驾驶行为特征检测方法、装置、电子设备和计算机可读存储介质
阅读：715发布：2020-05-08
专利汇可以提供驾驶行为特征检测方法、装置、电子设备和计算机可读存储介质专利检索，专利查询，专利分析的服务。并且本 申请 提供了一种驾驶行为特征检测方法、装置、 电子 设备和计算机可读存储介质，其中，该方法包括：获取服务提供方的移动轨迹的数据序列，其中，数据序列中包括服务提供方所驾驶车辆在各个轨迹点的速度和 角 速度 ；对数据序列进行截取，得到至少一个序列 片段 ；通过 编码器 对至少一个序列片段进行编码处理，得到多维度的 特征向量 ；对多维度的特征向量进行聚合统计，得到服务提供方的驾驶行为特征。本申请 实施例 能够通过分析服务提供方的移动轨迹的数据序列解决 现有技术 难以对一段完整行驶轨迹内司机的驾驶行为进行完整的分析的问题，达到有效利用轨迹数据构建司机的驾驶行为特征的效果。，下面是驾驶行为特征检测方法、装置、电子设备和计算机可读存储介质专利的具体信息内容。
1.一种驾驶行为特征检测方法，其特征在于，所述方法包括：
获取服务提供方的移动轨迹的数据序列，其中，所述数据序列中包括所述服务提供方所驾驶车辆在各个轨迹点的速度和角速度；
对所述数据序列进行截取，得到至少一个序列片段；
通过编码器对所述至少一个序列片段进行编码处理，得到多维度的特征向量；
对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征。
2.如权利要求1所述的方法，其特征在于，对所述数据序列进行截取，得到至少一个序列片段包括：
控制目标滑动窗口按照移动步长沿所述数据序列滑动，得到多个目标滑动窗口，其中，所述移动步长小于所述目标滑动窗口的窗口长度；
按照所述目标滑动窗口的滑动顺序将所述多个目标滑动窗口划分成多个序列片段，其中，每个序列片段对应固定数量的目标滑动窗口；
基于每个序列片段所对应的目标滑动窗口的滑窗值确定所述序列片段中的数值，其中，所述滑窗值通过对应目标滑动窗口内轨迹点的速度和角速度的平均值确定。
3.如权利要求2所述的方法，其特征在于，通过以下方式确定每个序列片段所对应的目标滑动窗口的滑窗值，具体包括：
计算每个序列片段所对应的目标滑动窗口内全部轨迹点的速度平均值和角速度的平均值；
将所述目标滑动窗口内的轨迹点的速度平均值和角速度的平均值作为对应目标滑动窗口的滑窗值。
4.如权利要求1所述的方法，其特征在于，获取服务提供方的移动轨迹的数据序列包括：
获取服务提供方所驾驶车辆的移动轨迹数据；
从所述移动轨迹数据中提取各个轨迹点的速度和移动方向；
利用提取到的所述轨迹点的速度和移动方向确定所述服务提供方的移动轨迹的数据序列。
5.如权利要求1所述的方法，其特征在于，所述编码器中包括多个级联连接的数据处理层，其中，每个所述数据处理层包括两个卷积层和一个池化层。
6.如权利要求5所述的方法，其特征在于，通过编码器对所述至少一个序列片段进行编码处理，得到多维度的特征向量包括：
利用所述数据处理层中的卷积层对待处理数据进行卷积处理，得到卷积计算结果；
利用所述数据处理层中的池化层对所述卷积计算结果进行池化计算，得到池化计算结果，并将所述编码器中最后一个数据处理层输出的池化计算结果依次经过扁平化Flatten处理和全连接层处理之后的结果作为所述多维度的特征向量；
其中，当所述数据处理层为所述编码器中的第一个数据处理层时，所述数据处理层中卷积层的输入为一个序列片段；当所述数据处理层为所述编码器中的第一个数据处理层之外的数据处理层时，所述数据处理层中卷积层的输入为上一个数据处理层输出的池化计算结果。
7.如权利要求1所述的方法，其特征在于，所述特征向量为多个，对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征包括：
确定多个所述特征向量中各个维度数据的统计值，其中，所述统计值包括但不限于：最大值，最小值，分位数值，标准差，平均值，偏度，峰度；
将所述特征向量中各个维度数据的统计值确定为所述驾驶行为特征。
8.如权利要求1所述的方法，其特征在于，所述特征向量为多个，对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征还包括：
统计多个所述特征向量中每个特征向量所对应的驾驶行为的特征类别信息，并确定每个特征类别信息所对应的特征向量的数量；
基于所述每个特征类别信息所对应的特征向量的数量确定所述驾驶行为特征。
9.如权利要求1所述的方法，其特征在于，所述方法还包括：
将所述驾驶行为特征输入至分类模型进行分类处理，以通过分类结果确定所述服务提供方按照所述数据序列所对应的驾驶行为特征驾驶时，发生事故的概率。
10.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练样本，其中，所述训练样本包括序列片段样本；
通过所述训练样本对原始编码器进行训练，得到训练好的编码器。
11.如权利要求10所述的方法，其特征在于，通过所述训练样本对原始编码器进行训练包括：
通过原始编码器对所述训练样本中的序列片段样本进行编码，得到编码结果；
利用解码器对所述编码结果进行解码，得到解码结果；
利用所述解码结果与所述训练样本之间的差异值作为用于训练所述原始编码器与原始解码器的损失函数，并利用所述损失函数训练所述原始编码器与所述原始解码器直至所述原始解码器的复原误差满足精度要求。
12.一种驾驶行为特征检测装置，其特征在于，所述装置包括：
获取单元，用于获取服务提供方的移动轨迹的数据序列，其中，所述数据序列中包括所述服务提供方所驾驶车辆在各个轨迹点的速度和角速度；
截取单元，用于对所述数据序列进行截取，得到至少一个序列片段；
编码单元，用于通过编码器对所述至少一个序列片段进行编码处理，得到多维度的特征向量；
聚合统计单元，用于对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征。
13.如权利要求12所述的装置，其特征在于，所述截取单元包括：
控制模块，用于控制目标滑动窗口按照移动步长沿所述数据序列滑动，得到多个目标滑动窗口，其中，所述移动步长小于所述目标滑动窗口的窗口长度；
划分模块，用于按照所述目标滑动窗口的滑动顺序将所述多个目标滑动窗口划分成多个序列片段，其中，每个序列片段对应固定数量的目标滑动窗口；
确定模块，用于基于每个序列片段所对应的目标滑动窗口的滑窗值确定所述序列片段中的数值，其中，所述滑窗值通过对应目标滑动窗口内轨迹点的速度和角速度的平均值确定。
14.如权利要求13所述的装置，其特征在于，所述装置通过以下方式确定每个序列片段所对应的目标滑动窗口的滑窗值：
计算每个序列片段所对应的目标滑动窗口内全部轨迹点的速度平均值和角速度的平均值；
将所述目标滑动窗口内的轨迹点的速度平均值和角速度的平均值作为目标滑动窗口的滑窗值。
15.如权利要求12所述的装置，其特征在于，所述获取单元用于：
获取服务提供方所驾驶车辆的移动轨迹数据；
