本技术涉及数据处理领域,具体涉及一种共享设备的异常状态识别方法及相关设备。
背景技术:
1、共享单车的大规模的投放和使用以及共享单车优秀的低碳减排属性,缓解大城市的拥堵现象,提高出行效率,明显缩短交通拥堵时间。共享单车可以和地铁等公共交通工具配合使用,满足市民公交通勤全流程的衔接,给人们提供绿色安全便捷出行的新选择。共享单车在投入市场运营过程中也暴露出很多问题,例如共享单车异常使用的难以检测问题。
技术实现思路
1、本技术实施例提供一种共享设备的异常状态识别方法及相关设备,用于解决共享单车异常使用情况难以检测的问题。
2、第一方面,本技术实施例提供一种共享设备的异常状态识别方法,所述方法包括:
3、获取目标共享设备在目标日期内的使用频次;
4、基于所述目标共享设备的所述目标日期内的预测频次和所述目标共享设备在目标日期内的使用频次,确定所述目标共享设备的第一异常参数;
5、基于所述第一异常参数,判断所述目标共享设备的状态是否为异常状态。
6、本技术实施例中,通过对共享设备在指定日期内的使用频次的预测,以及指定日期内的实际使用频次。结合预测频次和使用频次,确定出共享设备的第一异常参数。通过第一异常参数的情况,可以确定出共享设备是否为异常状态。这样的方式,具有较低时间成本,并且可以避免因工作日和非工作日的差别引起的使用频次差异造成的识别不准确的情况。
7、可选地,本技术实施例提供的共享设备的异常状态识别方法中,所述目标共享设备的所述目标日期内的预测频率,采用如下方式确定:
8、获取所述目标共享设备的历史使用频次数据,所述历史使用频次数据包括在所述目标日期前的第一数量个日期的使用频次;
9、基于所述历史使用频次数据,对所述目标共享设备的所述目标日期内的频次进行预测,将预测结果作为所述目标共享设备的所述目标日期内的预测频次。
10、一种可能的实施方式中,本技术实施例提供的共享设备的异常状态识别方法中,所述对所述目标共享设备的所述目标日期内的频次进行预测,包括:
11、向预先训练的频次预测模型输入所述历史使用频次数据,所述频次预测模型输出预测结果;并将所述预测结果作为所述预测频次;
12、其中,所述频次预测模型是采用如下方式训练得到的:
13、获取多个共享设备中每个共享设备的历史使用频次数据,一个共享设备的历史使用频次数据包括所述一个共享设备在预设的多个日期中每个日期的使用频次,所述多个日期的数量大于所述第一数量;
14、生成多个训练样本,每个训练样本包括任意一个共享设备的连续的第二数量个日期的使用频次,所述每个训练样本的标签为所述第二数量个日期的下一个日期的使用频次;
15、将所述多个训练样本输入lightgbm模型,并以每个训练样本的标签为输出目标,对所述lightgbm模型进行训练,得到所述预测模型。
16、本技术实施例中,利用机器学习算法,生成使用频次预测模型,可以提高异常状态识别的准确性和效率。
17、一种可能的实施方式中,本技术实施例提供的共享设备的异常状态识别方法中,所述生成多个训练样本,包括:
18、根据预设调整步长,采用预设滑窗遍历所述多个共享设备的历史使用频次数据,提取所述多个共享设备中任意一个共享设备的所述第二数量个日期的使用频次,得到所述多个训练样本,所述预设滑窗的宽度为所述第二数量个日期。
19、一种可能的实施方式中,本技术实施例提供的共享设备的异常状态识别方法中,所述基于所述目标共享设备的所述目标日期内的预测频次和所述目标共享设备在目标日期内的使用频次,确定所述目标共享设备的第一异常参数,包括:
20、若所述目标共享设备在目标日期内的使用频次大于所述目标共享设备的所述目标日期内的预测频次,则确定所述第一异常参数为预设数值;
21、若所述目标共享设备在目标日期内的使用频次小于所述目标共享设备的所述目标日期内的预测频次,将目标差值与所述目标共享设备的所述目标日期内的预测频次的比值,确定为第一异常参数,所述目标差值为所述目标共享设备的所述目标日期内的预测频次与所述目标共享设备在目标日期内的使用频次的差值。
22、一种可能的实施方式中,本技术实施例提供的共享设备的异常状态识别方法中,所述基于所述第一异常参数,判断所述目标共享设备的状态是否为异常状态,包括:
23、若所述第一异常参数大于第一参数阈值,则确定所述目标共享设备的状态为异常状态;
