本发明专利技术提出一种行程安全风险评估方法、装置、介质，方法包括：获取行程轨迹数据；提取所述行程轨迹数据中的轨迹的移动行为特征，对所述行程轨迹数据进行路网匹配，提取轨迹的路段转移特征；将所述移动行为特征和所述路段转移特征分别作为双通道VAE网络其中一通道的特征输入，生成相互独立的移动行为特征学习模型和路段转移特征学习模型；利用融合网络聚合所述移动行为特征学习模型和路段转移特征学习模型，得到融合轨迹特征，识别正常行程与风险行程。该方法提升了模型对于行程安全风险实时评估的有效性和准确率。估的有效性和准确率。估的有效性和准确率。
【技术实现步骤摘要】
行程安全风险评估方法、装置、介质
[0001]本专利技术涉及风险评估
，尤其涉及一种行程安全风险评估方法、装置、介质。
技术介绍
[0002]目前，对于打车服务中乘客的安全问题，主要是通过利用车内监控视频以及行程录音等数据，使用计算机视觉和语音识别技术检测异常事件是否发生。然而，视频和语音数据通常会危及顾客的隐私，应在实践中谨慎使用。相较而言，轨迹数据不仅描述了司机的行动方式，而且结合路网数据之后可以有效反映环境信息，且不包含识别信息。因此，轨迹数据更适合用于识别与安全相关的异常行程。
[0003]现有的基于轨迹数据的异常行程检测方法主要可以分为两类，基于度量的方法和基于学习的方法。基于度量的方法使用预定义的度量计算异常分数，从而衡量正在进行的轨迹与参考轨迹之间的差异。然后使用特定的阈值来识别异常行程。然而，这些方法无法对上下文信息进行建模，例如道路条件和司机行为，容易引起误报警。另一方面，度量机制大多针对特定场景设计，泛化能力差。为了解决这些问题，一些学者提出了基于学习的方法来捕获可以有效评估异常的上下文特征，在挖掘深层异常特征的同时，具有更好的泛化能力。
[0004]然而，现有基于学习的异常行程检测方法大多针对与安全相关的异常行程大不相同的绕路行程设计，并不适用于行程的安全性分析，主要是由于：一方面，安全相关的异常行程更为复杂，安全事件受多个因素影响，例如订车时间、停车时间以及城市地区的犯罪率。对多种相关因素的建模和分析对于行程安全风险评估具有重要意义。另一方面，行程数据中缺少标记为异常行程的数据。打车服务平台依赖于乘客的报告来收集安全事件样本，导致了标记数据的稀缺。这要求异常检测方法需要具有强大的鲁棒性，以在少量标记样本上进行训练。
技术实现思路
[0005]针对当前基于学习的方法无法应用于行程安全风险评估的问题，本专利技术提出一种行程安全风险评估方法、装置、介质，提升了模型对于行程安全风险实时评估的有效性和准确率。
[0006]为了实现上述目的，本专利技术一方面提供一种行程安全风险评估方法，包括：
[0007]获取行程轨迹数据；
[0008]提取所述行程轨迹数据中的轨迹的移动行为特征，
[0009]对所述行程轨迹数据进行路网匹配，提取轨迹的路段转移特征；
[0010]将所述移动行为特征和所述路段转移特征分别作为双通道VAE网络其中一通道的特征输入，生成相互独立的移动行为特征学习模型和路段转移特征学习模型；
[0011]利用融合网络聚合所述移动行为特征学习模型和路段转移特征学习模型，得到融合轨迹特征，识别正常行程与风险行程。
[0012]可选的，所述对所述行程轨迹数据进行路网匹配，提取轨迹的路段转移特征，包括：
[0013]对所述行程轨迹数据进行路网匹配，得到轨迹数据的路段标准序列，建模所述行程轨迹数据的环境特征；
[0014]采用GCN学习路段表征，生成含有交通状况信息的所述路段转移特征。
[0015]可选的，将所述移动行为特征作为双通道VAE网络其中一通道的特征输入，生成移动行为特征学习模型，包括：
[0016]以所述移动行为特征的序列作为输入序列，所述移动行为特征包含速度特征与距离特征；
[0017]通过重建平均速度和累积距离构建训练任务，得到重建序列，学习移动行为特征隐空间；
[0018]使用所述输入序列和重建序列之间的交叉熵损失进行模型优化。
[0019]可选的，将所述路段转移特征作为双通道VAE网络其中一通道的特征输入，生成路段转移特征学习模型，包括：
[0020]以路段转移特征的序列作为输入序列，
[0021]通过最大化可观测数据中路段的生成概率，学习路段的转移特征，生成路段转移特征学习模型。
[0022]可选的，利用有监督对比损失识别所述正常行程与风险行程，包括：
[0023][0024]其中，表示对比损失函数，hf表示聚合了时间信息以及起止点信息之后的隐表征，h
f
＝concat(t1；h
T
；h
od
)；
[0025]h
T
＝concat(μ
m
，σ
m
，μ
r
，σ
r