从所述移动轨迹数据中提取各个轨迹点的速度和移动方向；
将提取到的所述轨迹点的速度和移动方向作为所述服务提供方的移动轨迹的数据序列。
16.如权利要求12所述的装置，其特征在于，所述编码器中包括多个级联连接的数据处理层，其中，每个所述数据处理层包括两个卷积层和一个池化层。
17.如权利要求16所述的装置，其特征在于，所述编码单元用于：
利用所述数据处理层中的卷积层对待处理数据进行卷积处理，得到卷积计算结果；
利用所述数据处理层中的池化层对所述卷积计算结果进行池化计算，得到池化计算结果，并将所述编码器中最后一个数据处理层输出的池化计算结果依次经过扁平化flatten处理和全连接层处理之后的结果作为所述多维度的特征向量；
其中，当所述数据处理层为所述编码器中的第一个数据处理层时，所述数据处理层中卷积层的输入为一个序列片段；当所述数据处理层为所述编码器中的第一个数据处理层之外的数据处理层时，所述数据处理层中卷积层的输入为上一个数据处理层输出的池化计算结果。
18.如权利要求12所述的装置，其特征在于，所述特征向量为多个，所述聚合统计单元包括：
确定多个所述特征向量中各个维度数据的统计值，其中，所述统计值包括但不限于：最大值，最小值，分位数值，标准差和平均值，平均值，偏度，峰度；
将所述特征向量中各个维度数据的统计值确定为所述驾驶行为特征。
19.如权利要求12所述的装置，其特征在于，所述特征向量为多个，所述聚合统计单元还包括：
统计多个所述特征向量中每个特征向量所对应的驾驶行为的特征类别信息，并确定每个特征类别信息所对应的特征向量的数量；
基于所述每个特征类别信息所对应的特征向量的数量确定所述驾驶行为特征。
20.如权利要求12所述的装置，其特征在于，所述装置还用于：
将所述驾驶行为特征输入至分类模型进行分类处理，以通过分类结果确定所述服务提供方按照所述数据序列所对应的驾驶行为特征驾驶时，发生事故的概率。
21.如权利要求12所述的装置，其特征在于，所述装置还用于：
获取训练样本，其中，所述训练样本包括序列片段样本；
通过所述训练样本对原始编码器进行训练，得到训练好的编码器。
22.如权利要求21所述的装置，其特征在于，所述装置还用于：
通过原始编码器对所述训练样本中的序列片段样本进行编码，得到编码结果；
利用解码器对所述编码结果进行解码，得到解码结果；
利用所述解码结果与所述训练样本之间的差异值作为用于训练所述原始编码器与原始解码器的损失函数，并利用所述损失函数训练所述原始编码器与所述原始解码器直至所述原始解码器的复原误差满足精度要求。
23.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至11中任一所述的驾驶行为特征检测的方法的步骤。
24.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至11中任一所述的驾驶行为特征检测的方法的步骤。
驾驶行为特征检测方法、装置、电子设备和计算机可读存储
介质
技术领域
背景技术
[0002] 随着私家车持有量的持续增长，事故发生率也逐渐增加，司机的安全驾驶也逐渐受到人们的关注。同时，随着网约车业务的快速发展，网约车司机的安全驾驶行为也逐渐受到人们的关心和关注。
[0003] 在现有技术中，通常通过司机驾驶车辆的轨迹数据来分析司机的驾驶行为。但是，该方式仅能识别司机的个别危险动作(如“急加速”)。由于个别危险动作(如“急加速”)无法反应该司机一个完整的行驶轨迹中驾驶行为的危险程度。此外，通过这种方式构造的特征在司机维度也较为稀疏。因为，通过现有技术难以对一段完整行驶轨迹内司机的驾驶行为进行完整的分析。发明内容
[0004] 有鉴于此，本申请实施例的目的在于提供一种驾驶行为特征检测方法、装置、电子设备和计算机可读存储介质，能够通过分析服务提供方的移动轨迹的数据序列解决现有技术难以对一段完整行驶轨迹内司机的驾驶行为进行完整的分析的问题，达到有效利用轨迹数据构建司机的驾驶行为特征的效果。
[0005] 根据本申请的一个方面，提供一种电子设备，可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行所述机器可读指令，以执行一个或多个以下操作：
[0006] 根据本申请的另一个方面，还提供一种驾驶行为特征检测方法，所述方法包括：获取服务提供方的移动轨迹的数据序列，其中，所述数据序列中包括所述服务提供方所驾驶车辆在各个轨迹点的速度和角速度；对所述数据序列进行截取，得到至少一个序列片段；通过编码器对所述至少一个序列片段进行编码处理，得到多维度的特征向量；对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征。
[0007] 在本申请较佳的实施例中，对所述数据序列进行截取，得到至少一个序列片段包括：控制目标滑动窗口按照移动步长沿所述数据序列滑动，得到多个目标滑动窗口，其中，所述移动步长小于所述目标滑动窗口的窗口长度；按照所述目标滑动窗口的滑动顺序将所述多个目标滑动窗口划分成多个序列片段，其中，每个序列片段对应固定数量的目标滑动窗口；基于每个序列片段所对应的目标滑动窗口的滑窗值确定所述序列片段中的数值，其中，所述滑窗值通过对应目标滑动窗口内轨迹点的速度和角速度的平均值确定。
[0008] 在本申请较佳的实施例中，通过以下方式确定每个序列片段所对应的目标滑动窗口的滑窗值，具体包括：计算每个序列片段所对应的目标滑动窗口内全部轨迹点的速度平均值和角速度的平均值；将所述目标滑动窗口内的轨迹点的速度平均值和角速度的平均值作为对应目标滑动窗口的滑窗值。
[0009] 在本申请较佳的实施例中，获取服务提供方的移动轨迹的数据序列包括：获取服务提供方所驾驶车辆的移动轨迹数据；从所述移动轨迹数据中提取各个轨迹点的速度和移动方向；将提取到的所述轨迹点的速度和移动方向作为所述服务提供方的移动轨迹的数据序列。
[0010] 在本申请较佳的实施例中，所述编码器中包括多个级联连接的数据处理层，其中，每个所述数据处理层包括两个卷积层和一个池化层。
[0011] 在本申请较佳的实施例中，通过编码器对所述至少一个序列片段进行编码处理，得到多维度的特征向量包括：利用所述数据处理层中的池化层对所述卷积计算结果进行池化计算，得到池化计算结果，并将所述编码器中最后一个数据处理层输出的池化计算结果依次经过扁平化flatten处理和全连接层处理之后的结果作为所述多维度的特征向量；其中，当所述数据处理层为所述编码器中的第一个数据处理层时，所述数据处理层中卷积层的输入为一个序列片段；当所述数据处理层为所述编码器中的第一个数据处理层之外的数据处理层时，所述数据处理层中卷积层的输入为上一个数据处理层输出的池化计算结果。
[0012] 在本申请较佳的实施例中，所述特征向量为多个，对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征包括：确定多个所述特征向量中各个维度数据的统计值，其中，所述统计值包括但不限于：最大值，最小值，分位数值，标准差，平均值，偏度，峰度；将所述特征向量中各个维度数据的统计值确定为所述驾驶行为特征。
