本发明公开了基于用户行为数据的汽车运行状态识别方法、系统及设备，采集若干种用户历史行为数据；为每一种用户历史行为数据，构建一个DeepConvLSTM模型，利用每一种用户历史行为数据和已知的汽车运行状态标签，对相应的模型进行训练；为每一种用户历史行为数据训练好一个对应的DeepConvLSTM模型；采集用户当前行为数据，将用户当前的每一种行为数据输入到对应的训练好的DeepConvLSTM模型中，输出汽车运行状态分类概率，选择概率最大值对应的汽车运行状态为当前DeepConvLSTM模型的输出值；最后，从所有DeepConvLSTM模型的输出值中选出汽车运行状态数量最多者，为当前汽车运行状态。
1.基于DeepConvLSTM的汽车运行状态识别方法，其特征是，包括：
采集若干种用户手机终端的历史行为数据，所述用户手机终端的历史行为数据，包括：
用户手机终端的GPS、陀螺仪、重力感应器、加速度传感器的数据；所述GPS，用于获取用户手机终端的位置信息；所述陀螺仪，用于获取用户手机终端倾斜时的转动角速度；所述重力感应器，用于获取用户手机终端重力加速度；所述加速度传感器，用于获取用户手机终端的线性加速度；
把采集的用户手机终端的历史行为数据进行存储；所述用户手机终端的历史行为数据，包括：用户手机终端的位置信息、用户手机终端倾斜时的转动角速度、用户手机终端重力加速度和用户手机终端的线性加速度；
为每一种用户手机终端的历史行为数据，构建一个DeepConvLSTM模型，利用每一种用户手机终端的历史行为数据和已知的汽车运行状态标签，对相应的DeepConvLSTM模型进行训练；每一种DeepConvLSTM模型与用户手机终端的历史行为数据的类型之间是一一对应关系；为每一种用户手机终端的历史行为数据训练好一个对应的DeepConvLSTM模型；
具体训练步骤为：将获得的某一种用户手机终端的历史行为数据送入输入层，输入层对数据进行归一化处理；处理后送入卷积层；卷积层对输入层传递过来的数据进行特征提取，提取出特征图；将特征图送入池化层；池化层对卷积层传递过来的数据进行特征选择和过滤，并对特征数据进行降维处理；降维处理后，送入第一全连接层；第一全连接层对池化层传递过来的数据进行整合处理后，传递给LSTM网络；LSTM网络对第一全连接层传递过来的数据映射为时序特征；然后，将时序特征送入第二全连接层；第二全连接层，将时序特征映射到样本标记空间；将第二全连接层的输出数据通过Softmax激活函数进行分类，输出汽车处于各种状态的概率，选取概率最大的汽车状态，作为DeepConvLSTM模型的输出值；如果DeepConvLSTM模型的输出值与已知的汽车运行状态标签不一致，则需要更换训练样本重新进行训练；否则训练结束，得到训练好的DeepConvLSTM模型；
采集用户手机终端的历史行为数据，将用户当前的每一种历史行为数据输入到对应的训练好的DeepConvLSTM模型中，输出汽车运行状态分类概率，选择概率最大值对应的汽车运行状态为当前DeepConvLSTM模型的输出值；最后，从所有DeepConvLSTM模型的输出值中选出汽车运行状态数量最多者，为当前汽车运行状态；
所述汽车运行状态，包括：停车、加速行驶、减速行驶、正常速度行驶、缓速行驶或高速行驶。
2.如权利要求1所述的方法，其特征是，所述DeepConvLSTM模型，包括：
依次连接的输入层、卷积层、池化层、第一全连接层、LSTM网络、第二全连接层和激活函数层。
3.基于DeepConvLSTM的汽车运行状态识别系统，其特征是，包括：
模型构建和训练模块：构建若干个DeepConvLSTM模型，采集若干种用户手机终端的历史行为数据，把采集的 用户手机终端的历史行为数据进行存储 ；利用每一种用户手机终端的历史行为数据和已知的汽车运行状态标签，对相应的DeepConvLSTM模型进行训练，每一种DeepConvLSTM模型与用户历史行为数据的类型之间是一一对应关系；为每一种用户手机终端的历史行为数据训练好一个对应的DeepConvLSTM模型；
所述用户手机终端的历史行为数据，包括：用户手机终端的GPS、陀螺仪、重力感应器、加速度传感器的数据；所述GPS，用于获取用户手机终端的位置信息；所述陀螺仪，用于获取用户手机终端倾斜时的转动角速度；所述重力感应器，用于获取用户手机终端重力加速度；
所述加速度传感器，用于获取用户手机终端的线性加速度；
所述用户手机终端的历史行为数据，包括：用户手机终端的位置信息、用户手机终端倾斜时的转动角速度、用户手机终端重力加速度和用户手机终端的线性加速度；
