【技术实现步骤摘要】
本专利技术涉及计算机，特别涉及一种基于多视图最优传输的停车场异常行为处理方法。
技术介绍
1、停车场异常行为检测和处理是关系民生的重点问题。一方面停车场设备异常(如不抬杆、道闸砸车、缴费失败等)会导致较差的用户体验，影响停车场的基本秩序；另一方面，停车场纠纷异常(如，剐蹭事故等)为治安管理带来潜在威胁。为异常行为指派最优的解决方案(如呼叫在线客服、通知巡检员等)是避免上述风险问题的有效手段。然而，由于涉及到多设备、多异常类型和多解决方案的复杂最优匹配，大规模停车场中的异常行为处理问题始终悬而未决。常用的人工匹配方式灵活但成本高、效率低；一些现有的基于统计学方法或基于专家规则的匹配方式降低了人工成本，但灵活性差、准确率低；一些最新的基于深度学习的方法能够有效建模大规模异常行为，但受网络架构和优化策略的影响，依然存在三个固有问题：
2、(一)多来源的数据不能被有效地综合表征。停车场异常行为处理系统中的异常行为监测通常依赖于采集自不同终端的信息，以不同的形式存储，具有多来源、多形式的属性，这些特性可以统称为多视图属性。多视图数据包括多模态和多特征两类。例如，纠纷异常通常由停车场的监控设备捕获，以三维(3d,即2d图像+1d时间帧)视频、一维(1d)音频的形式存在；车牌识别异常通常以抓拍的2d牌照图像的形式存在。除了不同信息存储形式(即不同模态)，相同模态的数据也包括多种特征。例如，设备异常信息通常是被设备终端的日志文件以1d的文本形式记录，缴费异常信息来自于服务器端的结果反馈，同样以1d文本形式记录，但它们包含彼此异构的特
3、(二)异常行为域和解决方案域中的多点数据不能被有效地匹配。停车场异常行为处理系统中的另一个难点问题是涉及到不同域间的多点最优匹配问题，即如何为一个异常行为指派一个最优的解决方案。
4、(三)需要大量训练数据的深度学习模型难以部署。基于深度学习的模型通常需要大量的监督信息，使得在实际使用中不得不事先搜集历史数据，这为系统在新环境中的部署带来挑战。如何实现模型的冷启动，并在实际使用中快速迭代也是难点问题。
技术实现思路
1、为了解决上述问题，弥补现有方法的不足，本专利技术提供了一种基于多视图最优传输的停车场异常行为处理方法，先分别为异常行为数据和解决方案数据建立多视图数据集(库)，并通过建立退化模型得到对应的统一特征，再通过解决方案的空闲状态和特征相似度建立代价矩阵，最后通过求解一个最优传输问题获得异常行为和解决方案的最优匹配，可以以专家矫正+用户反馈的形式从头训练，快速部署到新环境。
2、为实现上述目的，本专利技术采用如下技术方案：
3、本专利技术提供了一种基于多视图最优传输的停车场异常行为处理方法，包括以下步骤：
4、异常行为多视图数据集构建：从停车场的硬件终端或传感器中获得异常行为相关的多视图数据构建异常行为多视图数据集；
5、解决方案多视图数据集构建：获取巡检员数据构建多视图数据集；
6、基于退化模型的统一表示构建：建立退化模型，采用退化模型分别为异常行为和解决方案从相应的多视图数据集中学习统一表示；
7、基于余弦相似度的代价矩阵构建：通过计算当前异常行为统一表示与现有解决方案中特征的余弦相似度，结合当前解决方案的空闲状态，得到代价矩阵；
8、最优传输问题求解及参数更新：通过sinkhorn算法求解最优传输问题，并利用随机梯度下降算法更新参数模型得到最优传输矩阵，通过计算最优传输矩阵中和最小的列得到指派结果；