[0013] 在本申请较佳的实施例中，所述特征向量为多个，对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征还包括：统计多个所述特征向量中每个特征向量所对应的驾驶行为的特征类别信息，并确定每个特征类别信息所对应的特征向量的数量；基于所述每个特征类别信息所对应的特征向量的数量确定所述驾驶行为特征。
[0014] 在本申请较佳的实施例中，所述方法还包括：将所述驾驶行为特征输入至分类模型进行分类处理，以通过分类结果确定所述服务提供方按照所述数据序列所对应的驾驶行为特征驾驶时，发生事故的概率。
[0015] 在本申请较佳的实施例中，所述方法还包括：获取训练样本，其中，所述训练样本包括序列片段样本；通过所述训练样本对原始编码器进行训练，得到训练好的编码器。
[0016] 在本申请较佳的实施例中，通过所述训练样本对原始编码器进行训练包括：通过原始编码器对所述训练样本中的序列片段样本进行编码，得到编码结果；利用解码器对所述编码结果进行解码，得到解码结果；利用所述解码结果与所述训练样本之间的差异值作为用于训练所述原始编码器与原始解码器的损失函数，并利用所述损失函数训练所述原始编码器与所述原始解码器直至所述原始解码器的复原误差满足精度要求。
[0017] 根据本申请的另一个方面，还提供一种驾驶行为特征检测装置，所述装置包括：获取单元，用于获取服务提供方的移动轨迹的数据序列，其中，所述数据序列中包括所述服务提供方所驾驶车辆在各个轨迹点的速度和角速度；截取单元，用于对所述数据序列进行截取，得到至少一个序列片段；编码单元，用于通过编码器对所述至少一个序列片段进行编码处理，得到多维度的特征向量；聚合统计单元，用于对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征。
[0018] 在本申请较佳的实施例中，所述截取单元包括：控制模块，用于控制目标滑动窗口按照移动步长沿所述数据序列滑动，得到多个目标滑动窗口，其中，所述移动步长小于所述目标滑动窗口的窗口长度；划分模块，用于按照所述目标滑动窗口的滑动顺序将所述多个目标滑动窗口划分成多个序列片段，其中，每个序列片段对应固定数量的目标滑动窗口；确定模块，用于基于每个序列片段所对应的目标滑动窗口的滑窗值确定所述序列片段中的数值，其中，所述滑窗值通过对应目标滑动窗口内轨迹点的速度和角速度的平均值确定。
[0019] 在本申请较佳的实施例中，所述装置通过以下方式确定每个序列片段所对应的目标滑动窗口的滑窗值：计算每个序列片段所对应的目标滑动窗口内全部轨迹点的速度平均值和角速度的平均值；将所述目标滑动窗口内的轨迹点的速度平均值和角速度的平均值作为目标滑动窗口的滑窗值。
[0020] 在本申请较佳的实施例中，所述获取单元用于：获取服务提供方所驾驶车辆的移动轨迹数据；从所述移动轨迹数据中提取各个轨迹点的速度和移动方向；将提取到的所述轨迹点的速度和移动方向作为所述服务提供方的移动轨迹的数据序列。
[0021] 在本申请较佳的实施例中，所述编码器中包括多个级联连接的数据处理层，其中，每个所述数据处理层包括两个卷积层和一个池化层。
[0022] 在本申请较佳的实施例中，所述编码单元用于：利用所述数据处理层中的卷积层对待处理数据进行卷积处理，得到卷积计算结果；利用所述数据处理层中的池化层对所述卷积计算结果进行池化计算，得到池化计算结果，并将所述编码器中最后一个数据处理层输出的池化计算结果依次经过扁平化flatten处理和全连接层处理之后的结果作为所述多维度的特征向量；其中，当所述数据处理层为所述编码器中的第一个数据处理层时，所述数据处理层中卷积层的输入为一个序列片段；当所述数据处理层为所述编码器中的第一个数据处理层之外的数据处理层时，所述数据处理层中卷积层的输入为上一个数据处理层输出的池化计算结果。
[0023] 在本申请较佳的实施例中，所述特征向量为多个，所述聚合统计单元包括：确定多个所述特征向量中各个维度数据的统计值，其中，所述统计值包括但不限于：最大值，最小值，分位数值，标准差和平均值，平均值，偏度，峰度；将所述特征向量中各个维度数据的统计值确定为所述驾驶行为特征。
[0024] 在本申请较佳的实施例中，所述特征向量为多个，所述聚合统计单元还包括：统计多个所述特征向量中每个特征向量所对应的驾驶行为的特征类别信息，并确定每个特征类别信息所对应的特征向量的数量；基于所述每个特征类别信息所对应的特征向量的数量确定所述驾驶行为特征。
[0025] 在本申请较佳的实施例中，所述装置还用于：将所述驾驶行为特征输入至分类模型进行分类处理，以通过分类结果确定所述服务提供方按照所述数据序列所对应的驾驶行为特征驾驶时，发生事故的概率。
[0026] 在本申请较佳的实施例中，所述装置还用于：获取训练样本，其中，所述训练样本包括序列片段样本；通过所述训练样本对原始编码器进行训练，得到训练好的编码器。
[0027] 在本申请较佳的实施例中，所述装置还用于：通过原始编码器对所述训练样本中的序列片段样本进行编码，得到编码结果；利用解码器对所述编码结果进行解码，得到解码结果；利用所述解码结果与所述训练样本之间的差异值作为用于训练所述原始编码器与原始解码器的损失函数，并利用所述损失函数训练所述原始编码器与所述原始解码器直至所述原始解码器的复原误差满足精度要求。
[0028] 根据本申请的另一个方面，还提供一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如上述任一所述的驾驶行为特征检测的方法的步骤。
[0029] 根据本申请的另一个方面，还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述任一所述的驾驶行为特征检测的方法的步骤。
[0030] 在本实施例中，首先获取服务提供方的移动轨迹的数据序列；然后，对数据序列进行截取，得到至少一个序列片段；并通过编码器对至少一个序列片段进行编码处理，得到多维度的特征向量，最后，对多维度的特征向量进行聚合统计，得到服务提供方的驾驶行为特征。通过上述描述可知，本申请所提供的方法能够通过分析服务提供方的移动轨迹的数据序列，解决现有技术难以对一段完整行驶轨迹内司机的驾驶行为进行完整的分析的问题，达到有效利用轨迹数据构建司机的驾驶行为特征的效果。附图说明
[0031] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0032] 图1示出了本申请一些实施例的驾驶行为特征检测系统100的框图；
[0034] 图3示出了本申请的一些实施例的驾驶行为特征检测方法的流程图；
[0035] 图4示出了本申请实施例所提供的一种编码器的结构示意图；
[0036] 图5示出了本申请实施例所提供的一种多个多维特征向量的结构示意图；
[0037] 图6示出了本申请实施例所提供的另一种多个多维特征向量的结构示意图；