具体训练步骤为：将获得的某一种用户手机终端的历史行为数据送入输入层，输入层对数据进行归一化处理；处理后送入卷积层；卷积层对输入层传递过来的数据进行特征提取，提取出特征图；将特征图送入池化层；池化层对卷积层传递过来的数据进行特征选择和过滤，并对特征数据进行降维处理；降维处理后，送入第一全连接层；第一全连接层对池化层传递过来的数据进行整合处理后，传递给LSTM网络；LSTM网络对第一全连接层传递过来的数据映射为时序特征；然后，将时序特征送入第二全连接层；第二全连接层，将时序特征映射到样本标记空间；将第二全连接层的输出数据通过Softmax激活函数进行分类，输出汽车处于各种状态的概率，选取概率最大的汽车状态，作为DeepConvLSTM模型的输出值；如果DeepConvLSTM模型的输出值与已知的汽车运行状态标签不一致，则需要更换训练样本重新进行训练；否则训练结束，得到训练好的DeepConvLSTM模型；
汽车运行状态识别模块：采集用户手机终端的历史行为数据，将用户当前的每一种历史行为数据输入到对应的训练好的DeepConvLSTM模型中，输出汽车运行状态分类概率，选择概率最大值对应的汽车运行状态为当前DeepConvLSTM模型的输出值；最后，从所有DeepConvLSTM模型的输出值中选出汽车运行状态数量最多者，为当前汽车运行状态；
所述汽车运行状态，包括：停车、加速行驶、减速行驶、正常速度行驶、缓速行驶或高速行驶。
4.一种电子设备，其特征是，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述权利要求1-2任一方法所述的步骤。
5.一种计算机可读存储介质，其特征是，其上存储有计算机指令，所述计算机指令被处理器运行时，完成上述权利要求1-2任一方法所述的步骤。
基于用户行为数据的汽车运行状态识别方法、系统及设备
技术领域
[0001] 本公开涉及基于用户行为数据的汽车运行状态识别方法、系统及设备。
背景技术
[0002] 本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
[0003] 随着社会的发展和人们生活水平的日益提高，汽车逐渐广泛地融入到我们的生活之中。汽车的出现为我们日常生活的出行带来了许多的便利，然而随着汽车的数量越来越多，交通拥堵现象的出现也变得愈发频繁。交通拥堵增加了人们的出行时间，使得人们的工作、生活受影响；当汽车处于拥堵状态时也会对燃料造成不必要的浪费，使得空气环境污染程度加重；当人们遇到紧急情况时需要出行时，也极有可能因为交通拥堵而导致时间延误，这给人们的生活带来巨大的不便。
[0004] 目前，交通拥堵的识别主要是通过深度学习模型对道路交通图像进行特征识别来实现的，由于这种方法需要设置众多的摄像装置实时的采集道路交通图像，故目前这种方法主要与道路已有监控摄像头结合，并且需要在城市重要道路进行额外的监控探头补充来实现对道路交通情况的实时检测，但是这种方法仍然难以实现对交通道路的全覆盖监控，在监控盲区发生道路拥堵或者交通事故时，无法及时将信息反馈，容易造成拥堵情况的加重或者二次事故的发生。
发明内容
[0005] 为了解决现有技术的不足，本公开提供了基于DeepConvLSTM的汽车运行状态识别方法，其通过GPS对汽车的位置进行实时定位，并结合深度神经网络实现对汽车的运动状态的特征识别，在获取多个汽车运行状态后，可以通过综合分析，得到一路段特定时间段的道路交通情况；
[0006] 第一方面，本公开提供了基于DeepConvLSTM的汽车运行状态识别方法；
[0007] 基于DeepConvLSTM的汽车运行状态识别方法，包括：
[0008] 采集若干种用户历史行为数据；为每一种用户历史行为数据，构建一个DeepConvLSTM模型，利用每一种用户历史行为数据和已知的汽车运行状态标签，对相应的DeepConvLSTM模型进行训练；为每一种用户历史行为数据训练好一个对应的DeepConvLSTM模型；
[0009] 采集用户当前行为数据，将用户当前的每一种行为数据输入到对应的训练好的DeepConvLSTM模型中，输出汽车运行状态分类概率，选择概率最大值对应的汽车运行状态为当前DeepConvLSTM模型的输出值；
[0010] 最后，从所有DeepConvLSTM模型的输出值中选出汽车运行状态数量最多者，为当前汽车运行状态。
[0011] 进一步地，所述DeepConvLSTM模型，包括：
[0012] 依次连接的输入层、卷积层、池化层、第一全连接层、LSTM网络、第二全连接层和激活函数层。
[0013] 进一步地，所述用户历史行为数据，包括：
[0014] 用户手机终端的GPS、陀螺仪、重力感应器、加速度传感器的数据；
[0015] 所述GPS，用于获取用户手机终端的位置信息；
[0016] 所述陀螺仪，用于获取用户手机终端倾斜时的转动角速度；
[0017] 所述重力感应器，用于获取用户手机终端重力加速度；
[0018] 所述加速度传感器，用于获取用户手机终端的线性加速度；
