公开(公告)号：CN116010885A

公开(公告)日：2023-04-25

申请号：CN202211650417.3

申请日：2022-12-21

Applicant: 重庆邮电大学

Inventor： 常光辉 ,  胡智鹏 ,  陈阔 ,  葛永新 ,  李坤红

IPC: G06F18/2431 ,  G06F18/2433 ,  G06F18/214 ,  G06F16/215 ,  G06F18/24 ,  G06F18/213 ,  G06F18/10 ,  G06N3/08 ,  G06N3/0442

Abstract: 本发明请求保护一种长序列条件下的车辆异常时空数据检测模型及方法。XGBoost是一种梯度增强，决策树可用于分类或回归，但不是处理典型时间序列问题的方法。相反，GRU是一个神经网络模型，它是RNN模型的一个派生，用于处理时间序列问题。两种模型的原理有很大的不同，结果的相关性很小。因此，两种不同模型的融合有利于提高预测精度。该方法包括：1)用机器学习的方法，基于已知样本中的决定性特征，建立和训练基于样本决定性特征的车辆轨迹模型；2)获取新个体的决定性特征数据，根据所述的基于样本决定性特征的车辆轨迹异常挖掘模型得到该新轨迹的判别结果，根据结果来预判车辆的时空数据是否正常。