[发明专利]基于北斗数据的营运车辆异常驾驶行为识别方法及系统

权利要求书

1.一种基于北斗数据的营运车辆异常驾驶行为识别方法，其特征在于，包括：

采集营运车辆的原始北斗数据，将原始北斗数据进行清洗并统一时间间隔，得到速度时间序列数据；

为所述速度时间序列数据添加类别标签，得到样本数据，其中，所述类别标签包括正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为或低速行驶行为；

构建符号化多通道卷积神经网络模型，并基于所述样本数据对所述符号化多通道卷积神经网络模型进行训练；其中，所述符号化多通道卷积神经网络模型包括：

数据符号化层，用于将输入的速度时间序列数据符号化，得到静态时间序列数据和动态时间序列数据；

所述数据符号化层通过以下方式将输入的速度时间序列数据符号化，得到动态时间序列数据：

依次提取速度时间序列数据V_n中时刻t_n和t_n+1的速度值和并计算加速度

若则和使用符号X₀表示；其中，若n+1＝N，则符号化结束，得到动态时间序列数据，否则n＝n+1；

若则使用符号-X_n表示；其中，若n+1＝N，则使用-X_n+1表示，符号化结束，得到动态时间序列数据，否则n＝n+1；

若则使用符号X_n表示；其中，若n+1＝N，则使用X_n+1表示，符号化结束，得到动态时间序列数据，否则n＝n+1；

其中，N表示时间序列数据V_n中时刻的总个数；

第一卷积网络层，用于将所述数据符号化层输出的静态时间序列数据和动态时间序列数据以及输入的速度时间序列数据分别归一化后，分别进行卷积，得到特征参数；

第二卷积网络层，用于将所述第一卷积网络层输出的特征参数合并后进行卷积和类别分类，得到并输出正常或异常驾驶行为的识别结果；

将待识别的速度时间序列数据输入训练后的符号化多通道卷积神经网络模型，得到异常驾驶行为的识别结果。

2.根据权利要求1所述的基于北斗数据的营运车辆异常驾驶行为识别方法，其特征在于，所述营运车辆包括客车、货车和危险品车；所述原始北斗数据包括车牌号、车辆类型、经度、纬度、定位仪速度和定位时间。

3.根据权利要求2所述的基于北斗数据的营运车辆异常驾驶行为识别方法，其特征在于，所述将原始北斗数据进行清洗并统一时间间隔，包括以下步骤：

根据所述车牌号、经度、纬度、定位仪速度和定位时间将原始北斗数据中的相同数据和异常数据进行删减，并对缺失速度数据进行填补，得到原始速度时间序列数据V_o；

根据设定的时间间隔将原始速度时间序列数据V_o中各时刻时间间隔统一；

基于统一时间间隔得到速度时间序列其中，t_n时刻对应的速度值为：

式中，和表示原始时间序列V_o中连续的和时刻的速度值，t_n为统一时间间隔后在和时刻之间的时刻。

4.根据权利要求1所述的基于北斗数据的营运车辆异常驾驶行为识别方法，其特征在于，所述数据符号化层通过以下方式将输入的速度时间序列数据符号化，得到静态时间序列数据：

将输入的营运车辆的速度时间序列划分成超速区间、正常速度区间、低速区间和停车区间；

根据各区间的划分阈值将输入的速度时间序列数据中每个时间序列符号化表示，得到静态时间序列数据。

5.根据权利要求1所述的基于北斗数据的营运车辆异常驾驶行为识别方法，其特征在于，a_limit的取值为3。

6.根据权利要求1所述的基于北斗数据的营运车辆异常驾驶行为识别方法，其特征在于，所述第一卷积网络层包括3个独立卷积神经网络，每一所述独立卷积神经网络均包括依次连接的归一化层、一维卷积层、线性整流层和随机舍弃层；每一所述独立卷积神经网络分别用于基于接收的静态时间序列数据、动态时间序列数据或速度时间序列数据进行归一化和卷积，得到相应的特征参数。