| 专利类型： | 发明专利 |
| 申请/专利号： | CN202411882181.5 |
| 申请日期： | 2024-12-19 |
| 公告/公开号： | CN119807267A |
| 公开日期： | 2025-04-11 |
| 主分类号： | G06F16/2458(2019.01);G;G06;G06F;G06F16 |
| 分类号： | G06F16/2458(2019.01);G06F16/29(2019.01);G06Q10/0833(2023.01);G06F16/2458;G06F16/29;G06Q10/0833 |
| 申请/专利权人： | 山西大学;山西省交通运输安全应急保障技术中心(有限公司);山西开拓科技股份有限公司 |
| 发明/设计人： | 彭甫镕;罗嘉琛;韩廷鹤;袁伟;郭晋宏;王建辉;梁宇栋;田斌 |
| 主申请人地址： | 030000 山西省太原市坞城路92号 |
| 专利代理机构： | 海南汉普知识产权代理有限公司 |
| 代理人： | 沈磊 |
| 国别省市代码： | 山西;14 |
| 主权项： | 1.一种基于多视角时空数据挖掘的危化品车辆异常行为检测方法，其特征在于，所述方法包括： S101、通过物理感知层设备采集驶入收费站区域车辆的多视角数据信息； S102、网络传输层将物理感知层采集的多视角数据信息传输到计算服务层； S103、计算服务层接收并处理多视角数据信息，获得车辆的多视角时间序列数据； S104、基于分数阶傅里叶变换构建车辆在分数域下的多视角时间序列数据； S105、基于车辆在分数域下的多视角时间序列数据，通过多视角时空数据挖掘模型识别车辆异常事件； S106、业务应用层在检测到车辆异常事件后，执行报警推送操作。 2.根据权利要求1所述的一种基于多视角时空数据挖掘的危化品车辆异常行为检测方法，其特征在于，步骤S101具体包括以下操作： S201、通过全向广域毫米波雷达采集车辆的位置信息与速度信息； S202、通过高速卡口相机采集车辆图像，基于车辆图像识别车辆车牌、车身颜色和车型； S203、通过中波气体检漏仪识别车辆是否发生危化气体泄漏。 3.根据权利要求2所述的一种基于多视角时空数据挖掘的危化品车辆异常行为检测方法，其特征在于，步骤S103具体包括以下操作： S301、对车辆位置信息进行处理，提取车辆当前位置的经度E和纬度N； S302、计算车辆当前距离收费站的距离Dstation，计算式如下： Dstation＝arcsin(sin2(2E-E0)+cos(E)·cos(E0)·sin2(2N-N0))*d 上式中，E0和N0分别为收费站的经度和纬度，d为单位距离； S303、根据车辆当前位置，以及前车或后车位置，计算得到当前车辆和前车的距离Dbefore，以及当前车辆和后车的距离Dafter； S304、计算车辆加速度a＝(V1-V0)/t，其中V1为车辆当前时刻的速度，V0为车辆上一时刻的速度，t为单位时间； S305、基于车辆当前速度，车辆当前距离收费站的距离，车辆当前加速度，车辆和前车、后车的距离，考虑n个时刻，构成车辆的时间序列数据集X，其表达式为： X＝{x1,x2,…,xn}其中i为当前时刻。 4.根据权利要求3所述的一种基于多视角时空数据挖掘的危化品车辆异常行为检测方法，其特征在于，步骤S104具体包括以下操作： S401、给定一条时间序列xi，使用阶数为p的分数阶傅里叶变换将其变换到分数域中，相应的表达式为：上式中，表示p阶分数阶傅里叶变换，阶数p～U[0,1]，u0表示初始域，即时域，up为p阶分数域，α＝pπ/2，α为角度，当α＝0，时间序列为时域表示；α＝π/2时，时间序列为频域表示，δ表示狄拉克delta函数，Kp(u0,up)表示分数阶傅里叶变换的核函数； S402、根据阶分数阶傅里叶变换处理时间序列数据集，计算时间序列的多视角数据，计算式如下：上式中，V表示视角的数量，|p|＝V，v表示视角编号，X(v)表示视角v下的时间序列数据集，表示视角v下的时间序列； S403、通过取绝对值操作Abs获得分数阶数据的振幅信息，对于每一个视角数据，公式定义如下：5.