[發(fā)明專利]基于人工智能的酒駕識別方法、裝置、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011009478.2
• 申請日: 2020-09-23
• 公開（公告）號: CN112115890A
• 公開（公告）日: 2020-12-22
• 發(fā)明（設(shè)計(jì)）人: 吳曉東
• 申請（專利權(quán)）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F16/29
• 代理公司: 深圳市賽恩倍吉知識產(chǎn)權(quán)代理有限公司 44334
• 代理人: 何春蘭;遲珊珊

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，提供一種基于人工智能的酒駕識別方法、裝置、設(shè)備及介質(zhì)，能夠?qū)⑴袛嘬囕v行駛軌跡是否異常的問題轉(zhuǎn)換成基于路口序列信息的異常路段統(tǒng)計(jì)問題，提升了車輛行駛軌跡這類核心特征的質(zhì)量，從而提高了酒駕識別的準(zhǔn)確率，采用多類特征進(jìn)行酒駕的判斷，大幅提升了酒駕識別的召回率，將目標(biāo)特征輸入至LightGBM模型，輸出酒駕概率，進(jìn)而通過人工智能手段實(shí)現(xiàn)對酒駕的自動(dòng)判斷，高效且準(zhǔn)確。本發(fā)明還涉及區(qū)塊鏈技術(shù)，LightGBM模型可以部署于區(qū)塊鏈上。本發(fā)明可應(yīng)用于智慧交通場景中，從而推動(dòng)智慧城市的建設(shè)。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的酒駕識別方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)

酒后駕駛是導(dǎo)致交通事故的重要原因，為了減少由酒駕造成的交通事故次數(shù)，傳統(tǒng)的方法都是通過交警現(xiàn)場布控來對所有過車進(jìn)行酒駕行為的排查，這種排查方式效率非常低，并且還會耗費(fèi)大量人力。

近年來，隨著人工智能的快速發(fā)展，涌現(xiàn)出了不少酒駕識別算法用來輔助交警進(jìn)行酒駕查處，一定程度上減少了人力的耗費(fèi)并提升了交警的查處效率，但是，即便是目前綜合性能最好的酒駕識別算法，主要也只是基于車輛畫像和車主畫像兩大類特征來進(jìn)行酒駕行為的識別，由于特征不夠豐富，導(dǎo)致召回率較低，并且準(zhǔn)確率也不高，尚存在很大的提升空間。

發(fā)明內(nèi)容

鑒于以上內(nèi)容，有必要提供一種基于人工智能的酒駕識別方法、裝置、設(shè)備及介質(zhì)，能夠?qū)⑴袛嘬囕v行駛軌跡是否異常的問題轉(zhuǎn)換成基于路口序列信息的異常路段統(tǒng)計(jì)問題，提升了車輛行駛軌跡這類核心特征的質(zhì)量，從而提高了酒駕識別的準(zhǔn)確率，并且，采用多類特征進(jìn)行酒駕的判斷，大幅提升了酒駕識別的召回率，將目標(biāo)特征輸入至LightGBM模型，輸出酒駕概率，進(jìn)而通過人工智能手段實(shí)現(xiàn)對酒駕的自動(dòng)判斷，高效且準(zhǔn)確。

一種基于人工智能的酒駕識別方法，所述基于人工智能的酒駕識別方法包括：

連接采集設(shè)備，利用所述采集設(shè)備采集當(dāng)前所經(jīng)過車輛的車輛信息；

從所述車輛信息中獲取車牌號信息；

調(diào)用配置數(shù)據(jù)庫，根據(jù)所述車牌號信息從所述配置數(shù)據(jù)庫中調(diào)取車輛畫像、車主畫像及車輛行駛軌跡數(shù)據(jù)；

利用異常軌跡檢測算法確定所述車輛行駛軌跡數(shù)據(jù)是否異常，得到軌跡信息；

從所述車輛信息中獲取所述車輛的過車時(shí)間及所述車輛所屬的查處轄區(qū)；

對所述車輛畫像執(zhí)行第一特征處理，得到第一特征，對所述車主畫像執(zhí)行第一特征處理，得到第二特征，對所述過車時(shí)間執(zhí)行第一特征處理，得到第三特征，對所述查處轄區(qū)執(zhí)行第二特征處理，得到第四特征，及對所述軌跡信息執(zhí)行第二特征處理，得到第五特征；

拼接所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征，得到目標(biāo)特征；

將所述目標(biāo)特征輸入至LightGBM模型，輸出酒駕概率。

根據(jù)本發(fā)明優(yōu)選實(shí)施例，所述利用異常軌跡檢測算法確定所述車輛行駛軌跡數(shù)據(jù)是否異常，得到軌跡信息包括：

從所述車輛行駛軌跡數(shù)據(jù)中確定經(jīng)過的路口；

根據(jù)經(jīng)過所述路口的順序，以每兩個(gè)路口為一組對所述車輛行駛軌跡數(shù)據(jù)進(jìn)行拆分，得到至少一個(gè)軌跡片段；

從所述配置數(shù)據(jù)庫中調(diào)取所述車輛在預(yù)設(shè)時(shí)間段內(nèi)的歷史軌跡數(shù)據(jù)；

根據(jù)所述歷史軌跡數(shù)據(jù)計(jì)算每個(gè)路口的目標(biāo)概率；

根據(jù)每個(gè)路口的目標(biāo)概率計(jì)算每個(gè)軌跡片段的經(jīng)過概率；

根據(jù)每個(gè)軌跡片段的經(jīng)過概率判斷每個(gè)軌跡片段是否異常，并確定異常的軌跡片段的數(shù)量；

確定所述至少一個(gè)軌跡片段的總數(shù)量；