定位风险处理方法、装置、电子设备和存储介质与流程

1.本公开涉及车辆定位技术领域，尤其涉及一种定位风险处理方法、装置、电子设备和存储介质。


背景技术：

2.定位风险一直是无人驾驶领域的核心问题之一，良好且稳定的定位系统是无人车常态化运营的基础。
3.并且，定位风险很难直接通过一个确切的测量源状态或车辆状态来判断。这是由于，定位风险不仅与测量源的性能和算法相关，与车辆状态也密切相关，并且，各个测量源的特征具有相似性，采集的数据是时序数据，在时序上具有较大关联。因此，若是不考虑这些因素来进行定位风险的预测和处理，就会造成所有场景、所有测量源以及所有时间点一视同仁，会导致定位风险的预测结果产生较大的偏差，也无法及时根据预测结果进行有效且准确的后续处理。


技术实现要素：

4.为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种定位风险处理方法、装置、电子设备和存储介质，实现了充分结合车辆数据和定位数据，考虑这些数据时序上的关联关系，并对不同字段以及不同定位测量源进行重要性评估，提高定位风险的准确性的效果。
5.第一方面，本公开实施例提供了一种定位风险处理方法，该方法包括：
6.获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据；其中，所述当前定位数据包括各定位测量源在当前时刻的测量数据，所述历史定位数据包括各所述定位测量源在各历史时刻的测量数据；
7.根据回看时间序列以及所述历史车辆数据，确定与所述回看时间序列内每个回看时间相对应的待组合车辆数据，并根据所述回看时间序列以及所述历史定位数据，确定与所述回看时间序列内每个回看时间相对应的待组合定位数据；其中，所述回看时间序列为从小到大排列的等差数列；
8.将所述当前车辆数据以及所述待组合车辆数据进行组合得到待检测车辆数据，将所述当前定位数据以及所述待组合定位数据进行组合得到待检测定位数据；
9.将所述待检测车辆数据以及所述待检测定位数据输入至预先训练完成的定位风险判断模型中，得到测量源风险数据；
10.根据所述测量源风险数据、预设的定位风险因子矩阵以及各所述定位测量源的重要性系数，确定目标定位风险。
11.第二方面，本公开实施例还提供了一种定位风险处理装置，该装置包括：
12.数据获取模块，用于获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据；其中，所述当前定位数据包括各定位测量源在当前时刻的测量数据，所述历史定位
数据包括各所述定位测量源在各历史时刻的测量数据；
13.数据处理模块，用于根据回看时间序列以及所述历史车辆数据，确定与所述回看时间序列内每个回看时间相对应的待组合车辆数据，并根据所述回看时间序列以及所述历史定位数据，确定与所述回看时间序列内每个回看时间相对应的待组合定位数据；其中，所述回看时间序列为从小到大排列的等差数列；
14.数据组合模块，用于将所述当前车辆数据以及所述待组合车辆数据进行组合得到待检测车辆数据，将所述当前定位数据以及所述待组合定位数据进行组合得到待检测定位数据；
15.模型运算模块，用于将所述待检测车辆数据以及所述待检测定位数据输入至预先训练完成的定位风险判断模型中，得到测量源风险数据；
16.风险处理模块，用于根据所述测量源风险数据、预设的定位风险因子矩阵以及各所述定位测量源的重要性系数，确定目标定位风险。
17.第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的定位风险处理方法。
18.第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的定位风险处理方法。
