【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种异常网约车司机的检测方法、系统、装置和介质。
技术介绍
1、网约车作为一种线上线下服务，在满足日常出行需求方面发挥着至关重要的作用。作为城市交通系统的重要组成部分，网约车比传统出租车服务更方便、更便宜，但由于网约车司机的异质性，人们越来越担心安全问题。因此，如何准确、及时地从大量的网约车司机中识别出异常司机成为一项重要任务。对于乘客来说，可以降低交通出行过程中受伤和交通事故的风险；对于网约车公司来说，可以帮助评估网约车司机，并提醒那些倾向于异常的司机。
2、现有针对网约车异常的研究多集中在车辆轨迹异常上，如：基于度量的车辆轨迹异常检测、基于学习的车辆轨迹异常检测，其专注于对正在进行或已完成的车辆轨迹的异常检测，而对于如何检测出异常驾驶员则并无具体研究，若是可在出行开始前识别异常网约车司机，这将进一步促进网约车服务的安全运营。
3、目前针对相关技术中如何检测出网约车异常司机的问题，尚未提出有效的解决方案。
技术实现思路
1、本申请实施例提供了一种异常网约车司机的检测方法、系统、装置和介质，以至少解决相关技术中如何检测出网约车异常司机的问题。
2、第一方面，本申请实施例提供了一种异常网约车司机的检测方法，所述方法包括：
3、基于网约车司机的历史轨迹数据，训练得到共同路线偏好模型，其中，所述共同路线偏好模型用于学习所述网约车司机的共同路线偏好；
4、基于所述共同路线偏好模型，训练得到若干个性化路
5、根据个性化路线偏好模型计算得到的各个网约车司机的个性化路线偏好，从所述网约车司机中确定出异常网约车司机。
6、在其中一些实施例中，基于网约车司机的历史轨迹数据，训练得到共同路线偏好模型包括：
7、搭建基于最大熵逆强化学习算法的共同路线偏好模型；
8、基于网约车司机的历史轨迹数据，训练调整所述共同路线偏好模型的参数，得到训练好的共同路线偏好模型。
9、在其中一些实施例中，基于所述共同路线偏好模型，训练得到若干个性化路线偏好模型包括：
10、搭建基于最大熵逆强化学习算法的个性化路线偏好模型；
11、将所述共同路线偏好模型的参数，迁移到所述个性化路线偏好模型的对应参数上；
12、基于各个网约车司机的历史轨迹数据，分别训练调整所述个性化路线偏好模型的参数，得到训练好的若干个性化路线偏好模型。
13、在其中一些实施例中，将所述共同路线偏好模型的参数，迁移到所述个性化路线偏好模型的对应参数上包括：
14、将所述共同路线偏好模型中群体路径奖励网络的前若干层的参数，迁移到所述个性化路线偏好模型中个性化奖励网络的对应参数上，其中，所述群体路径奖励网络包含全连接层和批量归一化层，所述个性化奖励网络包含全连接层和批量归一化层，所述群体路径奖励网络和所述个性化奖励网络结构一致。
15、在其中一些实施例中，基于各个网约车司机的历史轨迹数据，分别训练调整所述个性化路线偏好模型的参数包括：
16、冻结所述个性化奖励网络上自所述共同路线偏好模型迁移来的参数，基于各个网约车司机的历史轨迹数据，分别训练调整所述个性化路线偏好模型的未被冻结的参数；
17、解冻所有网络层参数，对所述个性化路线偏好模型进行微调训练。
18、在其中一些实施例中，根据个性化路线偏好模型计算得到的各个网约车司机的个性化路线偏好，从所述网约车司机中确定出异常网约车司机包括：
19、通过自编码器对各个网约车司机的个性化路线偏好，进行降维处理；
20、对所述降维处理后的个性化路线偏好进行聚类，基于所述聚类的结果从所述网约车司机中确定出异常网约车司机。
21、在其中一些实施例中，对所述降维处理后的个性化路线偏好进行聚类，基于所述聚类的结果从所述网约车司机中确定出异常网约车司机包括：
22、通过k-means聚类对所述降维处理后的个性化路线偏好进行聚类，将所述网约车司机划分为两个聚类簇；
23、将所述聚类簇中规模较小的一个聚类簇所对应的网约车司机确定为异常网约车司机。
