，对所述驾驶轨迹数据作时序数据排列，获得时序数据序列；
[0009]将所述时序数据序列输入到预训练完成的ARIMA模型，进行驾驶行为异常检测；
[0010]重复执行上述检测步骤，通过概率算法计算所述车辆存在驾驶行为异常的比值；
[0011]若所述比值大于预设的比例阈值，则获取所述车辆的登记信息，并向相关部门发送重点关注提醒。
[0012]进一步的，所述根据预设的时间间隔，对所述驾驶轨迹数据作时序数据排列的步骤，具体包括：
[0013]基于所述预设的时间间隔和所述各个采集时间点，对所述驾驶轨迹数据进行预处理，其中，所述预处理包括数据扩增处理或者数据删减处理；
[0014]选择任一采集时间点对应的车辆位置信息为初始时序数据；
[0015]根据所述预设的时间间隔依次获取下一个时间序列点对应的车辆位置信息为目标时序数据；
[0016]按照预设的时序数据排列格式，对各个时间序列点对应的目标时序数据进行排列
处理。
[0017]进一步的，所述基于所述预设的时间间隔和所述各个采集时间点，对所述驾驶轨迹数据进行预处理的步骤，具体包括：
[0018]获取所述各个采集时间点中相邻两个采集时间点间的时间间隔；
[0019]判断所述预设的时间间隔与所述相邻两个采集时间点间的时间间隔间的大小关系；
[0020]若所述预设的时间间隔大于所述相邻两个采集时间点间的时间间隔，则对所述驾驶轨迹数据进行缩放处理，并对所述车辆位置信息进行数据删减处理；
[0021]若所述预设的时间间隔小于所述相邻两个采集时间点间的时间间隔，则对所述驾驶轨迹数据进行拉伸处理，并对所述车辆位置信息进行数据扩增处理。
[0022]进一步的，在执行所述获得时序数据序列的步骤之后，所述方法还包括：
[0023]根据预设的筛选规则，筛选出所述时序数据序列中的异常数据，进行清除处理，其中，所述预设的筛选规则，具体筛选方式为：获取所述时序数据序列中所有的车辆位置信息，采用方差值计算方式，计算当前车辆位置信息与所有车辆位置信息平均值间的关系，判断所述方差值是否大于预设的方差阈值，若大于，则将所述当前车辆位置信息标记为异常数据。
[0024]进一步的，在执行所述将所述时序数据序列输入到预训练完成的ARIMA模型，进行驾驶行为异常检测的步骤之前，所述方法还包括：
[0025]获取预先已标记的驾驶轨迹数据集，其中，所述驾驶轨迹数据集一部分为正常驾驶轨迹数据，另一部分为异常驾驶轨迹数据；
[0026]根据所述预设的时间间隔，对所述驾驶轨迹数据集中每一条驾驶轨迹数据分别作时序数据排列，获得与所述驾驶轨迹数据集中元素数量相同的时序数据序列；
[0027]采用所述预设的筛选规则，对每个时序数据序列分别进行异常数据清除，获得待输入序列；
[0028]将所述待输入序列依次输入到预构建的ARIMA模型，进行增量式分类训练，获得各个待输入序列对应的正常或异常分类结果；
[0029]直到所述分类结果与标记结果一致，获得预训练完成的ARIMA模型。
[0030]进一步的，在执行所述根据所述预设的时间间隔，对所述驾驶轨迹数据集中每一条驾驶轨迹数据分别作时序数据排列，获得与所述驾驶轨迹数据集中元素数量相同的时序数据序列的步骤之后，所述方法还包括：
[0031]预先对所述驾驶轨迹数据集中每一元素对应的时序数据序列进行平稳性检验和非白噪声检验，具体的，采用ADF检验方法对所述驾驶轨迹数据集中每一元素对应的时序数据序列进行平稳性检验，采用点值分布概率统计法对所述驾驶轨迹数据集中每一元素对应的时序数据序列进行非白噪声检验；
[0032]根据平稳性检验结果和非白噪声检验结果，剔除不符合异常检测要求的时序数据序列，保留符合异常检测要求的时序数据序列。
[0033]进一步的，所述将所述时序数据序列输入到预训练完成的ARIMA模型，进行驾驶行为异常检测的步骤，具体包括：
[0034]将所述时序数据序列输入到预训练完成的ARIMA模型，获取模型输出结果；
[0035]若模型输出结果为正常，则所述时序数据序列对应的驾驶行为正常；
[0036]若模型输出结果为异常，则所述时序数据序列对应的驾驶行为异常；
