[发明专利]模型训练方法、行驶轨迹异常性检测方法、装置和介质

权利要求书

1.一种人工智能模型训练方法，其特征在于，包括：

获取训练集；所述训练集包括多组车辆行驶轨迹；各所述车辆行驶轨迹均对应有各自的标签，所述标签用于标记所述车辆行驶轨迹的异常性；

对所述车辆行驶轨迹处理得到轨迹网格序列；

对所述车辆行驶轨迹处理得到轨迹图像；

以所述轨迹网格序列作为第一人工智能模型的输入，获取所述第一人工智能模型输出的序列特征；

以所述轨迹图像作为第二人工智能模型的输入，获取所述第二人工智能模型输出的图像特征；

将所述序列特征和所述图像特征拼接为融合向量；

以所述融合向量作为分类器的输入，获取所述分类器输出的异常性检测结果；所述异常性检测结果用于表示所述车辆行驶轨迹的异常性；

根据所述异常性检测结果与相应所述标签之间的偏差，对所述第一人工智能模型的参数和所述第二人工智能模型的参数执行反向计算，直至满足损失函数条件。

2.根据权利要求1所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，包括：

对所述车辆行驶轨迹进行离散化，获得轨迹点序列；

将所述轨迹点序列上的各离散点映射到所述离散点所在的地图网格中，被映射的所述地图网格组成所述轨迹网格序列。

3.根据权利要求2所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：

将对应的离散点数量小于阈值λ的所述地图网格标记为稀疏网格；

若所述轨迹网格序列中包含连续的n个所述稀疏网格，将所述轨迹网格序列归为负样本，反之将所述轨迹网格序列归为正样本。

4.根据权利要求3所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：

对于被归为正样本的所述轨迹网格序列，将其中的部分所述轨迹网格序列随机翻转；

将经过地图网格随机翻转的所述轨迹网格序列归为负样本。

5.根据权利要求2-4任一项所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹网格序列，还包括：

使用词向量转换，将轨迹网格序列转换成一维表示向量；所述一维表示向量用于输入至所述第一人工智能模型。

6.根据权利要求1-4任一项所述的人工智能模型训练方法，其特征在于，所述根据所述车辆行驶轨迹处理得到轨迹图像，包括：

对所述车辆行驶轨迹进行离散化，获得轨迹点序列；

将所述轨迹点序列上的各离散点映射到所述离散点所在的地图网格中，被映射的所述地图网格组成所述轨迹网格序列；

添加颜色至所述轨迹网格序列中的各所述地图网格；所述地图网格中的颜色的深度与所述地图网格对应的离散点的数量相关。

7.根据权利要求1-4任一项所述的人工智能模型训练方法，其特征在于，所述第一人工智能模型为双向长短期记忆模型，所述第二人工智能模型为卷积神经网络。

8.一种车辆行驶轨迹异常性检测方法，其特征在于，包括：

获取车辆行驶轨迹；

对所述车辆行驶轨迹处理，得到轨迹网格序列和轨迹图像；

以所述轨迹网格序列作为第一人工智能模型的输入，获取所述第一人工智能模型输出的序列特征；所述第一人工智能模型经过权利要求1-7任一项所述的人工智能模型训练方法训练；

以所述轨迹图像作为第二人工智能模型的输入，获取所述第二人工智能模型输出的图像特征；所述第二人工智能模型经过权利要求1-7任一项所述的人工智能模型训练方法训练；

将所述序列特征和所述图像特征拼接为融合向量；

以所述融合向量作为分类器的输入，获取所述分类器输出的异常性检测结果；所述异常性检测结果用于表示所述车辆行驶轨迹的异常性。