私家车非法营运的识别方法、系统、设备及存储介质与流程

1.本发明涉及分类算法领域，尤其涉及一种私家车非法营运的识别方法、系统、计算机设备及存储介质。


背景技术：

2.随着网约车市场不断发展，越来越多私家车辆从事网约车服务，但部分私家车辆投保非运营车辆保险。由于营运车辆因行驶轨迹不确定、行驶时间较长等特点，使得其赔付风险远大于一般用途的私家车辆。所以保险公司需要及时识别用于运营服务的私家车辆。
3.传统的营运车风险识别系统，将用户轨迹等信息作为独立的特征，运用算法进行自动化识别，但忽略了不同信息之间局部链接的依赖关系，使得识别结果不够准确。
4.所以需要一种私家车非法营运的识别方法解决上述技术问题。


技术实现要素：

5.本发明的主要目的在于提出一种私家车非法营运的识别方法、系统、计算机设备及存储介质，旨在解决现有营运车风险识别系统仅依靠单一特征进行识别导致识别率低的技术问题。
6.为实现上述目的，本发明提供一种私家车非法营运的识别方法，包括步骤：
7.获取车辆行驶数据，对所述车辆行驶数据进行预处理生成节点特征张量；
8.获取车主信息数据，将所述车主信息数据和所述节点特征张量输入预设图卷积模型中进行平均融合处理得到多个不同感受态的图向量；
9.将各所述图向量输入预设多跳信息融合模型进行非线性融合，输出对所述车辆行驶数据的识别结果。
10.优选地，所述获取车辆行驶数据，对车辆行驶数据进行数据处理生成节点特征张量的步骤包括：
11.获取车辆行驶数据，确定所述车辆行驶数据覆盖的地图区域，将所述地图区域划分为多个具有预设边长的网格；
12.将所述车辆行驶数据中的行驶轨迹经过的网格设置为节点，将所述车辆行驶数据中的行驶时间参数、行驶速度参数和识别参数组合为节点特征张量。
13.优选地，所述预设图卷积模型包括预设差分池化子模型和预设特征融合子模型；所述获取车主信息数据，将所述车主信息数据和所述节点特征张量输入预设图卷积模型中进行平均融合处理得到多个不同感受态的图向量的步骤包括：
14.获取车主信息数据；
15.将所述车主信息数据和所述节点特征张量输入所述预设特征融合子模型中进行平均融合，生成融合节点特征，根据所述融合节点特征生成图向量；
16.将所述节点特征张量输入所述预设差分池化子模型中，生成聚类维度的特征张量，更新所述节点特征张量为所述聚类维度的特征张量，并
17.执行：所述将所述车主信息数据和所述节点特征张量输入所述预设特征融合子模型中进行平均融合，生成融合节点特征，根据所述融合节点特征生成图向量的步骤，直至图向量的数量等于预设个数，获得所述预设个数的不同感受态的图向量。
18.优选地，所述将所述车主信息数据和所述节点特征张量输入所述预设特征融合子模型中进行平均融合，生成融合节点特征，根据所述融合节点特征生成图向量包括：
19.将所述车主信息数据和所述节点特征张量输入预设特征融合子模型中进行平均融合；
20.将平均融合处理后的节点特征张量输入预设多层感知机，对输出层进行归一化处理，生成融合节点特征；
21.将融合节点特征输入预设全局池化层，将各融合节点特征压缩为图向量。
22.优选地，所述将所述节点特征张量输入所述预设差分池化子模型中，生成聚类维度的特征张量，更新所述节点特征张量为所述聚类维度的特征张量的步骤包括：
23.将所述节点特征张量输入所述预设差分池化子模型中，生成聚类分数和节点嵌入信息；
24.根据所述节点嵌入信息和所述聚类分数，生成聚类维度的特征张量，更新所述节点特征张量为所述聚类维度的特征张量。
25.优选地，所述将所述节点特征张量输入预设差分池化子模型中，生成聚类分数的步骤包括：
26.将所述节点特征张量输入预设差分池化子模型中，生成各节点属于不同预设类别的逻辑值和节点嵌入信息；
27.将各逻辑值输入归一化指数函数，生成各节点属于不同预设类别的聚类分数。
28.优选地，所述根据所述节点嵌入信息和所述聚类分数，生成聚类维度的特征张量，更新所述节点特征张量为所述聚类维度的特征张量的步骤包括：
29.x
(l+1)
＝s
(l)t
*z
(l)
；
30.其中，z
(l)
为第l层节点特征张量经过预设差分池化子模型的节点嵌入，s
(l)
为第l层节点特征张量的聚类分数，s
(l)t
为第l层节点特征张量的聚类分数的转置矩阵，x
(l+1)
为第l+1层节点特征张量。
31.本发明还提供了一种私家车非法营运的识别系统，所述私家车非法营运的识别系统包括：
32.数据处理模块，获取车辆行驶数据，对所述车辆行驶数据进行预处理生成节点特征张量；