[0038] 图7示出了本申请实施例所提供的一种解码器的结构示意图；
[0039] 图8是示出本申请的一些实施例的驾驶行为特征检测装置的框图。
具体实施方式
[0040] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
[0041] 另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0042] 为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车场景”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕网约车场景进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于以下交通工具：可以包括出租车、私家车、顺风车、公共汽车、或无人驾驶车辆等，或其任意组合。
[0044] 本申请中的术语“乘客”、“请求方”、“服务人员”、“服务请求方”和“客户”可互换使用，以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用，以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如，用户可以是乘客、驾驶员、操作员等，或其任意组合。在本申请中，“乘客”和“乘客终端”可以互换使用，“驾驶员”和“驾驶员终端”可以互换使用。
[0045] 本申请中的术语“订单”指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
[0046] 本申请的一个方面涉及一种驾驶行为特征检测系统。该系统首先获取服务提供方的移动轨迹的数据序列；然后，对数据序列进行截取，得到至少一个序列片段；并通过编码器对至少一个序列片段进行编码处理，得到多维度的特征向量，最后，对多维度的特征向量进行聚合统计，得到服务提供方的驾驶行为特征。通过上述描述可知，本申请所提供的方法能够通过分析服务提供方的移动轨迹的数据序列，解决了现有技术难以对一段完整行驶轨迹内司机的驾驶行为进行完整的分析的问题，达到有效利用轨迹数据构建司机的驾驶行为特征的效果。
[0047] 司机的轨迹数据记录了平台司机各订单的实时运动状态与对应的道路状况，蕴含了司机在不同时空环境下的驾驶行为模式。轨迹数据中不仅包含了经纬度，还包含了速度，以及当前轨迹点与前一轨迹点连线和正北方向的顺时针夹角。在现有技术中，按照一定的规则从轨迹中鉴别单个危险动作(如“急加速”)，并没有获取某段移动轨迹的完整信息(例如以下完整信息：先加速、再减速、然后持续高速再停下来突然变速)。
[0048] 在本实施例中，将移动轨迹映射为多维的特征向量[x_1,…,x_n]，其中，多维的特征向量中包含移动轨迹的完整信息；在司机维度，对一名司机对应的多维特征向量进行聚合统计，可以得到非稀疏的司机特征。通过非稀疏的司机特征可以得出司机在一段移动轨迹上的完整驾驶行为特征，进而解决了现有技术难以对一段完整行驶轨迹内司机的驾驶行为进行完整的分析的问题。
[0049] 图1是本申请一些实施例的驾驶行为特征检测系统100的框图。例如，驾驶行为特征检测系统100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。驾驶行为特征检测系统100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140和数据库150中的一种或多种，服务器110中可以包括执行指令操作的处理器112。
[0050] 在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式系统)。在一些实施例中，服务器110相对于终端，可以是本地的、也可以是远程的。例如，服务器110可以经由网络120访问存储在服务请求方终端130、服务提供方终端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例，服务器110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中至少一个，以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。
[0051] 在一些实施例中，服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。在一些实施例中，处理器112可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等，或其任意组合。
[0052] 网络120可以用于信息和/或数据的交换。在一些实施例中，驾驶行为特征检测系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。在一些实施例中，网络120可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络130可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换节点，驾驶行为特征检测系统100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
[0053] 在一些实施例中，服务请求方终端130的用户可以是除服务实际需求者之外的其他人。在一些实施例中，服务提供方终端140的用户可以是服务实际提供者，也可以是除服务实际提供者之外的其他人。在一些实施例中，“服务请求方”和“服务请求方终端”可以互换使用，“服务提供方”和“服务提供方终端”可以互换使用。
[0054] 在一些实施例中，服务请求方终端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，服务提供方终端140可以是与服务请求方终端130类似或相同的设备。在一些实施例中，服务提供方终端140可以是具有定位技术的设备，用于定位服务提供方和/或服务提供方终端的位置。
[0055] 数据库150可以存储数据和/或指令。在一些实施例中，数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。在一些实施例中，数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM)；RAM可以包括动态RAM(Dynamic Random Access Memory,DRAM)，双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDR SDRAM)；静态RAM(Static Random-Access Memory,SRAM)，晶闸管RAM(Thyristor-Based Random Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-Only Memory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中，数据库150可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。
