[发明专利]驾驶模型训练方法、驾驶人识别方法、装置、设备及介质

权利要求书

1.一种驾驶模型训练方法，其特征在于，包括：

获取用户的训练行为数据，所述训练行为数据与用户标识相关联；

基于所述训练行为数据，获取与所述用户标识相关联的训练驾驶数据；

基于所述用户标识，从所述训练驾驶数据获取正负样本，并将所述正负样本划分为训练集和测试集；

采用装袋算法对所述训练集进行训练，获取原始驾驶模型；

采用所述测试集对所述原始驾驶模型进行测试，获取目标驾驶模型；

其中，所述基于所述用户标识，从所述训练驾驶数据获取正负样本，包括：

接收数据查询指令，所述数据查询指令包括目标用户标识；

从所述目标用户标识对应的所述训练驾驶数据中，选取预设时间段对应的所述训练驾驶数据作为正样本；

基于所述目标用户标识查询数据库，获取目标用户详细信息；所述目标用户详细信息包括家庭住址、办公地址和上班时间；

基于所述目标用户详细信息查询数据库，获取与所述目标用户详细信息相同或相似的至少一个非目标用户，所述非目标用户对应一非目标用户标识；

从所述非目标用户标识对应的所述训练驾驶数据中，选取同一时间段内预设数据时长每隔一单位时间对应的所述训练驾驶数据作为负样本；

按预设比例配置所述正样本和所述负样本的数量。

2.如权利要求1所述的驾驶模型训练方法，其特征在于，所述基于所述训练行为数据，获取与所述用户标识相关联的训练驾驶数据，包括：

基于所述训练行为数据，获取与所述训练行为数据对应的行为类型，所述行为类型与用户标识相关联；

将行为类型为驾驶类型的所述训练行为数据，作为所述训练驾驶数据；

所述基于所述训练行为数据，获取与所述用户标识相关联的行为类型，包括：

获取训练好的行为类型识别模型，所述行为类型识别模型包括至少两个聚类类簇，每一所述聚类类簇对应一所述行为类型，且每一所述聚类类簇包括一质心；

计算所述训练行为数据到每一所述质心的距离；

将所述距离最小的所述聚类类簇对应的所述行为类型，作为所述训练行为数据对应的所述行为类型。

3.如权利要求1所述的驾驶模型训练方法，其特征在于，所述采用装袋算法对所述训练集进行训练，获取原始驾驶模型，包括：

将训练集中的正负样本输入至少两个分类模型进行训练，获取单一驾驶模型；

对至少两个所述单一驾驶模型进行融合处理，获取所述原始驾驶模型。

4.如权利要求3所述的驾驶模型训练方法，其特征在于，所述分类模型包括长短时记忆网络模型和逻辑回归模型；

所述将训练集中的正负样本输入至少两个分类模型进行训练，获取单一驾驶模型，包括：

采用所述长短时记忆网络模型中的前向传播算法对所述训练集中的正负样本进行训练，获取所述原始单一驾驶模型；所述前向传播算法的计算公式包括；其中，表示当前时刻隐藏层的输出；表示隐藏层上一时刻到当前时刻的权值；表示输入层到输出层的权值；表示当前时刻的预测输出；表示所述隐藏层到所述输出层的权值；

采用所述长短时记忆网络模型中的后向传播算法对所述原始单一驾驶模型进行误差计算，获取所述单一驾驶模型；所述后向传播算法的计算公式包括其中，表示t时刻的预测输出；表示所述t时刻与所述应的真实值；

或者，所述将训练集中的正负样本输入至少两个分类模型进行训练，获取单一驾驶模型，包括：

采用所述逻辑回归模型中的逻辑回归算法对所述训练集中的正负样本进行训练，获取所述原始单一驾驶模型；所述逻辑回归算法的计算公式包括其中，表示所述正负样本的概率密度函数；表示所述正负样本的输入；表示与所述正负样本的输入对应的输出结果；m表示所述正负样本的数量；

采用所述逻辑回归模型中的梯度下降算法对所述原始驾驶模型进行误差计算，获取所述单一驾驶模型；所述梯度下降算法的计算公式包括其中，表示每次迭代得到的值；表示所述正负样本的所述概率密度函数；表示第 j次迭代的所述正负样本；表示所述原始驾驶模型。