33.图卷积模块，获取车主信息数据，将所述车主信息数据和所述节点特征张量输入预设图卷积模型中进行平均融合处理得到多个不同感受态的图向量；
34.多跳信息融合模块，将各所述图向量输入预设多跳信息融合模型进行非线性融合，输出对所述车辆行驶数据的识别结果将各图向量输入预设多跳信息融合模型进行非线性融合，输出识别结果。
35.为实现上述目的，本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的私家车非法营运的识别方法的步骤。
36.为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的私家车非法营运的识别方法的步骤。
37.本发明提出的一种私家车非法营运的识别方法、系统、计算机设备及存储介质，通过将车主信息数据和车辆运行数据输入预设图卷积模型，使得获得的识别结果结合了车主信息数据，避免了仅将车主信息数据作为独立的数据分析，将车主信息数据和车辆行驶数据作为相关特征带入识别过程中，提高了识别结果的准确性；通过预设图卷积模型以对节点特征张量进行抽象，从而获得多个不同感受态的图向量，再通过预设多跳信息融合模型进行非线性融合，使得车主信息数据和车辆运行数据可以有效融合。
附图说明
38.图1是本发明实施例方案涉及的硬件运行环境的结构示意图；
39.图2为本发明私家车非法营运的识别方法第一实施例的流程示意图；
40.图3为本发明私家车非法营运的识别方法第二实施例的流程示意图；
41.图4为本发明私家车非法营运的识别方法第三实施例中步骤s220的细化流程示意图；
42.图5为本发明私家车非法营运的识别方法第四实施例中部分流程示意图；
43.图6为本发明私家车非法营运的识别系统的模块结构示意图。
44.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
45.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
46.请参照图1，图1为本发明各个实施例中所提供的计算机设备的硬件结构示意图。所述计算机设备包括通信模块01、存储器02及处理器03等部件。本领域技术人员可以理解，图1中所示出的计算机设备还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中，所述处理器03分别与所述存储器02和所述通信模块01连接，所述存储器02上存储有计算机程序，所述计算机程序同时被处理器03执行。
47.通信模块01，可通过网络与外部设备连接。通信模块01可以接收外部设备发出的数据，还可发送数据、指令及信息至所述外部设备，所述外部设备可以是数据管理终端、手机、平板电脑、笔记本电脑和台式电脑等电子设备。
48.存储器02，可用于存储软件程序以及各种数据。存储器02可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(基于父进程创建所述指令对应的目标子进程、第一监控子进程和共享文件)等；存储数据区可存储根据计算机设备的使用所创建的数据或信息等。此外，存储器02可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
49.处理器03，是计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器02内的软件程序和/或模块，以及调用存储在存储器02内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监
控。处理器03可包括一个或多个处理单元；优选的，处理器03可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器03中。尽管图1未示出，但上述计算机设备还可以包括电路控制模块，电路控制模块用于与市电连接，实现电源控制，保证其他部件的正常工作。
50.本领域技术人员可以理解，图1中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
51.根据上述硬件结构，提出本发明方法各个实施例。
52.参照图2，在本发明私家车非法营运的识别方法的第一实施例中，私家车非法营运的识别方法包括步骤：
53.步骤s100，获取车辆行驶数据，对车辆行驶数据进行预处理生成节点特征张量；
54.具体可以通过保险申报信息、抵押车辆监测系统获取车辆行驶数据。车辆行驶数据包括车辆识别信息、车辆行驶轨迹、行驶时间等。在一实施例中，步骤s100包括：