[0056] 在一些实施例中，数据库150可以连接到网络120以与驾驶行为特征检测系统100(例如，服务器110，服务请求方终端130，服务提供方终端140等)中的一个或多个组件通信。驾驶行为特征检测系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库150可以直接连接到驾驶行为特征检测系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140等)；或者，在一些实施例中，数据库150也可以是服务器110的一部分。
[0057] 在一些实施例中，驾驶行为特征检测系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140等)可以具有访问数据库150的权限。在一些实施例中，当满足一定条件时，驾驶行为特征检测系统100中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、或公众、或其任意组合有关的信息。例如，服务器110可以在接收服务请求之后读取和/或修改一个或多个用户的信息。
[0058] 图2示出根据本申请的一些实施例的可以实现本申请思想的服务器110、服务请求方终端130、服务提供方终端140的电子设备200的示例性硬件和软件组件的示意图。例如，处理器112可以用于电子设备200上，并且用于执行本申请中的功能。
[0059] 电子设备200可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的驾驶行为特征检测方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。
[0060] 例如，电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output，I/O)接口250。
[0061] 为了便于说明，在电子设备200中仅描述了一个处理器。然而，应当注意，本申请中的电子设备200还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备200的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。
[0062] 参见图3所示的一种驾驶行为特征检测方法的流程图。
[0063] 图3所示的驾驶行为特征检测方法以应用在网约车平台的服务器为例进行说明，该方法包括如下步骤：
[0064] 步骤S302，获取服务提供方的移动轨迹的数据序列，其中，所述数据序列中包括所述服务提供方所驾驶车辆在各个轨迹点的速度和角速度；
[0065] 步骤S304，对所述数据序列进行截取，得到至少一个序列片段；
[0066] 步骤S306，通过编码器对所述至少一个序列片段进行编码处理，得到多维度的特征向量；
[0067] 步骤S308，对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征。
[0068] 在本实施例中，首先获取服务提供方的移动轨迹的数据序列；然后，对数据序列进行截取，得到至少一个序列片段；并通过编码器对至少一个序列片段进行编码处理，得到多维度的特征向量，最后，对多维度的特征向量进行聚合统计，得到服务提供方的驾驶行为特征。通过上述描述可知，本申请所提供的方法能够通过分析服务提供方的移动轨迹的数据序列，解决了现有技术难以对一段完整行驶轨迹内司机的驾驶行为进行完整的分析的问题，达到有效利用轨迹数据构建司机的驾驶行为特征的效果。
[0069] 下面将结合具体应用场景(网约车场景)介绍上述步骤S302至步骤S308：
[0070] 服务请求方通过服务请求方终端向服务器发起叫车请求，服务器基于该叫车请求为服务请求方匹配对应的服务提供方。并在匹配到服务提供方之后，向服务提供方的服务提供方终端发送相对应的订单，以使服务提供方为服务请求方提供相应的服务。在服务结束之后，服务提供方终端将该订单的移动轨迹的移动轨迹数据发送至服务器中。服务器在获取到该移动轨迹数据之后，对该移动轨迹数据进行处理，得到包含服务提供方在移动轨迹上的各个轨迹点的速度和角速度。并对该数据序列进行截取，得到至少一个序列片段。之后，通过编码器对至少一个序列片段进行编码处理，得到多维度的特征向量。最后，对多维度的特征向量进行聚合统计，得到服务提供方的驾驶行为特征。其中，该驾驶行为特征能够反映服务提供方在该移动轨迹的驾驶行为特点。通过该驾驶行为特征能够对服务提供方的驾驶行为习惯进行分析，以分析该服务提供方是否处于危险驾驶行为阶段。下面将结合具体实施方式介绍上述步骤。
[0071] 通过上述描述可知，服务提供方终端向服务器发送的移动轨迹数据中包含各个轨迹点的移动信息，例如，经纬度，行进速度，当前轨迹点与前一轨迹点连线和正北方向的顺时针夹角等信息。该移动轨迹数据中可能会存在缺失的轨迹点，或者偏移较大的轨迹点。此时，可以对该移动轨迹数据中缺失的轨迹点进行填充，并对偏移较大的轨迹点进行修正。具体地，在本实施例中，针对缺失的轨迹点和偏移较大的轨迹点，可以通过相邻轨迹点计算每个缺失的轨迹点或者偏移较大的轨迹点的速度和移动方向等信息。
[0072] 在对移动轨迹数据中缺失的轨迹点进行补正，并对偏移较大的轨迹点进行修正之后，就可以从填充和/或修正之后的移动轨迹数据中提取各个轨迹点的速度和移动方向，并利用提取到的所述轨迹点的速度和移动方向确定所述服务提供方的移动轨迹的数据序列。
[0073] 通过上述描述可知，移动轨迹数据是由一系列不定数量的轨迹点组成，其中，与服务提供方的驾驶行为特征直接关联的是各轨迹点的实时速度与移动方向。基于此，在本实施例中，在提取到各个轨迹点的速度和移动方向之后，就可以基于相邻轨迹点之间的移动方向确定各个轨迹点的角速度。进而，将一条订单的移动轨迹数据转化为速度与角速度的数据序列。
[0074] 例如，轨迹点A1和轨迹点A2为移动轨迹数据中任意两个相邻的轨迹点。在提取到轨迹点A1和轨迹点A2的移动方向之后，可以利用轨迹点A1和轨迹点A2的移动方向确定轨迹点A2的角速度。
[0075] 在按照上述处理方式得到移动轨迹的数据序列之后，就可以包含服务提供方所驾驶车辆在各个轨迹点的速度和角速度的数据序列。之后，就可以对数据序列进行截取，得到至少一个序列片段。例如，将数据序列分割成若干时间等长的序列片段。每个序列片段能够反映服务提供方在移动轨迹的一段轨迹内的驾驶行为特征，所有序列片段就能够反映服务提供方在移动轨迹的总体驾驶行为特征。