19.本公开实施例提供的一种定位风险处理方法，通过获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据，进而，根据回看时间序列以及历史车辆数据，确定与回看时间序列内每个回看时间相对应的待组合车辆数据，并根据回看时间序列以及历史定位数据，确定与回看时间序列内每个回看时间相对应的待组合定位数据，以对车辆数据和定位数据进行时序上的整理，便于得到时序关联，进一步的，将当前车辆数据以及待组合车辆数据进行组合得到待检测车辆数据，将当前定位数据以及待组合定位数据进行组合得到待检测定位数据，以结合当前时刻的当前车辆数据以及当前定位数据，便于后续确定当前时刻的定位风险，将待检测车辆数据以及待检测定位数据输入至预先训练完成的定位风险判断模型中，得到测量源风险数据，以通过模型进行车辆数据和定位数据的分析，充分考虑时序上的关联以及车辆数据和定位数据之间的关联，提高测量源风险数据的准确性，根据测量源风险数据、预设的定位风险因子矩阵以及各定位测量源的重要性系数，确定目标定位风险，以根据不同的字段和不同的定位测量源的重要性程度对测量源风险数据进行整合处理，实现了充分结合车辆数据和定位数据，考虑这些数据时序上的关联关系，并对不同字段以及不同定位测量源进行重要性评估，提高定位风险的准确性的效果。
附图说明
20.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
21.图1为本公开实施例中的一种定位风险处理方法的流程图；
22.图2为本公开实施例中的一种定位风险处理装置的结构示意图；
23.图3为本公开实施例中的一种电子设备的结构示意图。
具体实施方式
24.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
25.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
26.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
27.常用的定位风险确定和处理是较为复杂的问题，定位的稳定性和质量由各个测量源的定位效果、车辆状态乃至车辆使用场景等综合判断的，因此定位风险是很难直接通过一个确切的测量源状态或车辆状态来判断的。目前，可以直接将测量源定位数据作为模型输入，得到定位风险，但是这并没有考虑无人驾驶的特殊场景以及定位数据的特殊性和时序性，会影响定位风险的确定效果。定位风险不仅测量源的性能和算法有关，与使用场景和车辆状态也密切相关，比如当车辆在高架下、室内、转弯等场景下，车辆定位的实际效果可能相对较差；定位数据比较特殊，各个测量源有一定的关联，测量源的特征之间也有相似性；定位数据是时序数据，定位风险和历史数据也有较大的关联。直接将测量源定位数据作为模型输入的方式没有考虑上述因素，并且对各个测量源的信任度设置为相同，这是有待商榷的，因此直接通过模型进行预测，将所有测量源一视同仁得到的结果与实际的定位风险可能存在偏差。
28.针对上述问题，本公开实施例提供了一种定位风险处理方法，适用于综合考虑各测量源的定位数据、定位数据在时序上的变化、车辆数据以及车辆数据在时序上的变化，提高定位风险处理的准确性。
29.图1为本公开实施例中的一种定位风险处理方法的流程图，该方法可以由定位风险处理装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中。如图1所示，该方法具体可以包括如下步骤：
30.s110、获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据。
31.其中，当前定位数据包括各定位测量源在当前时刻的测量数据，历史定位数据包括各定位测量源在各历史时刻的测量数据。当前车辆数据包括当前时刻的车辆数据，历史车辆数据包括各历史时刻的车辆数据。车辆数据是车辆在行驶过程中的运动学参数(如：速度、前轮偏角等)和场景对定位影响程度数据(如：是否在桥下、是否在隧道内等)。定位数据是指车辆行驶过程中，基于定位测量源直接或间接获取的数据，包括测量源状态以及基于定位测量源采集的数据进行转化得到的数据，比如是否异常、是否进融合、置信度等。
32.具体的，基于车辆上安装的各个测量源以及各种车辆传感器采集当前车辆数据和当前定位数据，并存储。从存储空间中获取历史存储的在当前时刻之前的各历史时刻的历史车辆数据以及历史定位数据，以用于后续对数据进行处理和分析。
