异常行为的识别方法、电子设备及存储介质与流程

本申请涉及人工智能，尤其涉及一种异常行为的识别方法、电子设备及存储介质。

背景技术：

1、渣土车作为运输工程渣土和建筑垃圾的车辆，在城市建设中起到了重要作用。但目前存在随意偷倒的现象，严重污染城市道路环境卫生以及影响道路行车安全。为了规范化管理渣土运输工作，采用数字信息化手段赋能管理渣土运输传统行业，成为建设数字化社会的重要组成部分。

2、实际应用中，在物联网环境下，传统的数据采集通常基于中心计算模型实现，以图像数据的采集为例，在该中心计算模型下，首先由各个摄像头进行图像采集(如拍摄图像或录制视频流等)，之后通过网关设备将采集的图像数据传输至数据中心的服务器上，进而由服务器基于相应ai(artificial intelligence，人工智能)算法提取所采集图像中的有效图像信息(如人脸数据、车辆信息等)，并将提取的有效图像信息存储至数据中心，以对垃圾偷倒行为进行分析识别。然而，在一些城市的边缘地带，由于该地区没有摄像头覆盖，导致无法对未部署摄像头的区域进行监管。

3、因此，实际应用中需要一种能够提高偷倒垃圾的监管全面性的方案。

技术实现思路

1、本申请的主要目的在于提供一种异常行为的识别方法、电子设备及存储介质，旨在解决偷倒垃圾的监管不全面的技术问题。

2、为实现上述目的，本申请提供一种异常行为的识别方法，所述异常行为的识别方法包括以下步骤：

3、获取用户的第一用户特征；所述第一用户特征至少包括由信令数据确定的特征；

4、将所述第一用户特征输入至预设的异常行为的识别模型，通过所述异常行为的识别模型中预设的异常行为特征与所述第一用户特征进行匹配对比，得到识别结果；

5、基于所述识别结果确定所述用户是否为异常行为。

6、示例性的，所述第一用户特征包括用户基础特征和用户出行特征，所述异常行为特征包括偷倒用户特征和偷倒行为特征。

7、示例性的，所述将所述第一用户特征输入至预设的异常行为的识别模型，通过所述异常行为的识别模型中预设的偷倒特征与所述第一用户特征进行匹配对比，得到识别结果的步骤，包括：

8、将所述第一用户特征输入至预设的异常行为的识别模型，通过所述异常行为的识别模型中预设的所述偷倒用户特征和所述偷倒行为特征，分别与所述用户基础特征和所述用户出行特征进行匹配对比，得到识别结果。

9、示例性的，所述用户基础特征包括年龄、性别、文化程度以及职住地，所述用户出行特征包括：出行频次、出行时段、目的地、出行距离、出行时长、逗留时长。

10、示例性的，所述第一用户特征包括所述用户的平均停留时长对应的时间特征，所述获取用户的第一用户特征，包括：

11、获取所述用户的第二用户特征；所述第二用户特征包括用户时空特征和用户出行目的；

12、输入所述用户时空特征和所述用户出行目的至车速预测模型，得到预测车速；

13、基于所述预测车速确定所述用户到达垃圾倾倒地的实际到达时间；

14、基于所述实际到达时间，确定所述平均停留时长对应的时间特征。

15、示例性的，所述获取用户的第一用户特征包括：

16、获取所述用户的信令数据；

17、基于所述信令数据生成用户轨迹；

18、对所述用户轨迹进行聚类，得到目标簇；

19、获取所述目标簇对应的第一用户特征。

20、示例性的，所述对所述用户轨迹进行聚类，得到目标簇的步骤，包括：

21、基于所述用户轨迹，确定特征点；

22、基于所述特征点，对所述用户轨迹进行分段，得到分段后的用户轨迹，其中，所述分段后的用户轨迹包括多个分段轨迹；

23、对所述分段后的用户轨迹中的各分段轨迹进行聚类，得到目标簇。

24、示例性的，所述对所述用户轨迹进行聚类，得到目标簇的步骤之后，所述方法包括：

25、基于预设的采样率阈值，对所述目标簇中的用户轨迹进行分类，得到第一轨迹点和第二轨迹点，其中，所述第一轨迹点的采样率大于或者等于所述采样率阈值，所述第二轨迹点采样率小于所述采样率阈值；