[0076] 利用至少一个序列片段对服务提供方的在移动轨迹的总体驾驶行为特征进行特征分析的方式，能够解决现有技术难以对一段完整行驶轨迹内司机的驾驶行为进行完整的分析的问题。
[0077] 在一个可选的实施方式中，步骤S304，对所述数据序列进行截取，得到至少一个序列片段包括如下步骤：
[0078] 步骤S3041，控制目标滑动窗口按照移动步长沿所述数据序列滑动，得到多个目标滑动窗口，其中，所述移动步长小于所述目标滑动窗口的窗口长度；
[0079] 步骤S3042，按照所述目标滑动窗口的滑动顺序将所述多个目标滑动窗口划分成多个序列片段，其中，每个序列片段对应固定数量的目标滑动窗口；
[0080] 步骤S3043，基于每个序列片段所对应的目标滑动窗口的滑窗值确定所述序列片段中的数值，其中，所述滑窗值通过对应目标滑动窗口内轨迹点的速度和角速度的平均值确定。
[0081] 具体地，在本实施例中，预先设置了一个目标滑动窗口，在设置目标滑动窗口之后，就可以控制目标滑动窗口按照移动步长沿着数据序列滑动，从而得到多个目标滑动窗口。
[0082] 可选地，在本实施例中，该目标滑动窗口的移动步长可以选择为3秒，该目标滑动窗口的长度可以选择为6秒。需要说明的是，在本实施例中，移动步长并不一定选择为3秒，长度也并不一定选择为6秒，还可以选择为其他的时间，本实施例中不做具体限定。
[0083] 由于移动轨迹的数据序列中理想均匀的轨迹点间隔为3s。为避免单轨迹点的噪音与采集时可能产生的轨迹点的缺失，选择尺寸为6秒、移动步长(stride)为3秒的目标滑动窗口沿着数据序列滑动。移动步长的设定使得邻近目标滑动窗口共享一半窗口时间的轨迹点，因而计算得到的统计值较为平滑，并反映了目标滑动窗口的上下文环境。
[0084] 例如，第一个目标滑动窗口是0-6秒，第二个目标滑动窗口是3-9秒，第三个目标滑动窗口是6-12s，依次类推，新增一个窗口，时间向后递推为3s，即6s的一半。
[0085] 在得到多个目标滑动窗口，就可以将多个目标滑动窗口划分成至少一个序列片段。
[0086] 需要说明的是，在本实施例中，可以按照目标滑动窗口的滑动顺序，并基于预设窗口数量和预设步伐将多个目标滑动窗口划分成至少一个序列片段。
[0087] 例如，每个序列片段的大小设定为128个单位的目标滑动窗口，步伐设为96个单位窗口。其中，128个单位的目标滑动窗口即为预设窗口数量，步伐96即为预设步伐。假设，共将数据序列划分成256个目标滑动窗口，那么可以基于第1-128个目标滑动窗口及其窗口内轨迹点的速度和角速度的平均值确定第一个序列片段，接下来，基于第96-256个目标滑动窗口及其窗口内轨迹点的速度和角速度的平均值确定第二个序列片段。
[0088] 也即，每个序列片段反应了服务提供方在128*6/2＝384秒内的驾驶行为，邻近序列片段共享了32*6/2＝96秒的信息。通过上述处理方式，可以使得邻近序列片段不再独立，而是保有一定的相关性。
[0089] 在一个可选的实施方式中，通过以下方式确定每个序列片段所对应的目标滑动窗口的滑窗值，具体包括如下步骤：
[0090] 步骤S11，计算每个序列片段所对应的目标滑动窗口内全部轨迹点的速度平均值和角速度的平均值；
[0091] 步骤S12，将所述目标滑动窗口内的轨迹点的速度平均值和角速度的平均值作为对应目标滑动窗口的滑窗值。
[0092] 针对任意一个序列片段所对应的目标滑动窗口，计算其所对应的各个目标滑动窗口内全部轨迹点的速度平均值和角速度的平均值。例如，任意一个序列片段对应第1至128个目标滑动窗口，此时需要第1至128个目标滑动窗口中，每个目标滑动窗口内全部轨迹点的的速度平均值和角速度的平均值，得到128个目标滑动窗口的速度平均值和角速度的平均值。最后，将计算得到的128个目标滑动窗口的速度平均值和角速度的平均值作为该序列片段中的数据。
[0093] 对于其他的序列片段，均采用上述方式来进行确定，此处不再详细赘述。
[0094] 通过上述步骤S302至步骤S308的描述可知，在对数据序列进行截取，得到至少一个序列片段之后，就可以通过编码器对至少一个序列片段进行编码处理，得到多维度的特征向量。
[0095] 可选地，在本实施例中，编码器中包括多个级联连接的数据处理层，其中，每个所述数据处理层包括两个卷积层和一个池化层。
[0096] 编码器是一种以无监督方式学习输入数据编码的神经网络，学习得到的编码通过特定的解码器(其中解码器结构往往与编码器镜像对称)可以极大程度地还原输入数据。考虑到序列片段是天然的时序数据，为充分挖掘利用数据在时间上的关联关系，在本实施例中，编码器中使用卷积层和池化层对数据进行处理，从而将时间相关性转置为空间相关性加以捕捉。
[0097] 如图4所示，该编码器包括3个级联连接的数据处理层和一个全连接层。每个数据处理层包括两个卷积层和一个池化层。
[0098] 基于此，步骤S306，通过编码器对所述至少一个序列片段进行编码处理，得到多维度的特征向量包括如下步骤：
[0099] 步骤S3061，利用所述数据处理层中的卷积层对待处理数据进行卷积处理，得到卷积计算结果；
[0100] 步骤S3062，利用所述数据处理层中的池化层对所述卷积计算结果进行池化计算，得到池化计算结果，并将所述编码器中最后一个数据处理层输出的池化计算结果依次经过扁平化flatten处理和全连接层处理之后的结果作为所述多维度的特征向量；
[0101] 其中，当所述数据处理层为所述编码器中的第一个数据处理层时，所述数据处理层中卷积层的输入为一个序列片段；当所述数据处理层为所述编码器中的第一个数据处理层之外的数据处理层时，所述数据处理层中卷积层的输入为上一个数据处理层输出的池化计算结果。
[0102] 具体地，假设该编码器为如图4所示的编码器，该编码器的数据处理过程描述如下：
[0103] 通过编码器第一个数据处理层的卷积层对至少一个序列片段进行卷积处理，得到卷积计算结果A1，并通过第一个数据处理层的池化层对卷积计算结果A1进行池化处理，得到池化处理结果B1。通过编码器第二个数据处理层的卷积层对池化处理结果B1进行卷积处理，得到卷积计算结果A2，并通过第二个数据处理层的池化层对卷积计算结果A2进行池化处理，得到池化处理结果B2。通过编码器第三个数据处理层的卷积层对池化处理结果B2进行卷积处理，得到卷积计算结果A3，并通过第三个数据处理层的池化层对卷积计算结果A3进行池化处理，得到池化处理结果B3。最后，经过全连接层FC输出之后得到多维度的特征向量。
[0104] 在本实施例中，在使用编码器的对序列片段进行处理时，相当于是将时间关系转换成空间关系。在具体处理时，可以将速度和角速度当作图像的通道(双通道序列片段)。目的是希望编码器能够获得n维的编码(或者特征向量)。需要说明的是，在本实施例中，编码器中使用的是1维的卷积层(Conv1D)。只不过每个卷积层是双通道(channel)的，第一个通道存放速度信息，第二个通道存放角速度信息。
[0105] 在本实施例中，在通过编码器对至少一个序列片段进行编码处理，得到多维度的特征向量之后，就可以对多维度的特征向量进行聚合统计，得到服务提供方的驾驶行为特征。