55.步骤s110，获取车辆行驶数据，确定车辆行驶数据覆盖的地图区域，将地图区域划分为多个具有预设边长的网格；
56.具体可以根据车辆行驶数据获取该车辆行驶路径的地理坐标，从而可以根据该地理坐标确定所覆盖的地区区域。预设边长可以为1公里，将地图划分为多个依次排列的以1公里为边长的方格。
57.步骤s120，将车辆行驶数据中的行驶轨迹经过的网格设置为节点，将车辆行驶数据中的行驶时间参数、行驶速度参数和识别参数组合为节点特征张量。
58.将一个方格作为一个潜在的节点，在方格a相邻的方格b作为与该方格a相关联的相邻节点b。根据车辆行驶轨迹确定车辆经过的方格，从而可以统计得到行驶时间参数、行驶速度参数和识别参数，并组合为节点特征张量。行驶时间参数具体包括车辆进入各节点的时刻t、车辆在各节点的停留时长t等；行驶速度参数包括车辆在各节点的平均运行速度v等；识别参数包括各节点标识标号n等。使得每个节点的特征包括t、t、v、n等。通过步骤s100将车辆行驶数据处理为数值化的矩阵数据。
59.步骤s100之后执行：步骤s200，获取车主信息数据，将车主信息数据和节点特征张量输入预设图卷积模型中进行平均融合处理得到多个不同感受态的图向量；
60.车主信息数据可以包括已进行数值处理的车主历史罚单、驾驶年龄、时间年龄、保单信息及历史出险情况。在本实施例，通过将节点特征张量输入预设图卷积模型的一个或多个子模型中，以生成一个图向量和一个新的节点特征张量，再重复将新的节点特征张量输入预设图卷积模型，往复生成多个具有不同感受态的图向量。
61.请一并参阅图3，在一实施例中预设图卷积模型包括预设差分池化子模型和预设特征融合子模型；步骤s200包括：
62.步骤s210，获取车主信息数据；
63.步骤s220，将车主信息数据和节点特征张量输入预设特征融合子模型中进行平均融合，生成融合节点特征，根据融合节点特征生成图向量；
64.预设特征融合子模型为预先训练完成的图卷积模型(graph neural network)，以将车主信息数据和车辆行驶数据作为相关特征带入识别过程中。
65.进一步地，步骤s220包括：
66.步骤s221，获取车主信息数据，将车主信息数据和节点特征张量输入图卷积模型中进行平均融合；
67.确定各个节点的相邻节点，通过预设特征融合子模型将各节点i的节点特征张量x
i
和相邻节点j的节点特征张量进行平均融合。预设特征融合子模型如下：
68.x
i
＝θ*mean
j∈n(i)∪{i}
(x
j
)，其中，x
i
为节点i平均融合处理后的节点特征张量，x
j
为节点i节点相邻节点j的节点特征张量。
69.步骤s222，将平均融合处理后的节点特征张量输入预设多层感知机，对输出层进行归一化处理，生成融合节点特征；
70.通过多层感知机(fully connected layer)对平均融合处理后的节点特征张量进行加权融合，其输出层为新的节点特征张量，新的节点特征张量不仅融合了相邻节点的特征，同时自身的特征也实现加权融合。通过归一化处理以防止梯度消失或梯度爆炸等问题。在本实施例中，新的节点特征张量以自身的l2范数实现归一化处理。
71.步骤s223，将融合节点特征输入预设全局池化层，将各融合节点特征压缩为图向量。
72.步骤s220之后，还包括：
73.步骤s230，将节点特征张量输入预设差分池化子模型中，生成聚类维度的特征张量，更新节点特征张量为聚类维度的特征张量，并执行步骤s220，直至图向量的数量等于预设个数，获得预设个数的不同感受态的图向量。
74.本领域技术人员可以理解，预设差分池化子模型为预先训练得到的差分池化模型(differentiable graph pooling)，以对节点特征张量进行抽象。执行一次步骤s200将得到一个图向量g，不同层数的节点特征张量将产生不同层数的g1、g2、g3......gn，不同层数的输出图向量g拥有的感受野各不相同，最底层的图向量g1表示仅仅能够感受到邻接节点信息，而高层的图向量gn表示能够感受到更远处节点的信息。
75.步骤s200之后，还包括：
76.步骤s300，将各图向量输入预设多跳信息融合模型进行非线性融合，输出对车辆行驶数据的识别结果。
77.预设多跳信息融合模型为预先训练的多跳信息融合模型(jumping knowledge)。具体将图向量g1、g2、g3......gn拼接后输入与随机失活(dropout)相结合的多层感知机中，再进行非线性融合。最后将数据压缩为2维数据，实现二分类的逻辑值输出，即非运营车辆或运营车辆。