根据权利要求4所述的一种基于多视角时空数据挖掘的危化品车辆异常行为检测方法，其特征在于，步骤S105中，通过多视角时空数据挖掘模型对不同视角的时间序列数据分别进行处理，具体包括： S501、对于输入的车辆时间序列使用m个形状为dmodel×M的滤波器对时间序列进行卷积操作，获得时间序列的多头嵌入表示矩阵E，dmodel表示嵌入层维度，M表示滤波器卷积核大小； S502、对嵌入表示矩阵E进行编码，相应的表达式如下： pi(2k)＝sinωki pi(2k+1)＝cosωki上式中，k∈[0,dmodel/2]，sin为正弦函数，cos为余弦函数，pi表示序列x在索引i上的位置编码值； S503、对于长度为L的时间序列，创建一个大小为2L-1的可训练参数w，对于两个位置索引i和j，其对应的相对位置标量为wi-j+L，基于此对时间序列进行相对位置编码； S504、通过线性层生成QKV矩阵，包括查询矩阵键矩阵值矩阵 S505、将相对位置编码融合到自注意力机制中，得到时间序列的注意力向量，相应的表达式为：上式中，wi-j为可学习的位置编码标量，表示位置i和位置j之间的相对位置权重，WQ为查询矩阵Q的参数，WK为键矩阵K的参数，S表示张量填充、切片、重塑操作； S506、考虑多头注意力机制，将多个注意力头中的注意力向量进行拼接，从而生成最终的注意力矩阵H： H＝MultiHead(Q,K,V)＝Concat(head1,…,headh)W 其中，headh为注意力头h学习到的注意力向量，W为可学习的参数矩阵； S507、使用一个含有高斯误差线性单元GELU作为激活函数的两层感知机网络对注意力向量进行编码，得到表示向量公式表示为：其中，和为可学习的权重矩阵和偏置项，dz＝4dmodel； S508、执行跳步连接操作，通过矩阵加法将模型的输入与输出进行结合，公式表示为 S509、通过最大池化和全局平均池化技术提取表示向量中的特征信息； S510、通过一个包含softmax函数的全连接层，将表示向量映射到类别概率分布空间中，公式表示为：S511、通过对v个视角的类别概率分布进行加权平均，得到最终的类别概率分布，公式表示为：S512、使用最大值索引函数argmax获取模型的预测结果Y＝argmax(y(fusion))。 6.根据权利要求5所述的一种基于多视角时空数据挖掘的危化品车辆异常行为检测方法，其特征在于，所述方法还包括，对多视角时空数据挖掘模型进行优化，具体包括以下操作： S601、使用交叉熵损失函数计算多视角时空数据挖掘模型的损失，公式表示为：其中|I|表示车辆异常事件的数量； S602、对多视角时空数据挖掘模型采用mini-batch优化方法将训练数据分成多个小批次进行训练； S603、采用Radam优化器进行参数优化，同时在多视角时空数据挖掘模型的测试精度达到预设范围并不再提高时，停止训练。 7.根据权利要求1所述的一种基于多视角时空数据挖掘的危化品车辆异常行为检测方法，其特征在于，在通过多视角时空数据挖掘模型识别车辆异常事件前，对多视角时空数据挖掘模型进行训练，具体包括： S701、对多视角时空数据挖掘模型采用模拟数据进行训练，对模拟数据进行掩码操作； S702、在连续多个训练周期内验证损失变化未超出预设变化阈值时，判断多视角时空数据挖掘模型已收敛，保存多视角时空数据挖掘模型。 8.根据权利要求1所述的一种基于多视角时空数据挖掘的危化品车辆异常行为检测方法，其特征在于，步骤S106具体包括以下操作： S801、将检测到的车辆异常事件记录到数据库中； S802、将车辆异常事件信息发送到前端界面，前端界面以视觉与音频方式提示用户； S803、从收件人数据库中读取已配置的相关人员的联系信息，将车辆异常事件信息根据联系信息发送给对应的相关人员。 |