[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

权利要求书

1.一种基于机器学习的车辆异常轨迹实时识别方法，其特征在于：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。

2.根据权利要求1所述的一种基于机器学习的车辆异常轨迹实时识别方法，其特征在于：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。

3.根据权利要求1所述的一种基于机器学习的车辆异常轨迹实时识别方法，其特征在于：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。

4.根据权利要求1或者3所述的一种基于机器学习的车辆异常轨迹实时识别方法，其特征在于：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。

5.根据权利要求2所述的一种基于机器学习的车辆异常轨迹实时识别方法，其特征在于：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：

步骤aaa：基于车辆的历史数据和最新数据，自动对异常值检测模型进行定期训练得到新模型；

步骤bbb：自动检测新模型的准确率是否达标，若达标，则跳至步骤ccc更新模型，若不达标，则不更新模型；

步骤ccc：自动对检测达标的模型进行替换部署。

6.根据权利要求5所述的一种基于机器学习的车辆异常轨迹实时识别方法，其特征在于：所述步骤aaa中自动对异常值检测模型进行定期训练包括如下步骤：

组建模型的训练数据集，所述训练数据集包括HDFS上的所有历史训练数据集和最新获取的数据；

设置定时训练脚本；

根据定时训练脚本定时将训练数据集放入模型中进行训练，完成定时训练；其中本次的训练数据集作为下次的历史训练数据集。