[0019] 采集的用户手机终端的行为数据进行存储；所述用户手机终端的行为数据，包括：用户手机终端的位置信息、用户手机终端倾斜时的转动角速度、用户手机终端重力加速度和用户手机终端的线性加速度；
[0020] 进一步地，利用每一种用户历史行为数据和已知的汽车运行状态标签，对相应的DeepConvLSTM模型进行训练，每一种DeepConvLSTM模型与用户历史行为数据的类型之间是一一对应关系；为每一种用户历史行为数据训练好一个对应的DeepConvLSTM模型，具体步骤为：
[0021] 将获得的某一种用户历史行为数据送入输入层，输入层对数据进行归一化处理；处理后送入卷积层；
[0022] 卷积层对输入层传递过来的数据进行特征提取，提取出特征图；将特征图送入池化层；
[0023] 池化层对卷积层传递过来的数据进行特征选择和过滤，并对特征数据进行降维处理；降维处理后，送入第一全连接层；
[0024] 第一全连接层对池化层传递过来的数据进行整合处理后，传递给LSTM网络；
[0025] LSTM网络对第一全连接层传递过来的数据映射为时序特征；然后，将时序特征送入第二全连接层；
[0026] 第二全连接层，将时序特征映射到样本标记空间；
[0027] 将第二全连接层的输出数据通过Softmax激活函数进行分类，输出汽车处于各种状态的概率，选取概率最大的汽车状态，作为DeepConvLSTM模型的输出值；
[0028] 如果DeepConvLSTM模型的输出值与已知的汽车运行状态标签不一致，则需要更换训练样本重新进行训练；否则训练结束，得到训练好的DeepConvLSTM模型。
[0029] 所述汽车的运行状态，包括：停车、加速行驶、减速行驶、正常速度行驶、缓速行驶或高速行驶。
[0030] 第二方面，本公开提供了基于DeepConvLSTM的汽车运行状态识别系统；
[0031] 基于DeepConvLSTM的汽车运行状态识别系统，包括：
[0032] 模型构建和训练模块：采集若干种用户历史行为数据；为每一种用户历史行为数据，构建一个DeepConvLSTM模型，利用每一种用户历史行为数据和已知的汽车运行状态标签，对相应的DeepConvLSTM模型进行训练；为每一种用户历史行为数据训练好一个对应的DeepConvLSTM模型；
[0033] 汽车运行状态识别模块：采集用户当前行为数据，将用户当前的每一种行为数据输入到对应的训练好的DeepConvLSTM模型中，输出汽车运行状态分类概率，选择概率最大值对应的汽车运行状态为当前DeepConvLSTM模型的输出值；
[0034] 最后，从所有DeepConvLSTM模型的输出值中选出汽车运行状态数量最多者，为当前汽车运行状态。
[0035] 第三方面，本公开提供了一种电子设备；
[0036] 一种电子设备，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述第一方面方法所述的步骤。
[0037] 第四方面，本公开提供了一种计算机可读存储介质；
[0038] 一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器运行时，完成上述第一方面方法所述的步骤。
[0039] 与现有技术相比，本公开的有益效果是：
[0040] (1)通过使用基于DeepConvLSTM模型来识别汽车运行状态，能够动态、及时的反映道路交通状况，可以更好的配合摄像探头对道路交通情况进行检测，弥补摄像探头盲区无法进行道路交通情况检测的缺陷。
[0041] (2)本方法通过向人们反馈多汽车的运行状态，可以帮助人们了解多交通路段的交通情况，进而有助于选择出更加高效、省时、安全的交通路线。
附图说明
[0042] 构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0043] 图1是本公开实施例汽车运行状态识别方法的流程图；
[0044] 图2是本公开实施例汽车行为识别的数据流在DeepConvLSTM模型中传递图。
具体实施方式
[0045] 应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步地说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
[0046] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0047] 英文全称介绍：LSTM(Long Short-Term Memory)网络
[0048] 实施例一：本公开实施例提供了基于DeepConvLSTM的汽车运行状态识别方法；
[0049] 如图1所示，基于DeepConvLSTM的汽车运行状态识别方法，包括：
[0050] S101：采集若干种用户历史行为数据；为每一种用户历史行为数据，构建一个DeepConvLSTM模型；
