[發(fā)明專利]行駛狀態(tài)識(shí)別方法、裝置、終端及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010171506.4
• 申請(qǐng)日: 2020-03-12
• 公開（公告）號(hào): CN111353467B
• 公開（公告）日: 2023-06-13
• 發(fā)明（設(shè)計(jì)）人: 宋天龍
• 申請(qǐng)（專利權(quán)）人: OPPO廣東移動(dòng)通信有限公司
• 主分類號(hào): G06V20/54
• 分類號(hào): G06V20/54;G06V40/20;G06V10/764;G06V10/80;G06V10/82;G06N3/044;G06N3/0464;G06F17/14;G06F17/16;G06N3/08;G01C9/00;G01P15/18
• 代理公司: 北京三高永信知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11138
• 代理人: 邢惠童

1.一種行駛狀態(tài)識(shí)別方法，其特征在于，應(yīng)用于移動(dòng)終端中，所述方法包括：

采集所述移動(dòng)終端的行駛狀態(tài)數(shù)據(jù)，所述行駛狀態(tài)數(shù)據(jù)能夠反映所述移動(dòng)終端的行駛狀態(tài)，所述行駛狀態(tài)用于指示所述移動(dòng)終端所乘車輛的行駛狀態(tài)或用戶步行的行駛狀態(tài)；

對(duì)所述行駛狀態(tài)數(shù)據(jù)進(jìn)行特征提取，得到行駛狀態(tài)特征；

將所述行駛狀態(tài)特征作為循環(huán)神經(jīng)網(wǎng)絡(luò)RNN模型的輸入，通過(guò)所述RNN模型對(duì)所述行駛狀態(tài)特征進(jìn)行處理，得到第一輸出特征；

將所述第一輸出特征作為注意力模型的輸入，通過(guò)所述注意力模型對(duì)所述第一輸出特征的各個(gè)通道的特征進(jìn)行注意力計(jì)算，得到注意力權(quán)重向量，對(duì)所述注意力權(quán)重向量進(jìn)行尺度化處理，根據(jù)處理后的注意力權(quán)重向量和所述第一輸出特征，確定第二輸出特征；

對(duì)所述第二輸出特征進(jìn)行概率轉(zhuǎn)換，得到第一概率矩陣，所述第一概率矩陣用于指示所述移動(dòng)終端處于至少一種行駛狀態(tài)中每種行駛狀態(tài)的概率；

基于所述第一概率矩陣，確定所述移動(dòng)終端的第一行駛狀態(tài)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述行駛狀態(tài)數(shù)據(jù)包括加速度數(shù)據(jù)和重力數(shù)據(jù)；

所述對(duì)所述行駛狀態(tài)數(shù)據(jù)進(jìn)行特征提取，得到行駛狀態(tài)特征，包括：

根據(jù)所述重力數(shù)據(jù)和所述加速度數(shù)據(jù)，確定所述加速度數(shù)據(jù)的水平分量，得到水平加速度數(shù)據(jù)；

對(duì)所述水平加速度數(shù)據(jù)進(jìn)行特征提取，得到所述行駛狀態(tài)特征。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述注意力模型包括池化層、卷積層、第一全連接層和第一非線性激活層；

所述通過(guò)所述注意力模型對(duì)所述第一輸出特征的各個(gè)通道的特征進(jìn)行注意力計(jì)算，得到注意力權(quán)重向量，包括：

通過(guò)所述池化層對(duì)所述第一輸出特征的各個(gè)通道的特征分別進(jìn)行池化操作，得到所述池化層的輸出特征；

將所述池化層的輸出特征作為所述卷積層的輸入，通過(guò)所述卷積層對(duì)所述池化層的輸出特征進(jìn)行卷積處理，得到所述卷積層的輸出特征；

將所述卷積層的輸出特征作為所述第一全連接層的輸入，通過(guò)所述第一全連接層對(duì)所述卷積層的輸出特征進(jìn)行處理，得到所述第一全連接層的輸出特征；

將所述第一全連接層的輸出特征作為所述非線性激活層的輸入，通過(guò)所述非線性激活層對(duì)所述第一全連接層的輸出特征進(jìn)行非線性處理，得到所述注意力權(quán)重向量。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述注意力模型還包括注意力尺度化層，所述注意力尺度化層的輸入包括所述第一輸出特征和所述注意力權(quán)重向量；

所述根據(jù)處理后的注意力權(quán)重向量和所述第一輸出特征，確定第二輸出特征，包括：

通過(guò)所述注意力尺度化層，對(duì)所述注意力權(quán)重向量進(jìn)行尺度化處理，得到第一尺度化權(quán)重向量；

通過(guò)所述注意力尺度化層，對(duì)所述第一尺度化權(quán)重向量進(jìn)行歸一化處理，得到第二尺度化權(quán)重向量；

通過(guò)所述注意力尺度化層，根據(jù)所述第二尺度化權(quán)重向量對(duì)所述第一輸出特征進(jìn)行加權(quán)處理，得到第三輸出特征；

根據(jù)所述第三輸出特征，確定所述第二輸出特征。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述注意力模型的輸入還包括所述行駛狀態(tài)特征；

所述根據(jù)所述第三輸出特征，確定所述第二輸出特征，包括：

將所述行駛狀態(tài)特征與所述第三輸出特征進(jìn)行合并，得到所述第二輸出特征。

6.根據(jù)權(quán)利要求1-5任一所述的方法，其特征在于，所述基于所述第一概率矩陣，確定所述移動(dòng)終端的第一行駛狀態(tài)，包括：

確定M個(gè)歷史概率矩陣，所述M個(gè)歷史概率矩陣是對(duì)所述移動(dòng)終端的歷史行駛狀態(tài)數(shù)據(jù)進(jìn)行預(yù)測(cè)得到，所述M為正整數(shù)；

對(duì)所述M個(gè)歷史概率矩陣和所述第一概率矩陣進(jìn)行融合處理，得到第二概率矩陣；

基于所述第二概率矩陣中的最大概率，確定所述移動(dòng)終端的第一行駛狀態(tài)。