9、匹配系统的使用和部署：部署分为两种情况，一种情况为：首次部署或系统处理满意度小于某个设定的阈值时，需要人工指派处理方式(转接在线客服或指派巡检员)，并将每次故障以多视图数据的形式保持为历史故障数据库；另一种情况为：当数据条目大于设定阈值或系统处理满意度达到设定的阈值后，直接由匹配系统指派处理方式。
10、作为本专利技术的进一步技术方案，所述异常行为多视图数据集中每条异常行为包含的多视图属性为：人工填写故障基本描述、停车场视频监控关键帧、事故监控属性、停车场缴费结果反馈、停车场道闸设备反馈、停车场监控录音片段、向量化的故障处理结果和向量化的故障处理反馈。
11、作为本专利技术的进一步技术方案，所述解决方案多视图数据集中每种解决方案包含的多视图属性：巡检员的位置坐标、巡检员的当前状态向量和巡检员的处理能力。
12、作为本专利技术的进一步技术方案，所述退化模型包括视图特定的潜在特征学习模块和视图共享的统一表示学习模块，视图特定的潜在特征学习模块包含单个隐藏层的感知机结构，用于接受不同尺寸的视图数据，并将其映射成维度相同的潜在特征特征；视图共享的统一表示学习模块包含两部分可训练参数，第一部分是一个退化模型g()，为包含非线性激活函数relu()的单层全连接层；第二部分是一组统一表示参数其中n是异常行为的数量，dm是特征的长度，统一表示参数从初始化开始，被要求能重建到各个视图的潜在特征，用退化学习模块的输入数据，其中v表示视图的数量，则退化模型学习的目标是最小化下面的重建损失函数：
13、
14、其中||·||2表示l2范数，fυ(.)表示第v个视图的潜在特征学习模块。
15、作为本专利技术的进一步技术方案，所述代价矩阵利用已有的历史数据信息，在当前待处理的异常行为特征与解决方案间建立一个基本的代价评估，其中n和m分别表示异常行为和解决方案的数量，ci，j的值越大，表示把第i个异常行为分配给第j个解决方案的代价越高，即越不应该将该异常分配给该解决方案，代价值与当前的巡检员的实时状态以及巡检员是否擅长处理该异常行为有关，巡检员的实时状态是解决方案数据集中的一个属性s.s，巡检员是否擅长处理该异常行为通过待处理的异常行为特征ai与解决方案中历史特征属性s.ai的余弦距离dcos(ai，s.ai)表示，在代价矩阵c中，ci，j值可以计算为ci，j＝|dcos(ai，s.ai)-s.s|。
16、作为本专利技术的进一步技术方案，求解最优传输问题的过程为：
17、假设异常行为和解决方案的统一表示分别服从概率分布p和q，则为异常行为分配解决方案的任务被建模为以下离散分布的最优传输(ot)问题：其中<.，.>是frobenius点乘算法，为代价矩阵，为最终需要优化的转移概率矩阵，且满足其中aj和si分别表示第j个异常行为和第i个解决方案特征，通过求解最优传输问题得到转移概率矩阵，每个异常行为在优化后的转移概率矩阵中值最大的列对应着最优的解决方案，完成指派。
18、作为本专利技术的进一步技术方案，所述参数更新过程采用的损失函数通过构建退化模型所采用的重构损失与求解最优传输问题采用的最优传输损失得到，其中λ是平衡超参数，通过随即梯度下降算法最小化损失函数来更新参数，训练得到最优的退化模型和概率转移矩阵。
19、作为本专利技术的进一步技术方案，所述匹配系统的使用本文档来自技高网...