24、第二方面，本申请实施例提供了一种异常网约车司机的检测系统，所述系统用于执行上述第一方面任一项所述的方法，所述系统包括第一模型训练模块、第二模型训练模块和模型运用模块；
25、所述第一模型训练模块，用于根据网约车司机的历史轨迹数据，训练得到共同路线偏好模型，其中，所述共同路线偏好模型用于学习所述网约车司机的共同路线偏好；
26、所述第二模型训练模块，用于根据所述共同路线偏好模型，训练得到若干个性化路线偏好模型，其中，所述个性化路线偏好模型用于计算各个网约车司机的个性化路线偏好；
27、所述模型运用模块，用于根据个性化路线偏好模型计算得到的各个网约车司机的个性化路线偏好，从所述网约车司机中确定出异常网约车司机。
28、第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
29、第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的方法。
30、相比于相关技术，本申请实施例提供的一种异常网约车司机的检测方法、系统、装置和介质，其中，该方法基于网约车司机的历史轨迹数据，训练得到共同路线偏好模型，其中，共同路线偏好模型用于学习网约车司机的共同路线偏好；基于共同路线偏好模型，训练得到若干个性化路线偏好模型，其中，个性化路线偏好模型用于计算各个网约车司机的个性化路线偏好；根据个性化路线偏好模型计算得到的各个网约车司机的个性化路线偏好，从网约车司机中确定出异常网约车司机。实现了基于共同路线偏好模型以迁移训练出每个网约车驾驶员的个性化路线偏好模型，通过不同网约车驾驶员的个性化路线偏好，确定出异常网约车司机，解决了如何检测出网约车异常司机的问题。
本文档来自技高网...【技术保护点】
1.一种异常网约车司机的检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，基于网约车司机的历史轨迹数据，训练得到共同路线偏好模型包括：
3.根据权利要求1所述的方法，其特征在于，基于所述共同路线偏好模型，训练得到若干个性化路线偏好模型包括：
4.根据权利要求3所述的方法，其特征在于，将所述共同路线偏好模型的参数，迁移到所述个性化路线偏好模型的对应参数上包括：
5.根据权利要求3所述的方法，其特征在于，基于各个网约车司机的历史轨迹数据，分别训练调整所述个性化路线偏好模型的参数包括：
6.根据权利要求1所述的方法，其特征在于，根据个性化路线偏好模型计算得到的各个网约车司机的个性化路线偏好，从所述网约车司机中确定出异常网约车司机包括：
7.根据权利要求6所述的方法，其特征在于，对所述降维处理后的个性化路线偏好进行聚类，基于所述聚类的结果从所述网约车司机中确定出异常网约车司机包括：
8.一种异常网约车司机的检测系统，其特征在于，所述系统用于执行权利要求1至7任一项所述的方法，
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种异常网约车司机的检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，基于网约车司机的历史轨迹数据，训练得到共同路线偏好模型包括：
3.根据权利要求1所述的方法，其特征在于，基于所述共同路线偏好模型，训练得到若干个性化路线偏好模型包括：
4.根据权利要求3所述的方法，其特征在于，将所述共同路线偏好模型的参数，迁移到所述个性化路线偏好模型的对应参数上包括：
5.根据权利要求3所述的方法，其特征在于，基于各个网约车司机的历史轨迹数据，分别训练调整所述个性化路线偏好模型的参数包括：
6.根据权利要求1所述的方法，其特征在于，根据个性化路线偏好模型计算得到的各个网约车司机的个性化路线偏好，...
【专利技术属性】
技术研发人员：刘杉，章步镐，张亚，温晓岳，王正礼，郑振杰，罗鹏，
申请(专利权)人：银江技术股份有限公司，
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。