33.在上述示例的基础上，在获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据之后，还可以对当前定位数据以及历史定位数据进行预处理，具体可以通过下述方式实现：
34.根据各定位测量源所采集的测量数据的字段，确定合并字段数量；
35.根据合并字段数量，将当前定位数据以及每个历史定位数据扩展为方阵。
36.其中，定位测量源是车辆上安装的用于定位的测量源，例如：gps(global positioning system，全球定位系统)、lslam(lidar simultaneous localization and mapping，激光雷达即时定位与地图构建)、vslam(vision simultaneous localization and mapping，视觉即时定位与地图构建)等。测量数据的字段可以包括北向数据字段、东向数据字段、高度字段、航向角字段、俯仰角字段、翻滚角字段、是否融合字段等。合并字段包括各定位测量源所采集的测量数据的字段。示例性的，定位测量源1所采集的测量数据的字段包括字段1、字段2和字段3，定位测量源2所采集的测量数据的字段包括字段1、字段3和字段4，定位测量源3所采集的测量数据的字段包括字段4和字段5，此种情况下，合并字段包括字段1、字段2、字段3、字段4和字段5。合并字段数量大于定位测量源的数量，如上述示例，合并字段数量为5，定位测量源的数量为3。
37.具体的，将各定位测量源所采集的测量数据的字段的并集作为合并字段，并确定合并字段数量。进而，将当前定位数据以及每个历史定位数据分别以定位测量源种类为行标识，以合并字段为列标识，构建矩阵。进而，将构建得到的与当前定位数据以及每个历史定位数据分别对应的矩阵，按照合并字段数量扩展为方阵，作为后续待使用的当前定位数据以及各历史定位数据。
38.示例性的，定位测量源的数量为3，合并字段数量为5，那么，直接获取的当前定位数据以及各历史定位数据的大小为3
×
5，按照合并字段数量5对其扩展为方阵，具体是在原有的当前定位数据以及各历史定位数据下扩展两行，其中，扩展过程中填充的数据为0，使其大小变为5
×
5。
39.s120、根据回看时间序列以及历史车辆数据，确定与回看时间序列内每个回看时间相对应的待组合车辆数据，并根据回看时间序列以及历史定位数据，确定与回看时间序列内每个回看时间相对应的待组合定位数据。
40.其中，回看时间序列为从小到大排列的等差数列。回看时间是回看时间序列中的各个项，用于表示当前时刻向前回溯的时间差。将当前时刻以及当前时刻分别与各回看时间的差值作为待组合时间点，根据待组合时间点可以由大至小构成新序列。待组合车辆数据是新序列中任意相邻两个待组合时间点之间的各历史车辆数据整合处理得到的车辆数据。待组合定位数据是新序列中任意相邻两个待组合时间点之间的各历史定位数据整合处理得到的定位数据。
41.具体的，将当前时刻以及当前时刻分别与各回看时间的差值，作为待组合时间点。进而，基于各待组合时间点由大至小构成新序列，将新序列中任意相邻两个待组合时间点之间的各历史车辆数据，分别进行整合处理得到与每个回看时间相对应的待组合车辆数据。将新序列中任意相邻两个待组合时间点之间的各历史定位数据，分别进行整合处理得到与每个回看时间相对应的待组合定位数据。其中，整合处理方法可以是求均值、求最大值、求最小值等统计学方法，也可以是使用预先建立的整合模型进行数据整合的方法等。
42.示例性的，当前时刻为t，回看时间序列为[f1，f2，
…
，fn]，将当前时刻与当前时刻分别与中的各回看时间的差值作为待组合时间点，即为t，t-f1，t-f2，
…
，t-fn，基于各待组合时间点由大至小所构成的新序列为[t，t-f1，t-f2，
…
，t-fn]，其中，任意相邻两个待组合
时间点之间的各历史车辆数据为[t-f1，t]，[t-f2，t-f1]，
…
，[t-fn，t-f
n-1
]内的历史车辆数据，任意相邻两个项之间的各历史定位数据为[t-f1，t]，[t-f2，t-f1]，
…
，[t-fn，t-f