[0051] S102：利用每一种用户历史行为数据和已知的汽车运行状态标签，对相应的DeepConvLSTM模型进行训练；为每一种用户历史行为数据训练好一个对应的DeepConvLSTM模型；
[0052] S103：采集用户当前行为数据，将用户当前的每一种行为数据输入到对应的训练好的DeepConvLSTM模型中，输出汽车运行状态分类概率，选择概率最大值对应的汽车运行状态为当前DeepConvLSTM模型的输出值；
[0053] S104：从所有DeepConvLSTM模型的输出值中选出汽车运行状态数量最多者，为当前汽车运行状态。
[0054] 作为一种实施例，如图2所示，所述DeepConvLSTM模型，包括：
[0055] 依次连接的输入层、卷积层、池化层、第一全连接层、LSTM网络、第二全连接层和激活函数层。
[0056] 作为一种实施例，所述用户历史行为数据，包括：
[0057] 用户手机终端的GPS、陀螺仪、重力感应器、加速度传感器的数据；
[0058] 所述GPS，用于获取用户手机终端的位置信息；
[0059] 所述陀螺仪，用于获取用户手机终端倾斜时的转动角速度；
[0060] 所述重力感应器，用于获取用户手机终端重力加速度；
[0061] 所述加速度传感器，用于获取用户手机终端的线性加速度；
[0062] 采集的用户手机终端的行为数据进行存储；所述用户手机终端的行为数据，包括：用户手机终端的位置信息、用户手机终端倾斜时的转动角速度、用户手机终端重力加速度和用户手机终端的线性加速度；
[0063] 作为一种实施例，利用每一种用户历史行为数据和已知的汽车运行状态标签，对相应的DeepConvLSTM模型进行训练，每一种DeepConvLSTM模型与用户历史行为数据的类型之间是一一对应关系；为每一种用户历史行为数据训练好一个对应的DeepConvLSTM模型，具体步骤为：
[0064] 将获得的某一种用户历史行为数据送入输入层，输入层对数据进行归一化处理；处理后送入卷积层；
[0065] 卷积层对输入层传递过来的数据进行特征提取，提取出特征图；将特征图送入池化层；
[0066] 池化层对卷积层传递过来的数据进行特征选择和过滤，并对特征数据进行降维处理；降维处理后，送入第一全连接层；
[0067] 第一全连接层对池化层传递过来的数据进行整合处理后，传递给LSTM网络；
[0068] LSTM网络对第一全连接层传递过来的数据映射为时序特征；然后，将时序特征送入第二全连接层；
[0069] 第二全连接层，将时序特征映射到样本标记空间；
[0070] 将第二全连接层的输出数据通过Softmax激活函数进行分类，输出汽车处于各种状态的概率，选取概率最大的汽车状态，作为DeepConvLSTM模型的输出值；
[0071] 如果DeepConvLSTM模型的输出值与已知的汽车运行状态标签不一致，则需要更换训练样本重新进行训练；否则训练结束，得到训练好的DeepConvLSTM模型。
[0072] 所述汽车的运行状态，包括：停车、加速行驶、减速行驶、正常速度行驶、缓速行驶或高速行驶。
[0073] 实施例二，本公开实施例提供了基于DeepConvLSTM的汽车运行状态识别系统；
[0074] 基于DeepConvLSTM的汽车运行状态识别系统，包括：
[0075] 模型构建和训练模块：构建若干个DeepConvLSTM模型，采集若干种用户历史行为数据；利用每一种用户历史行为数据和已知的汽车运行状态标签，对相应的DeepConvLSTM模型进行训练，每一种DeepConvLSTM模型与用户历史行为数据的类型之间是一一对应关系；为每一种用户历史行为数据训练好一个对应的DeepConvLSTM模型；
[0076] 汽车运行状态识别模块：采集用户当前行为数据，将用户当前的每一种行为数据输入到对应的训练好的DeepConvLSTM模型中，输出汽车运行状态分类概率，选择概率最大值对应的汽车运行状态为DeepConvLSTM模型的输出值；最后，按照少数服从多数的原则，从所有DeepConvLSTM模型的输出值中选出当前汽车运行状态。
[0077] 实施例三，本公开实施例提供了一种电子设备；
[0078] 一种电子设备，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述实施例一所述方法的步骤。
[0079] 实施例四，本公开实施例提供了一种计算机可读存储介质；
[0080] 一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器运行时，完成上述实施例一所述方法的步骤。
[0081] 以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