【技术保护点】
1.一种基于多视图最优传输的停车场异常行为处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于多视图最优传输的停车场异常行为处理方法，其特征在于，所述异常行为多视图数据集中每条异常行为包含的多视图属性为：人工填写故障基本描述、停车场视频监控关键帧、事故监控属性、停车场缴费结果反馈、停车场道闸设备反馈、停车场监控录音片段、向量化的故障处理结果和向量化的故障处理反馈。
3.根据权利要求2所述基于多视图最优传输的停车场异常行为处理方法，其特征在于，所述解决方案多视图数据集中每种解决方案包含的多视图属性：巡检员的位置坐标、巡检员的当前状态向量和巡检员的处理能力。
4.根据权利要求3所述基于多视图最优传输的停车场异常行为处理方法，其特征在于，所述退化模型包括视图特定的潜在特征学习模块和视图共享的统一表示学习模块，视图特定的潜在特征学习模块包含单个隐藏层的感知机结构，用于接受不同尺寸的视图数据，并将其映射成维度相同的潜在特征特征；视图共享的统一表示学习模块包含两部分可训练参数，第一部分是一个退化模型g(.)，为包含非线性激活函数ReLU()的单
5.根据权利要求4所述基于多视图最优传输的停车场异常行为处理方法，其特征在于，所述代价矩阵利用已有的历史数据信息，在当前待处理的异常行为特征与解决方案间建立一个基本的代价评估，其中n和m分别表示异常行为和解决方案的数量，Ci，j的值越大，表示把第i个异常行为分配给第j个解决方案的代价越高，即越不应该将该异常分配给该解决方案，代价值与当前的巡检员的实时状态以及巡检员是否擅长处理该异常行为有关，巡检员的实时状态是解决方案数据集中的一个属性S.s，巡检员是否擅长处理该异常行为通过待处理的异常行为特征Ai与解决方案中历史特征属性S.Ai的余弦距离Dcos(Ai，S.Ai)表示，在代价矩阵C中，Ci，j值可以计算为Ci，j＝|Dcos(Ai，S.Ai)-S.s|。
6.根据权利要求5所述基于多视图最优传输的停车场异常行为处理方法，其特征在于，求解最优传输问题的过程为：
7.根据权利要求6所述基于多视图最优传输的停车场异常行为处理方法，其特征在于，所述参数更新过程采用的损失函数通过构建退化模型所采用的重构损失与求解最优传输问题采用的最优传输损失得到，其中λ是平衡超参数，通过随即梯度下降算法最小化损失函数来更新参数，训练得到最优的退化模型和概率转移矩阵。
8.根据权利要求7所述基于多视图最优传输的停车场异常行为处理方法，其特征在于，所述匹配系统的使用和部署过程为：
...【技术特征摘要】
1.一种基于多视图最优传输的停车场异常行为处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于多视图最优传输的停车场异常行为处理方法，其特征在于，所述异常行为多视图数据集中每条异常行为包含的多视图属性为：人工填写故障基本描述、停车场视频监控关键帧、事故监控属性、停车场缴费结果反馈、停车场道闸设备反馈、停车场监控录音片段、向量化的故障处理结果和向量化的故障处理反馈。
3.根据权利要求2所述基于多视图最优传输的停车场异常行为处理方法，其特征在于，所述解决方案多视图数据集中每种解决方案包含的多视图属性：巡检员的位置坐标、巡检员的当前状态向量和巡检员的处理能力。
4.根据权利要求3所述基于多视图最优传输的停车场异常行为处理方法，其特征在于，所述退化模型包括视图特定的潜在特征学习模块和视图共享的统一表示学习模块，视图特定的潜在特征学习模块包含单个隐藏层的感知机结构，用于接受不同尺寸的视图数据，并将其映射成维度相同的潜在特征特征；视图共享的统一表示学习模块包含两部分可训练参数，第一部分是一个退化模型g(.)，为包含非线性激活函数relu()的单层全连接层；第二部分是一组统一表示参数其中n是异常行为的数量，dm是特征的长度，统一表示参数从初始化开始，被要求能重建到各个视图的潜在特征，用退化学习模块的输入数据，其中v表示视图的数量，则退化模型学习的目标是最小化下面的重建损失...
【专利技术属性】
技术研发人员：刘寒松，王永，王国强，刘瑞，李贤超，焦安健，
申请(专利权)人：松立控股集团股份有限公司，
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。