n-1
]内的历史定位数据。
[0043]
在上述示例的基础上，可以通过下述方式来根据回看时间序列以及历史车辆数据，确定与回看时间序列内每个回看时间相对应的待组合车辆数据，并根据回看时间序列以及历史定位数据，确定与回看时间序列内每个回看时间相对应的待组合定位数据：
[0044]
针对回看时间序列内每个回看时间，确定与回看时间相对应的回看时段；
[0045]
从历史车辆数据中获取与回看时段相对应的回看车辆数据，并将回看车辆数据按照时间顺序排列，将排列后的回看车辆数据中的中位数数据确定为待组合车辆数据；
[0046]
从历史定位数据中获取与回看时段相对应的回看定位数据，并将回看定位数据按照时间顺序排列，将排列后的回看定位数据中的中位数数据确定为待组合定位数据。
[0047]
其中，回看时段是用于后续整合获取待组合车辆数据和待组合定位数据的时段，可以理解为新序列中相邻待组合时间点之间的时间段。若回看时间为回看时间序列中的最小值，则回看时段为当前时刻与最小值的差值开始，至当前时刻为止所构成的时段；若回看时间为回看时间序列中除最小值之外的其他数值，则回看时段为当前时刻与回看时间的前一时间的差值至当前时刻与回看时间的差值所构成的时段。示例性的，当前时刻为t，回看时间序列为[f1，f2，
…
，fn]，待组合时间点为t，t-f1，t-f2，
…
，t-fn，基于各待组合时间点由大至小所构成的新序列为[t，t-f1，t-f2，
…
，t-fn]，回看时段为[t-f1，t]，[t-f2，t-f1]，
…
，[t-fn，t-f
n-1
]。回看车辆数据是回看时段内的各历史车辆数据。回看定位数据是回看时段内的各历史定位数据。
[0048]
具体的，针对回看时间序列内每个回看时间，按照确定回看时段的规则，如上所述，在此不做赘述，可以得到各个回看时段。进而，针对每个回看时段，可以从历史车辆数据中获取与该回看时段相对应的回看车辆数据，并将这些回看车辆数据按照时间顺序排列，将排列后的回看车辆数据中的位于正中间的一个回看车辆数据作为待组合车辆数据，若正中间为两个回看车辆数据，那么将这两个回看车辆数据的平均值作为待组合车辆数据，可以理解为将排列后的回看车辆数据的中位数数据确定为待组合车辆数据。据此，可以得到与每个回看时段相对应的待组合车辆数据。针对每个回看时段，还可以从历史定位数据中获取与该回看时段相对应的回看定位数据，并将这些回看定位数据按照时间顺序排列，将排列后的回看定位数据中的位于正中间的一个回看定位数据作为待组合定位数据，若正中间为两个回看定位数据，那么将这两个回看定位数据的平均值作为待组合定位数据，可以理解为将排列后的回看定位数据的中位数数据确定为待组合定位数据。据此，可以得到与每个回看时段相对应的待组合定位数据。
[0049]
示例性的，某一回看时段对应的回看车辆数据为c1、c2和c3(已经按照时间顺序排列)，那么，将中位数数据c2确定为该回看时段对应的待组合车辆数据。某一回看时段对应的回看定位数据为d1、d2、d3和d4(已经按照时间顺序排列)，那么，将中位数数据(d2+d3)/2确定为该回看时段对应的待组合定位数据。
[0050]
s130、将当前车辆数据以及待组合车辆数据进行组合得到待检测车辆数据，将当前定位数据以及待组合定位数据进行组合得到待检测定位数据。
[0051]
其中，待检测车辆数据是当前车辆数据以及待组合车辆数据按照第三维度进行组
合得到的车辆数据，示例性的，当前车辆数据以及待组合车辆数据的矩阵大小是n
×
n，矩阵数量是m，那么，待检测车辆数据是三维矩阵，大小为n
×n×
m。待检测定位数据是当前定位数据以及待组合定位数据按照第三维度进行组合得到的定位数据，示例性的，当前定位数据以及待组合定位数据的矩阵大小是1
×
d，矩阵数量是m，那么，待检测定位数据是三维矩阵，大小为1
×d×
m。
[0052]
具体的，将当前车辆数据以及待组合车辆数据按照第三维度进行组合，得到三维的待检测车辆数据。将当前定位数据以及待组合定位数据按照第三维度进行组合，得到三维的待检测定位数据。
[0053]
