(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210243693.1 (22)申请日 2022.03.14 (65)同一申请的已公布的文献号 申请公布号 CN 114332520 A (43)申请公布日 2022.04.12 (73)专利权人 中汽信息科技 （天津） 有限公司 地址 300300 天津市东 丽区先锋 东路68号 科研楼416室 (72)发明人 杨亮　王铁　王亚飞　王文斌　 王军雷　王华珺　张衡　韩少军　 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01)(56)对比文件 WO 20190 56498 A1,2019.0 3.28 CN 111666714 A,2020.09.15 CN 114067243 A,202 2.02.18 CN 107704918 A,2018.02.16 WO 20190 56497 A1,2019.0 3.28 CN 108491859 A,2018.09.04 CN 106875511 A,2017.0 6.20 CN 112926510 A,2021.0 6.08 审查员 刘可欣 (54)发明名称 基于深度学习的异常驾驶行为识别模型构 建方法 (57)摘要 本发明实施例公开了一种基于深度学习的 异常驾驶行为识别模型构建方法， 包括： 获取汽 车在多个时刻的运行数据， 所述运行数据反映驾 驶员在所述多个时刻的驾驶行为； 利用所述多个 时刻的运行数据对待训练的自编码器进行训练； 利用训练好的自编码器和聚类识别器， 构建异常 驾驶行为识别模型； 其中， 所述聚类识别器用于 对所述训练好的自编码器的输出数据进行聚类， 识别异常驾驶行为。 本实施例兼顾每个维度的主 要信息， 能够提高识别准确度。 权利要求书2页 说明书12页 附图2页 CN 114332520 B 2022.06.17 CN 114332520 B 1.一种基于深度学习的异常驾驶行为识别模型构建方法， 其特 征在于， 包括： 获取汽车在多个时刻的运行数据， 所述运行数据反映驾驶员在所述多个时刻的驾驶行 为； 利用所述多个时刻的运行 数据对待训练的自编码器进行训练； 利用训练好的自编码器和聚类识别器， 构建异常驾驶行为识别模型； 其中， 所述聚类识 别器用于对所述训练好的自编码器的输出 数据进行聚类， 识别异常驾驶行为； 其中， 在训练过程中包括如下操作： 从所述多个时刻中选取一时刻的运行数据输入所述待训练的自编码器， 得到第一数 据； 根据所述 运行数据和所述第一数据， 计算第一损失； 将所述一 时刻的多个维度中每个维度的运行数据分别输入所述待训练 的自编码器， 分 别得到对应于每个维度的数据； 根据所述第一数据和所述对应于每个维度的数据， 计算对 应于每个维度的损失； 根据所述第一损失和所述对应于每个维度的损失， 更新所述待训练的自编码器的参 数； 从未被选取的时刻中选取一 时刻的运行数据输入更新后的自编码器， 并返回第 一损失 的计算操作， 直到满足训练中止条件。 2.根据权利要求1所述的构建方法， 其特征在于， 根据所述运行数据和所述第一数据， 计算第一损失， 包括： 利用解码器对所述第一数据进行解码， 得到第二数据； 根据所述 运行数据和所述第二数据， 计算第一损失。 3.根据权利要求1所述的构建方法， 其特征在于， 根据所述第 一损失和所述对应于每个 维度的损失， 更新所述待训练的自编码器的参数， 包括： 根据每个维度的权 重， 对所述对应于每 个维度的损失进行加权； 根据所述第 一损失和加权后的对应于每个维度的损失， 更新所述待训练 的自编码器的 参数。 4.根据权利要求3所述的构建方法， 其特征在于， 根据所述运行数据和所述第一数据， 计算第一损失， 包括： 利用解码器对所述第一数据进行解码， 得到第二数据； 根据所述运行数据和所述第二 数据， 计算第一损失； 根据每个维度的权 重， 对所述对应于每 个维度的损失进行加权， 包括： 根据每个维度的运行 数据和第二数据， 确定每 个维度的权 重。 5.根据权利要求1所述的构建方法， 其特征在于， 利用训练好的自编码器和聚类识别 器， 构建异常驾驶行为识别模型之后， 还 包括： 将多个时刻的运行 数据划分为多组， 每组包括至少两个时刻的运行 数据； 利用划分得到的多组运行 数据对所述异常驾驶行为识别模型进行训练； 将训练好的异常驾驶行为识别模型作为 最终的异常驾驶行为识别模型； 其中， 在训练过程中包括如下操作： 从所述多组运行 数据中选取一组运行 数据； 将所述一组运行数据中每个时刻的运行数据分别 输入所述训练好的自编码器， 分别得权　利　要　求　书 1/2 页 2 CN 114332520 B 2到每个时刻对应的第一数据； 根据每个时刻的运行数据和第一数据， 计算每个时刻对应的 第一损失和对应于每 个维度的损失； 利用所述 聚类识别器对所述一组运行数据中至少两个时刻对应的第 一数据进行聚类， 识别所述一组运行数据中的异常驾驶行为； 根据识别到的异常驾驶行为和标注的异常驾驶 行为， 计算第二损失； 根据所述第二损 失， 以及每个时刻对应的第一损 失和对应于每个维度的损 失， 更新所 述待训练自编码器的参数； 从未被选取的多组运行数据中选取一组运行数据输入更新后的自编码器， 返回第 一数 据的计算操作， 直到满足新的训练中止条件。 6.根据权利要求1所述的构建方法， 其特征在于， 将所述一 时刻的多个维度中每个维度 的运行数据分别输入所述待训练的自编码器， 包括： 将所述一时刻的其他维度的运行数据置零， 得到所述一时刻的每个维度的运行数据， 其中， 所述 其他维度指多个维度中每 个维度之外的维度。 7.根据权利要求1所述的构建方法， 其特征在于， 所述多个维度包括： 驾驶风险和驾驶 成本； 驾驶 风险维度的运行 数据和驾驶成本维度的运行 数据包括的数据类型存在交叉。 8.一种基于深度学习的异常驾驶行为识别方法， 其特 征在于， 包括： 获取汽车在多个时刻的运行数据， 所述运行数据反映驾驶员在所述多个时刻的驾驶行 为； 将所述运行数据输入异常驾驶行为识别模型， 识别所述驾驶行为中的异常驾驶行为； 其中， 所述异常驾驶行为识别模型采用如权利要求 1‑7中任一所述的方法构建， 包括训练好 的自编码器和聚类识别器； 识别过程中包括如下操作： 将每个时刻的运行数据分别 输入所述训练好的自编码器， 分别得到每个时刻的第 一数 据； 将所述多个时刻的第 一数据输入所述 聚类识别器， 得到所述驾驶行为中的异常驾驶行 为。 9.一种电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储器， 用于存 储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求 1‑7中任一所述的异常驾驶行为识别模型构建方法， 或如权利要求8所述的异 常驾驶行为识别方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现如权利要求 1‑7中任一所述的异常驾驶行为识别模型构建方法， 或如权利要求8 所述的异常驾驶行为识别方法。权　利　要　求　书 2/2 页 3 CN 114332520 B 3