78.在本发明中，通过将车主信息数据和车辆运行数据输入预设特征融合子模型，使得获得的识别结果结合了车主信息数据，避免了仅将车主信息数据作为独立的数据分析，提高了识别结果的准确性。
79.进一步地，请参阅图4，基于上述实施例提出第三实施例，在本实施例中，步骤s230包括
80.s231，将节点特征张量输入预设差分池化子模型中，生成聚类分数和节点嵌入信息；
81.将节点特征张量输入以下预设差分池化子模型中，生成各节点属于不同预设类别
的逻辑值和节点嵌入信息；将各逻辑值输入归一化指数函数，生成各节点属于不同预设类别的聚类分数。预设类别可以为非运营车辆和运营车辆。逻辑值即为各节点属于非运营车辆或运营车辆的数值。归一化指数函数可以为softmax函数，通过归一化指数函数获得每一节点属于不同类别的概率值，即聚类分数。
82.s
(l)
＝sageconv(x
(l)
)
83.z
(l)
＝sageconv(x
(l)
)
84.其中，z
(1)
为第l层节点特征张量经过预设差分池化子模型的节点嵌入信息，x
(1)
为第l层节点特征张量，s
(1)
为第l层节点特征张量的聚类分数。
85.s232，根据节点嵌入信息和聚类分数，生成聚类维度的特征张量，更新节点特征张量为聚类维度的特征张量。
86.将节点特征张量、聚类分数和邻接矩阵输入以下函数中，生成聚类维度的特征张量，
87.x
(l+1)
＝s
(l)t
*z
(l)
；
88.其中，z
(1)
为第l层节点特征张量经过预设差分池化子模型的节点嵌入信息，x
(1)
为第l层节点特征张量，s
(1)
为第l层节点特征张量的聚类分数，s
(1)t
为第l层节点特征张量的聚类分数的转置矩阵，x
(1+1)
为第l+1层节点特征张量。将s
(1)
矩阵的行列互换得到的新矩阵称为转置矩阵s
(1)t
。
89.在一实施例中，预设差分池化子模型还设计邻接矩阵。在该实施例中，每一层的邻接矩阵同样涉及聚类分数，计算公式如下：
90.a
(l+1)
＝s
(l)t
*a
(l)
*s
(l)
；
91.其中，s
(l)
为第l层节点特征张量的聚类分数，s
(l)t
为第l层节点特征张量的聚类分数的转置矩阵，a
(l)
为第l层节点特征张量的邻接矩阵，a
(l+1)
为第l+1层节点特征张量的邻接矩阵。
92.即在第l+1层的计算过程中，需要先将通过第l层的节点特征张量的聚类分数s
(l)
和第l层节点特征张量的邻接矩阵a
(l)
，计算第l+1层的节点特征张量的邻接矩阵a
(l+1)
；再将a
(l+1)
和第l+1层节点特征张量x
(l+1)
输入预设差分池化子模型，最后输出每个节点的节点嵌入信息z(embedding)，经过sageconv中的pooling层后，由于节点信息被聚集到聚类cluster中，所以只留下cluster的embedding，所以将得到一个新的更小的图结构。此时节点特征张量x
(l+1)
失去了节点维度，而变成了聚类维度，从而便实现了从节点特征到更高维度的聚类特征的转换。
93.在本发明中通过输出的聚类分数和节点嵌入信息，从而得到下一层的节点特征张量，实现多层计算。
94.进一步地，请参阅图5，基于上述实施例提出第四实施例，在本实施例中，步骤s100之前，还包括
95.步骤s610，将训练样本中的各节点特征张量样本依次输入待训练差分池化模型中，生成聚类分数和节点嵌入信息，训练样本包括多个根据运营车辆行驶轨迹生成的节点特征张量样本和多个根据非运营车辆行驶轨迹生成的节点特征张量样本；
96.具体地，步骤s610之前包括：
97.获取车险申报信息，根据车险申报信息建立正样本和负样本，将正样本和负样本
作为训练样本，其中，正样本为运营车辆的车辆行驶数据和车主数据，负样本为非运营性质的车辆行驶数据和车主数据；将训练样本中的车辆行驶数据进行预处理生成节点特征张量样本。
98.进一步地，负样本为保险受理时间超过1年、未存在理赔记录的车辆的车辆行驶数据。
99.步骤s620，将训练样本中的车主信息样本和各车主信息样本对应的节点特征张量样本输入待训练特征融合模型中进行平均融合，生成融合节点特征样本，根据融合节点特征样本生成图向量样本；
100.步骤s630，根据节点特征张量样本、聚类分数和邻接矩阵，生成聚类维度的特征张量样本，更新节点特征张量样本为聚类维度的特征张量样本，并执行步骤s610，直至图向量样本的数量等于预设个数；
101.步骤s640，将各图向量样本输入待训练多跳信息融合模型进行非线性融合，生成识别结果；