[0106] 若特征向量为多个，那么步骤S308，对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征包括如下步骤：
[0107] 步骤S3081，确定多个所述特征向量中各个维度数据的统计值，其中，所述统计值包括但不限于：最大值，最小值，分位数值，标准差，平均值，偏度，峰度；
[0108] 步骤S3082，将所述特征向量中各个维度数据的统计值确定为所述驾驶行为特征。
[0109] 在本实施例中，针对每个序列片段，均可以通过编码器将其映射到新的向量空间，从而得到一个多维(例如，n维)的特征向量。对于每个服务提供方来说，得到了多个(m个)n维的特征向量。
[0110] 上述多维的特征向量的每个维度反应了服务提供方在驾驶过程中不同方面的特质，因此在确定服务提供方的驾驶行为特征时，可以在每个维度上分别计算统计值(如最大值、最小值、分位数值、标准差、平均值等)进而，通过该统计值来描述该服务提供方在这一特质上的总体状态。
[0111] 例如，如图5所示，包括m个特征向量，每个特征向量的维度为n。针对m个特征向量中的维度1，例如，可以计算维度1中各个数据的最大值、最小值、分位数值、标准差、平均值等。针对m个特征向量的维度2，例如，可以计算维度1中各个数据的最大值、最小值、分位数值、标准差、平均值等。针对m个特征向量的维度3至维度n，均可以计算对应维度中各个数据的最大值、最小值、分位数值、标准差、平均值等。
[0112] 若统计值为最大值、最小值、分位数值、标准差、平均值，那么每个维度将得到5个统计值，n个维度将得到5*n个统计值。此时的5*n个统计值就可以作为驾驶行为特征。
[0113] 需要说明的是，如图5中所示的m个n维特征向量来自于服务提供方在某一时间范围内所有订单的序列片段，这些序列片段共同反应了服务提供方在这一时期的驾驶行为特点。对该m个n维特征向量进行聚合统计分析的方式，可以得到非稀疏的司机特征。通过非稀疏的司机特征可以得出司机在一段移动轨迹上的完整驾驶行为特征，进而解决了现有技术难以对一段完整行驶轨迹内司机的驾驶行为进行完整的分析的问题。
[0114] 若特征向量为多个，那么步骤S308，对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征还包括如下步骤：
[0115] 步骤S3083，统计多个所述特征向量中每个特征向量所对应的驾驶行为的特征类别信息，并确定每个特征类别信息所对应的特征向量的数量；
[0116] 步骤S3084，基于所述每个特征类别信息所对应的特征向量的数量确定所述驾驶行为特征。
[0117] 在本实施例中，针对每个序列片段，均可以通过编码器将其映射到新的向量空间，从而得到一个多维(例如，n维)的特征向量。对于每个服务提供方来说，得到了多个(m个)n维的特征向量。
[0118] 具体地，可以统计m个特征向量中每个特征向量所对应的驾驶行为的特征类别信息。例如，特征向量1所对应的驾驶行为的特征类别信息为“急刹车”，特征向量2所对应的驾驶行为的特征类别信息为“急刹车”和“急转弯”等依次确定特征向量1至特征向量m中每个特征向量所对应的特征类别信息。
[0119] 例如，如图6所示，通过步骤S3083可以确定出，特征向量1至特征向量n共对应K个特征类别信息，依次为cluster1至clusterK。从图6中可以看出，特征向量1的特征类别信息为cluster1，特征向量2的特征类别信息为cluster2，特征向量3的特征类别信息为clusterK。
[0120] 从图6中可以看出，cluster1所对应的特征向量为1个，cluster2所对应的特征向量为1个，clusterK所对应的特征向量为1个，此时，将得到一个向量K＝(1,1，…，1)。该向量用于反应每个特征类别信息所对应的特征向量的数量。最终，可以将向量K＝(1,1，…，1)确定为驾驶行为特征。
[0121] 需要说明的是，在本实施例中，可以通过Bag of words模型来统计多个所述特征向量中每个特征向量所对应的驾驶行为的特征类别信息。在这之前，需要对Bag of words模型进行训练。
[0122] 首先，构建一个训练集，该训练集中包括训练样本和训练样本的标签，其中，训练样本为多个多维的特征向量，标签即为该特征向量所属的特征类别信息。
[0123] 在本实施例中，在按照上述方式得到驾驶行为特征之后，还可以将所述驾驶行为特征输入至分类模型进行分类处理，以通过分类结果确定所述服务提供方按照所述数据序列所对应的驾驶行为特征驾驶时，发生事故的概率。
[0124] 例如，将上述基于m个n维特征向量计算出的5*n个统计值输入至分类模型中进行分类处理，以通过该分类结果确定服务提供方按照所述数据序列所对应的驾驶行为特征驾驶时，发生事故的概率。
[0125] 又例如，可以将向量K＝(1,1，…，1)输入至分类模型中进行分类处理，以通过该分类结果确定服务提供方按照所述数据序列所对应的驾驶行为特征驾驶时，发生事故的概率。
[0126] 在本实施例中，还可以利用上述驾驶行为特征预测该服务提供方未来发生事故的概率，驾驶风险评级等。除此之外，还可以通过驾驶行为特征来分析服务提供方的耗油情况，驾驶行为习惯分析等等。
[0127] 例如，预测该服务提供方未来发生事故的概率。在此情况下，可以统计该服务提供方在一段时间内的多个订单轨迹，并对每个订单轨迹进行分析，得到每个订单轨迹的驾驶行为特征，从而得到多个订单轨迹的驾驶行为特征。利用该多个订单轨迹的驾驶行为特征可以预测未来一段时间内，该服务提供方发生事故的概率。
[0128] 又例如，耗油情况。首先，按照上述实施方式所描述的方式提取各个订单轨迹的驾驶行为特征，然后，利用该驾驶行为特征分析该服务提供方所驾驶车辆的耗油情况。
[0129] 需要说明的是，当驾驶行为特征应用在不同的场景中时，上述所描述的分类模型不同。具体可以根据实际应用在进行训练和参数设定。
[0130] 需要说明的是，在本实施例中，在利用编码器对至少一个序列片段进行编码处理之前，还需要对该编码器进行训练，具体过程为：
[0131] 获取训练样本，其中，所述训练样本包括序列片段样本；
[0132] 通过所述训练样本对原始编码器进行训练，得到训练好的编码器。
[0133] 具体地，通过所述训练样本对原始编码器进行训练包括：
[0134] 通过原始编码器对所述训练样本中的序列片段样本进行编码，得到编码结果；利用解码器对所述编码结果进行解码，得到解码结果；利用所述解码结果与所述训练样本之间的差异值作为用于训练所述原始编码器与原始解码器的损失函数，并利用所述损失函数训练所述原始编码器与所述原始解码器直至所述原始解码器的复原误差满足精度要求。
[0135] 具体地，在本实施例中，在构建得到训练样本之后，可以通过原始编码器对训练样本中的序列片段样本进行编码处理，得到编码结果。然后利用图7所示的解码器对该编码结果进行解码处理，得到解码结果。