24、若所述第一异常参数小于或等于所述第一参数阈值,则确定所述目标共享设备的状态为正常状态。
25、一种可能的实施方式中,本技术实施例提供的共享设备的异常状态识别方法中,所述基于所述第一异常参数,判断所述目标共享设备的状态是否为异常状态,包括:
26、基于所述第一异常参数和第二异常参数,判断所述目标共享设备的状态是否为异常状态;
27、其中,所述第二异常参数是基于所述目标共享设备在所述目标日期内的位置数据确定的。
28、一种可能的实施方式中,本技术实施例提供的共享设备的异常状态识别方法中,所述方法还包括:
29、向预先训练的异常轨迹检测模型输入所述目标共享设备在所述目标日期内的轨迹位置数据,所述异常轨迹检测模型输出异常概率参数,所述异常概率参数为[0,1]中的数值;并将所述异常概率作为所述第二异常参数;
30、其中,所述异常轨迹检测模型是采用如下方式训练得到的:
31、获取多个共享设备中每个共享设备的历史轨迹坐标数据,以及所述每个共享设备的历史轨迹坐标数据的标签,所述标签为第一数值或者第二数值,所述第一数值表征异常状态,所述第二数值表征正常状态;
32、将所述每个共享设备的历史轨迹坐标数据输入分类模型,并以每个共享设备的历史轨迹坐标数据的标签为输出目标,对所述分类模型进行训练,得到所述异常轨迹检测模型。
33、本技术实施例中,利用机器学习算法,生成异常轨迹检测模型,可以对共享设备的轨迹是否为异常状态进行识别。结合共享设备的使用频次以及轨迹情况,进行异常状态识别,极大提升识别准确性,有利于共享设备的管理。
34、一种可能的实施方式中,本技术实施例提供的共享设备的异常状态识别方法中,所述基于所述第一异常参数和第二异常参数,判断所述目标共享设备的状态是否为异常状态,包括:
35、基于预设的使用频次权重参数、预设的轨迹异常权重参数、所述第一异常参数和所述第二异常参数,确定所述目标共享设备的综合异常参数;
36、若所述综合异常参数大于预设的第二参数阈值,则确定所述目标共享位置的状态为异常状态;
37、若所述综合异常参数小于或等于所述第二参数阈值,则确定所述目标共享设备的状态为正常状态。
38、第二方面,本技术提供一种共享设备的异常状态识别方法,所述方法包括:
39、获取目标共享设备在目标日期内的轨迹位置数据;
40、向预先训练的异常轨迹检测模型输入所述目标共享设备在所述目标日期内的轨迹位置数据,所述异常轨迹检测模型输出异常概率参数,所述异常概率参数为[0,1]中的数值;并将所述异常概率作为第二异常参数;
41、若所述第二异常参数大于预设的第三参数阈值,则确定所述目标共享设备的状态为异常状态;
42、若所述第二异常参数小于或等于所述第三参数阈值,则确定所述目标共享设备的状态为正常状态。
43、本技术实施例中,利用机器学习算法,生成异常轨迹检测模型,可以对共享设备的轨迹是否为异常状态进行识别,具有较低时间成本,并且具有较高识别准确性,有利于共享设备的管理。
44、一种可能的实施方式中,本技术实施例提供的共享设备的异常状态识别方法中,所述异常轨迹检测模型是采用如下方式训练得到的:
45、获取多个共享设备中每个共享设备的历史轨迹坐标数据,以及所述每个共享设备的历史轨迹坐标数据的标签,所述标签为第一数值或者第二数值,所述第一数值表征异常状态,所述第二数值表征正常状态;
46、将所述每个共享设备的历史轨迹坐标数据输入分类模型,并以每个共享设备的历史轨迹坐标数据的标签为输出目标,对所述分类模型进行训练,得到所述异常轨迹检测模型。
47、第三方面,本技术提供一种电子设备,包括:
48、存储器,用于存储程序指令;
49、处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行第一方面中任一项所述的方法包括的步骤。
50、第四方面,本技术提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被计算机执行时,使所述计算机执行第一方面中任一项所述的方法或者第二方面中任一项所述的方法。
51、第五方面,本技术提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行第一方面中任一项所述的方法或者第二方面中任一项所述的方法。