[发明专利]一种基于机器学习的车辆异常轨迹实时识别方法

说明书

本发明公开了一种基于机器学习的车辆异常轨迹实时识别方法，涉及车辆轨迹异常识别领域；其包括：对采集的数据进行清洗获取完整、无重复、无异常值的训练数据；利用基于无监督的孤立森林方法和训练数据进行模型训练，获取异常检测模型；将异常检测模型放进流计算引擎中进行实时预测，并将预测结果发送至车主；根据车主的反馈信息自动更新和修正模型，并将更新后的模型放进流计算引擎中进行实时预测和将预测结果发送至车主；本发明通过周期性采集车辆信息，使用无监督的孤立森林算法，在流计算引擎中对车辆轨迹进行实时预测分析，给出车辆异常行为的概率值，根据车辆用户给出的反馈数据，周期性调整模型，实现动态更新模型，提高模型的识别准确率。

技术领域

本发明涉及车辆轨迹异常识别领域，尤其是一种基于机器学习的车辆异常轨迹实时识别方法。

背景技术

随着中国社会经济的发展，中国市场上的车辆(汽车、电动车、摩托车)的保有量越来越大，车辆丢失问题也成为一个比较棘手的社会治安管理问题。目前车主的车辆失窃一般采用事后报警、事后追查历史轨迹和监控的方法，然而很多盗窃团伙有比较庞大和成熟的销赃网络，销赃速度特别快，一旦车辆丢失，报警后车辆追回的概率比较低，同时进行追赃所花费的人力成本和社会资源比较高。

现有采取机器学习模型的车辆轨迹异常识别技术功能点都聚焦于机器学习算法的优化，比如车辆轨迹数据的数据清洗、停留点提取、兴趣区域挖掘、可视化兴趣区域、移动模式挖掘等方面。但其存在以下缺点：一、训练好的模型采用定制化训练，训练后使用时无法根据反馈数据进行更新，无法对模型进行修正，模型逐渐失去准确度；二、车辆海量信息下，系统的吞吐量和性能无法满足。因此，需要一种车辆异常轨迹识别方法可以克服以上问题。

发明内容

本发明的目的在于：本发明提供了一种基于机器学习的车辆异常轨迹实时识别方法,解决现有车辆异常轨迹识别模型无法更新导致识别准确度低的问题。

本发明采用的技术方案如下：

一种基于机器学习的车辆异常轨迹实时识别方法，包括如下步骤：

对采集的数据进行清洗获取完整、无重复、无异常值的训练数据；

利用基于无监督的孤立森林方法和训练数据进行模型训练，获取异常检测模型；

将异常检测模型放进流计算引擎中进行实时预测，并将预测结果发送至车主；

根据车主的反馈信息自动更新和修正模型，并将更新后的模型放进流计算引擎中进行实时预测和将预测结果发送至车主。

优选地，所述采集的数据包括车辆的经度数据、车辆的纬度数据和Unix时间；所述数据的保存系统采用Hadoop分布式文件系统即HDFS；所述数据的清洗工具采用Hive。

优选地，所述模型训练包括如下步骤：

步骤a：利用训练数据进行异常值检测模型训练，得到异常检测模型；

步骤b：对异常检测模型进行模型准确率评估，判断其模型准确率是否达标，若达标，则通过处理获得异常检测模型PMML文件；若未达标，则跳至步骤a继续训练。

优选地，所述将完成训练模型放进流计算引擎中进行实时预测包括如下步骤：

步骤aa：按时间段或者连续触发次数设置告警策略和告警级别，得到告警策略组；

步骤bb：使用异常检测模型实时预测车辆数据后输出概率值，将概率值和告警策略组匹配获取告警信息；

步骤cc：将告警信息发送给车主，发送方式包括微信触达、短信和彩信。

优选地，所述根据车主的反馈信息自动更新和修正模型包括如下步骤：