102.步骤s650，根据识别结果、交叉熵损失函数和自适应矩估计优化器对待训练差分池化模型、待训练特征融合模型和待训练多跳信息融合模型中的至少一个进行优化，直至识别结果的准确率大于或等于预设阈值，将待训练差分池化模型设置为预设差分池化子模型、待训练特征融合模型设置为预设特征融合模型、待训练多跳信息融合模型设置为预设多跳信息融合模型。
103.训练过程中各个待训练模型具有与识别过程中各个预设模型相同的特征，仅模型中的参数不同，在此不再一一赘述。识别结果的准确率即为将正样本和负样本输入步骤s610至步骤s640后，得到的各识别结果与真实运行车辆和非运营车辆比较后，计算得到的准确率。本领域技术人员可以根据需要设置预设阈值，例如99％。
104.参见图6，本发明还提供一种私家车非法营运的识别系统，包括：
105.数据处理模块10，获取车辆行驶数据，对所述车辆行驶数据进行预处理生成节点特征张量；
106.图卷积模块20，获取车主信息数据，将所述车主信息数据和所述节点特征张量输入预设图卷积模型中进行平均融合处理得到多个不同感受态的图向量；
107.多跳信息融合模块30，将各所述图向量输入预设多跳信息融合模型进行非线性融合，输出对所述车辆行驶数据的识别结果将各图向量输入预设多跳信息融合模型进行非线性融合，输出识别结果。
108.进一步地，数据处理模块10还用于：
109.获取车辆行驶数据，确定所述车辆行驶数据覆盖的地图区域，将所述地图区域划分为多个具有预设边长的网格；
110.将所述车辆行驶数据中的行驶轨迹经过的网格设置为节点，将所述车辆行驶数据中的行驶时间参数、行驶速度参数和识别参数组合为节点特征张量。
111.进一步地，所述预设图卷积模型包括预设差分池化子模型和预设特征融合子模型；所述图卷积模块20包括：
112.特征融合单元，用于获取车主信息数据；
113.将所述车主信息数据和所述节点特征张量输入所述预设特征融合子模型中进行
平均融合，生成融合节点特征，根据所述融合节点特征生成图向量；
114.差分池化单元，用于将所述节点特征张量输入所述预设差分池化子模型中，生成聚类维度的特征张量，更新所述节点特征张量为所述聚类维度的特征张量，并执行：所述将所述车主信息数据和所述节点特征张量输入所述预设特征融合子模型中进行平均融合，生成融合节点特征，根据所述融合节点特征生成图向量的步骤，直至图向量的数量等于预设个数，获得所述预设个数的不同感受态的图向量。
115.进一步地，所述特征融合单元用于将所述车主信息数据和所述节点特征张量输入预设特征融合子模型中进行平均融合；
116.将平均融合处理后的节点特征张量输入预设多层感知机，对输出层进行归一化处理，生成融合节点特征；
117.将融合节点特征输入预设全局池化层，将各融合节点特征压缩为图向量。
118.进一步地，所述差分池化单元用于将所述节点特征张量输入所述预设差分池化子模型中，生成聚类分数和节点嵌入信息；
119.根据所述节点嵌入信息和所述聚类分数，生成聚类维度的特征张量，更新所述节点特征张量为所述聚类维度的特征张量。
120.进一步地，所述差分池化单元还用于将所述节点特征张量输入预设差分池化子模型中，生成各节点属于不同预设类别的逻辑值和节点嵌入信息；
121.将各逻辑值输入归一化指数函数，生成各节点属于不同预设类别的聚类分数。
122.进一步地，所述差分池化单元还用于：
123.x
(l+1)
＝s
(l)t
*z
(l)
；
124.其中，z
(l)
为第l层节点特征张量经过预设差分池化子模型的节点嵌入信息，s
(l)
为第l层节点特征张量的聚类分数，s
(l)t
为第l层节点特征张量的聚类分数的转置矩阵，x
(l+1)
为第l+1层节点特征张量。
125.本发明还提出一种计算机可读存储介质，其上存储有计算机程序。计算机可读存储介质可以是图1的终端中的存储器02，也可以是如rom(read
‑
only memory，只读存储器)/ram(random access memory，随机存取存储器)、磁碟、光盘中的至少一种，计算机可读存储介质包括若干信息用以使得终端执行本发明各个实施例的方法。
126.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
127.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
128.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
129.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。