)，使用双通道VAE生成的相关向量(μ
m
，σ
m
)和(μ
r
，σ
r
)；
[0026]h
od
＝concat(e1，e
k
)，e1，e
k
表示起止路段的嵌入向量。
[0027]BN表示当前batch的大小，i、j表示样本的索引，l
i
、l
j
表示样本i和j的标签，t1表示行程的出发时间，τ表示温度系数。
[0028]可选的，在利用融合网络聚合所述移动行为特征学习模型和路段转移特征学习模型，得到融合轨迹特征，识别正常行程与风险行程之后，还包括：
[0029]使用所述行程轨迹数据中一部分可观测轨迹数据，通过增量式的评估策略，计算行程异常评分，对行程安全风险进行评估。
[0030]可选的，通过增量式的评估策略，计算行程异常评分，包括：
[0031]对于可观测轨迹数据，记录当前时间步的初始行程状态，所述初始行程状态包括初始行程异常评分；
[0032]通过监视收集到的可观测轨迹数据是否到达新窗口或切换到新的道路段，判定是否需要进一步推理；
[0033]在需要进一步推理的情况下，利用相关的隐藏状态初始化一个编码器，并对最近到达的数据进行一步前向计算；
[0034]重新计算行程异常评分并更新记录行程状态。
[0035]可选的，使用固定时间长度的滑动窗口，提取所述行程轨迹数据中的轨迹的移动行为特征。
[0036]本专利技术另一方面还提供了一种行程安全风险评估装置，采取上述的行程安全风险评估方法，至少包括：
[0037]数据采集模块，用于获取行程轨迹数据；
[0038]特征提取模块，用于提取所述行程轨迹数据中的轨迹的移动行为特征，及
[0039]对所述行程轨迹数据进行路网匹配，提取轨迹的路段转移特征；
[0040]模型构建模块，用于将所述移动行为特征和所述路段转移特征分别作为双通道VAE网络其中一通道的特征输入，生成相互独立的移动行为特征学习模型和路段转移特征学习模型；
[0041]模型优化模块，用于利用融合网络聚合所述移动行为特征学习模型和路段转移特征学习模型，得到融合轨迹特征，识别正常行程与风险行程。
[0042]本专利技术另一方面还提供了一种存储介质，用于存储一种用于执行上述的行程安全风险评估方法的计算机程序。
[0043]由以上方案可知，本专利技术的优点在于：
[0044]本专利技术提供的行程安全风险评估方法，其通过提取行程轨迹数据中的轨迹的移动行为特征，以本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种行程安全风险评估方法，其特征在于，包括：获取行程轨迹数据；提取所述行程轨迹数据中的轨迹的移动行为特征，对所述行程轨迹数据进行路网匹配，提取轨迹的路段转移特征；将所述移动行为特征和所述路段转移特征分别作为双通道VAE网络其中一通道的特征输入，生成相互独立的移动行为特征学习模型和路段转移特征学习模型；利用融合网络聚合所述移动行为特征学习模型和路段转移特征学习模型，得到融合轨迹特征，识别正常行程与风险行程。2.根据权利要求1所述的方法，其特征在于，所述对所述行程轨迹数据进行路网匹配，提取轨迹的路段转移特征，包括：对所述行程轨迹数据进行路网匹配，得到轨迹数据的路段标准序列，建模所述行程轨迹数据的环境特征；采用GCN学习路段表征，生成含有交通状况信息的所述路段转移特征。3.根据权利要求1所述的方法，其特征在于，将所述移动行为特征作为双通道VAE网络其中一通道的特征输入，生成移动行为特征学习模型，包括：以所述移动行为特征的序列作为输入序列，所述移动行为特征包含速度特征与距离特征；通过重建平均速度和累积距离构建训练任务，得到重建序列，学习移动行为特征隐空间；使用所述输入序列和重建序列之间的交叉熵损失进行模型优化。4.根据权利要求1所述的方法，其特征在于，将所述路段转移特征作为双通道VAE网络其中一通道的特征输入，生成路段转移特征学习模型，包括：以路段转移特征的序列作为输入序列，通过最大化可观测数据中路段的生成概率，学习路段的转移特征，生成路段转移特征学习模型。5.根据权利要求1所述的方法，其特征在于，利用有监督对比损失识别所述正常行程与风险行程，包括：其中，表示对比损失函数，h
f
表示聚合了时间信息以及起止点信息之后的隐表征，h
f
＝concat(t1；h
T
；h
od
)；h
T
＝concat(μ
m
,σ
m
,μ
r
,σ
r
)，使用双通道VAE生成的相关向量(μ
m
,σ
m
)和(μ
r...
【专利技术属性】
技术研发人员：苏越阳，姚迪，毕经平，
申请(专利权)人：中国科学院计算技术研究所，
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。