26、提取所述第一轨迹点中的轨迹点特征；

27、基于所述轨迹点特征，对所述第二轨迹点进行轨迹序列的补全处理，得到补全后的第二轨迹点，并基于所述补全后的第二轨迹点和所述第一轨迹点，生成补全后的目标簇。

28、示例性的，所述获取用户的第一用户特征的步骤之前，所述方法包括：

29、获取用户特征样本；

30、将所述用户特征样本输入至预设的待训练模型，通过所述待训练模型中预设的异常行为特征与所述用户特征样本进行匹配对比，得到预测识别结果；

31、基于所述预测识别结果，确定预测评分值；

32、判断所述预测评分值是否满足预设的损失收敛条件，若所述预测评分值不满足预设的损失收敛条件，返回将所述用户特征样本输入至预设的待训练模型，通过所述待训练模型中预设的异常行为特征与所述用户特征样本进行匹配对比，得到预测识别结果的步骤，直至所述预测评分值满足预设的损失收敛条件，得到异常行为的识别模型。

33、示例性的，为实现上述目的，本申请还提供一种异常行为的识别装置，所述异常行为的识别装置包括：

34、获取模块，用于获取用户的第一用户特征；所述第一用户特征至少包括由信令数据确定的特征；

35、输入模块，用于将所述第一用户特征输入至预设的异常行为的识别模型，通过所述异常行为的识别模型中预设的偷倒特征与所述第一用户特征进行匹配对比，得到识别结果；

36、确定模块，用于基于所述识别结果确定所述用户是否偷倒垃圾。

37、示例性的，为实现上述目的，本申请还提供一种电子设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常行为的识别程序，所述异常行为的识别程序配置为实现如上所述的异常行为的识别方法的步骤。

38、示例性的，为实现上述目的，本申请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异常行为的识别程序，所述异常行为的识别程序被处理器执行时实现如上所述的异常行为的识别方法的步骤。

39、与相关技术中，在一些城市的边缘地带，由于该地区没有摄像头覆盖，导致无法对未部署摄像头的区域进行监管相比，本申请获取用户的第一用户特征；所述第一用户特征至少包括由信令数据确定的特征；输入所述第一用户特征至异常行为的识别模型，得到识别结果；基于所述识别结果确定所述用户是否偷倒垃圾。即本申请通过用户的第一用户特征来确定其是否偷倒垃圾，而由于该第一用户特征至少包括由信令数据确定的特征，该第一用户特征不会受摄像头部署区域的限制，并且用户一般都携带有移动终端，因此，即即使在没有摄像头覆盖的区域，也能够获取到第一用户特征，使得用户偷倒垃圾的行为能够得到有效监管，从而提高了偷倒垃圾的监管全面性。

技术特征：

1.一种异常行为的识别方法，其特征在于，所述异常行为的识别方法包括以下步骤：

2.如权利要求1所述的异常行为的识别方法，其特征在于，所述第一用户特征包括用户基础特征和用户出行特征，所述异常行为特征包括偷倒用户特征和偷倒行为特征。

3.如权利要求2所述的异常行为的识别方法，其特征在于，所述将所述第一用户特征输入至预设的异常行为的识别模型，通过所述异常行为的识别模型中预设的偷倒特征与所述第一用户特征进行匹配对比，得到识别结果的步骤，包括：

4.如权利要求2所述的异常行为的识别方法，其特征在于，所述用户基础特征包括年龄、性别、文化程度以及职住地，所述用户出行特征包括：出行频次、出行时段、目的地、出行距离、出行时长、逗留时长。

5.如权利要求1所述的异常行为的识别方法，其特征在于，所述第一用户特征包括所述用户的平均停留时长对应的时间特征，所述获取用户的第一用户特征，包括：

6.如权利要求1所述的异常行为的识别方法，其特征在于，所述获取用户的第一用户特征包括：

7.如权利要求6所述的异常行为的识别方法，其特征在于，所述对所述用户轨迹进行聚类，得到目标簇的步骤，包括：

8.如权利要求6所述的异常行为的识别方法，其特征在于，所述对所述用户轨迹进行聚类，得到目标簇的步骤之后，所述方法包括：

9.如权利要求1所述的异常行为的识别方法，其特征在于，所述获取用户的第一用户特征的步骤之前，所述方法包括：

10.一种异常行为的识别装置，其特征在于，所述异常行为的识别装置包括：

11.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常行为的识别程序，所述异常行为的识别程序配置为实现如权利要求1至9中任一项所述的异常行为的识别方法的步骤。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有异常行为的识别程序，所述异常行为的识别程序被处理器执行时实现如权利要求1至9中任一项所述的异常行为的识别方法的步骤。

技术总结
本申请公开了一种异常行为的识别方法、电子设备及存储介质，该方法包括步骤：获取用户的第一用户特征；所述第一用户特征至少包括由信令数据确定的特征；将所述第一用户特征输入至预设的异常行为的识别模型，通过所述异常行为的识别模型中预设的偷倒特征与所述第一用户特征进行匹配对比，得到识别结果；基于所述识别结果确定所述用户是否偷倒垃圾。即本申请提高了偷倒垃圾的监管全面性。

技术研发人员：王龙,周辉
受保护的技术使用者：中移动信息技术有限公司
技术研发日：
技术公布日：2024/4/29