[0037]所述重复执行上述检测步骤，通过概率算法计算所述车辆存在驾驶行为异常的比值的步骤，具体包括：
[0038]统计重复进行检测的总次数和模型输出结果为异常的次数；
[0039]根据所述概率算法、所述重复进行检测的总次数和模型输出结果为异常的次数，计算所述车辆存在驾驶行为异常的比值。
[0040]为了解决上述技术问题，本申请实施例还提供一种基于时间序列的驾驶行为异常检测装置，采用了如下所述的技术方案：
[0041]一种基于时间序列的驾驶行为异常检测装置，包括：
[0042]待检测数据获取模块，用于实时获取待检测车辆的驾驶轨迹数据，其中，所述驾驶轨迹数据包括各个采集时间点、各个采集时间点下对应的车辆位置信息；
[0043]时序数据转化模块，用于根据预设的时间间隔，对所述驾驶轨迹数据作时序数据排列，获得时序数据序列；
[0044]ARIMA模型检测模块，用于将所述时序数据序列输入到预训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列的驾驶行为异常检测方法，其特征在于，包括下述步骤：实时获取待检测车辆的驾驶轨迹数据，其中，所述驾驶轨迹数据包括各个采集时间点、各个采集时间点下对应的车辆位置信息；根据预设的时间间隔，对所述驾驶轨迹数据作时序数据排列，获得时序数据序列；将所述时序数据序列输入到预训练完成的ARIMA模型，进行驾驶行为异常检测；重复执行上述检测步骤，通过概率算法计算所述车辆存在驾驶行为异常的比值；若所述比值大于预设的比例阈值，则获取所述车辆的登记信息，并向相关部门发送重点关注提醒。2.根据权利要求1所述的基于时间序列的驾驶行为异常检测方法，其特征在于，所述根据预设的时间间隔，对所述驾驶轨迹数据作时序数据排列的步骤，具体包括：基于所述预设的时间间隔和所述各个采集时间点，对所述驾驶轨迹数据进行预处理，其中，所述预处理包括数据扩增处理或者数据删减处理；选择任一采集时间点对应的车辆位置信息为初始时序数据；根据所述预设的时间间隔依次获取下一个时间序列点对应的车辆位置信息为目标时序数据；按照预设的时序数据排列格式，对各个时间序列点对应的目标时序数据进行排列处理。3.根据权利要求2所述的基于时间序列的驾驶行为异常检测方法，其特征在于，所述基于所述预设的时间间隔和所述各个采集时间点，对所述驾驶轨迹数据进行预处理的步骤，具体包括：获取所述各个采集时间点中相邻两个采集时间点间的时间间隔；判断所述预设的时间间隔与所述相邻两个采集时间点间的时间间隔间的大小关系；若所述预设的时间间隔大于所述相邻两个采集时间点间的时间间隔，则对所述驾驶轨迹数据进行缩放处理，并对所述车辆位置信息进行数据删减处理；若所述预设的时间间隔小于所述相邻两个采集时间点间的时间间隔，则对所述驾驶轨迹数据进行拉伸处理，并对所述车辆位置信息进行数据扩增处理。4.根据权利要求1所述的基于时间序列的驾驶行为异常检测方法，其特征在于，在执行所述获得时序数据序列的步骤之后，所述方法还包括：根据预设的筛选规则，筛选出所述时序数据序列中的异常数据，进行清除处理，其中，所述预设的筛选规则，具体筛选方式为：获取所述时序数据序列中所有的车辆位置信息，采用方差值计算方式，计算当前车辆位置信息与所有车辆位置信息平均值间的关系，判断所述方差值是否大于预设的方差阈值，若大于，则将所述当前车辆位置信息标记为异常数据。5.根据权利要求4所述的基于时间序列的驾驶行为异常检测方法，其特征在于，在执行所述将所述时序数据序列输入到预训练完成的ARIMA模型，进行驾驶行为异常检测的步骤之前，所述方法还包括：获取预先已标记的驾驶轨迹数据集，其中，所述驾驶轨迹数据集一部分为正常驾驶轨迹数据，另一部分为异常驾驶轨迹数据；根据所述预设的时间间隔，对所述驾驶轨迹数据集中每一条驾驶轨迹数据分别作时序数据排列，获得与所述驾驶轨迹数据集中元素数量相同的时序数据序列；
采用所述预设的筛选规则，对每个时序数据序列分...

【专利技术属性】
技术研发人员：陈奕宇，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：