[0136] 由于解码器与编码器在结构上是镜像关系的，因此，解码器对编码结果进行解码处理之后的解码结果应当与输入至编码器中的序列片段相同。基于此，在本实施例中，就可以解码结果和序列片段的一致性来对原始编码器进行训练，直至原始编码器的训练精度满足精度要求之后，得到训练好的编码器。
[0137] 图8是示出本申请的一些实施例的驾驶行为特征检测装置的框图，该驾驶行为特征检测装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图所示，驾驶行为特征检测装置可以包括：获取单元810、截取单元820，编码单元830和聚合统计单元840。
[0138] 获取单元810，用于获取服务提供方的移动轨迹的数据序列，其中，所述数据序列中包括所述服务提供方所驾驶车辆在各个轨迹点的速度和角速度；
[0139] 截取单元820，用于对所述数据序列进行截取，得到至少一个序列片段；
[0140] 编码单元830，用于通过编码器对所述至少一个序列片段进行编码处理，得到多维度的特征向量；
[0141] 聚合统计单元840，用于对所述多维度的特征向量进行聚合统计，得到所述服务提供方的驾驶行为特征。
[0142] 在本实施例中，首先获取服务提供方的移动轨迹的数据序列；然后，对数据序列进行截取，得到至少一个序列片段；并通过编码器对至少一个序列片段进行编码处理，得到多维度的特征向量，最后，对多维度的特征向量进行聚合统计，得到服务提供方的驾驶行为特征。通过上述描述可知，本申请所提供的方法能够通过分析服务提供方的移动轨迹的数据序列解决现有技术难以对一段完整行驶轨迹内司机的驾驶行为进行完整的分析的问题，达到有效利用轨迹数据构建司机的驾驶行为特征的效果。
[0143] 可选地，所述截取单元包括：控制模块，用于控制目标滑动窗口按照移动步长沿所述数据序列滑动，得到多个目标滑动窗口，其中，所述移动步长小于所述目标滑动窗口的窗口长度；划分模块，用于按照所述目标滑动窗口的滑动顺序将所述多个目标滑动窗口划分成多个序列片段，其中，每个序列片段对应固定数量的目标滑动窗口；确定模块，用于基于每个序列片段所对应的目标滑动窗口的滑窗值确定所述序列片段中的数值，其中，所述滑窗值通过对应目标滑动窗口内轨迹点的速度和角速度的平均值确定。
[0144] 可选地，所述装置通过以下方式确定每个序列片段所对应的目标滑动窗口的滑窗值：计算每个序列片段所对应的目标滑动窗口内全部轨迹点的速度平均值和角速度的平均值；将所述目标滑动窗口内的轨迹点的速度平均值和角速度的平均值作为目标滑动窗口的滑窗值。
[0145] 可选地，所述获取单元用于：获取服务提供方所驾驶车辆的移动轨迹数据；从所述移动轨迹数据中提取各个轨迹点的速度和移动方向；将提取到的所述轨迹点的速度和移动方向作为所述服务提供方的移动轨迹的数据序列。
[0146] 可选地，所述编码器中包括多个级联连接的数据处理层，其中，每个所述数据处理层包括两个卷积层和一个池化层。
[0147] 可选地，所述编码单元用于：利用所述数据处理层中的卷积层对待处理数据进行卷积处理，得到卷积计算结果；利用所述数据处理层中的池化层对所述卷积计算结果进行池化计算，得到池化计算结果，并将所述编码器中最后一个数据处理层输出的池化计算结果依次经过扁平化flatten处理和全连接层处理之后的结果作为所述多维度的特征向量；其中，当所述数据处理层为所述编码器中的第一个数据处理层时，所述数据处理层中卷积层的输入为一个序列片段；当所述数据处理层为所述编码器中的第一个数据处理层之外的数据处理层时，所述数据处理层中卷积层的输入为上一个数据处理层输出的池化计算结果。
[0148] 可选地，所述特征向量为多个，所述聚合统计单元包括：确定多个所述特征向量中各个维度数据的统计值，其中，所述统计值包括但不限于：最大值，最小值，分位数值，标准差和平均值，平均值，偏度，峰度；将所述特征向量中各个维度数据的统计值确定为所述驾驶行为特征。
[0149] 可选地，所述特征向量为多个，所述聚合统计单元还包括：统计多个所述特征向量中每个特征向量所对应的驾驶行为的特征类别信息，并确定每个特征类别信息所对应的特征向量的数量；基于所述每个特征类别信息所对应的特征向量的数量确定所述驾驶行为特征。
[0150] 可选地，所述装置还用于：将所述驾驶行为特征输入至分类模型进行分类处理，以通过分类结果确定所述服务提供方按照所述数据序列所对应的驾驶行为特征驾驶时，发生事故的概率。
[0151] 可选地，所述装置还用于：获取训练样本，其中，所述训练样本包括序列片段样本；通过所述训练样本对原始编码器进行训练，得到训练好的编码器。
[0152] 可选地，所述装置还用于：通过原始编码器对所述训练样本中的序列片段样本进行编码，得到编码结果；利用解码器对所述编码结果进行解码，得到解码结果；利用所述解码结果与所述训练样本之间的差异值作为用于训练所述原始编码器与原始解码器的损失函数，并利用所述损失函数训练所述原始编码器与所述原始解码器直至所述原始解码器的复原误差满足精度要求。
[0153] 上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。
[0154] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0155] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0156] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0157] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
[0158] 以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于遗传算法优化支持向量机多分类器的台区低电压风险识别方法 | 2020-05-08 | 265 |
| 驾驶行为特征检测方法、装置、电子设备和计算机可读存储介质 | 2020-05-08 | 715 |
| 一种天线广播波束的优化方法和装置 | 2020-05-11 | 118 |
| 一种面向云负载测试的共享式资源分配方法 | 2020-05-11 | 272 |
| 结构表面磨损的仿真预测方法和装置 | 2020-05-08 | 216 |
| 有限域运算方法、系统、运算设备和计算机可读存储介质 | 2020-05-08 | 728 |
| 投影校正方法、装置、投影仪及可读存储介质 | 2020-05-11 | 251 |
| 文本信息表征方法、系统及计算机设备、存储介质 | 2020-05-08 | 896 |
| 事件确认方法、装置及电子设备 | 2020-05-08 | 62 |
| 数据处理方法、装置和目标对象风险监控方法 | 2020-05-08 | 935 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