s140、将待检测车辆数据以及待检测定位数据输入至预先训练完成的定位风险判断模型中，得到测量源风险数据。
[0054]
其中，定位风险判断模型是预先建立和训练的模型，用于根据时序相关的待检测车辆数据以及时序相关的待检测定位数据处理得到描述各测量源以及各测量数据的字段的风险数据。测量源风险数据是定位风险判断模型的输出数据，用于表示测量源和测量数据的字段的风险。
[0055]
具体的，将待检测车辆数据以及待检测定位数据输入至预先训练完成的定位风险判断模型中，综合评估车辆数据和定位数据两个数据维度，并且结合时序变化以及不同测量源的测量数据，共同进行模型数据分析，得到定位风险判断模型的输出数据，即为测量源风险数据。
[0056]
在上述示例的基础上，预先训练完成的定位风险判断模型可以基于下述方式训练得到：
[0057]
根据样本车辆数据、样本定位数据以及回看时间序列，确定多组待测试车辆数据以及与每组待测试车辆数据相对应的待测试定位数据；
[0058]
针对每组待测试定位数据，将时间顺序最靠后的待测试定位数据作为目标定位数据，根据与目标定位数据中的各个字段相对应的异常阈值，将目标定位数据转化为待测试目标数据；
[0059]
将具有对应关系的待测试车辆数据与待测试定位数据作为自变量，将与待测试定位数据相对应的待测试目标数据作为因变量，对初始长短期记忆人工神经网络进行训练，得到预先训练完成的定位风险判断模型。
[0060]
其中，样本车辆数据是预先采集的车辆数据，样本定位数据是与样本车辆数据具有时间上的关联关系的预先采集的定位数据。待测试车辆数据作为初始长短期记忆人工神经网络的因变量，待测试车辆数据的获取方式与待检测车辆数据的获取方式相类似，在此不做赘述。待测试定位数据作为初始长短期记忆人工神经网络的因变量，待测试定位数据的获取方式与待检测定位数据的获取方式相类似，在此不做赘述。初始长短期记忆人工神经网络是模型结构和模型参数都未经调整完成的长短期记忆人工神经网络(long short-term memory，lstm)。目标定位数据是每组待测试定位数据中时间顺序最靠后的待测试定位数据。异常阈值是预先确定的各个定位测量源的各个测量数据的字段的异常情况的阈值，可以根据实验或者推理得到，在此不做限定。待测试目标数据是根据异常阈值对目标定位数据进行0-1转化后的数据。
[0061]
具体的，将样本车辆数据以及与样本车辆数据对应的样本定位数据，按照回看时
间序列进行组合和划分，得到多组待测试车辆数据以及与每组待测试车辆数据相对应的待测试定位数据，以用于后续作为训练模型的训练数据。针对每组待测试定位数据，将该组待测试定位数据中时间顺序最靠后的待测试定位数据作为目标定位数据。进而，按照目标定位数据中的各个字段相对应的异常阈值对目标定位数据进行0-1转化，得到待测试目标数据。进而，将具有对应关系的待测试车辆数据与待测试定位数据作为初始长短期记忆人工神经网络的自变量，将与待测试定位数据相对应的待测试目标数据作为初始长短期记忆人工神经网络的因变量，对初始长短期记忆人工神经网络进行模型训练，在模型训练的结果满足预设需求时，例如：收敛或者达到训练迭代次数等，获取训练完成的模型作为预先训练完成的定位风险判断模型。
[0062]
在上述示例的基础上，可以通过下述方式来根据与目标定位数据中的各个字段相对应的异常阈值，将目标定位数据转化为待测试目标数据：
[0063]
针对目标定位数据中的每个字段，若字段的字段值达到与字段对应的异常阈值，则确定待测试目标数据中与字段相对应的数值为第一数值；若字段的字段值未达到与字段对应的异常阈值，则确定待测试目标数据中与字段相对应的数值为第二数值。
[0064]
其中，第一数值为0或1，第二数值为0或1，若第一数值为0，则第二数值为1，若第一数值为1，则第二数值为0。
[0065]
具体的，针对目标定位数据中的每个字段，将该字段的字段值与该字段对应的异常阈值进行比较，若字段值达到异常阈值，则可以确定待测试目标数据中与字段相对应的数值为第一数值。否则，可以确定待测试目标数据中与字段相对应的数值为第二数值。由于第一数值和第二数值为0和1，因此，可以完成对目标定位数据的0-1转换，得到包含0/1变量的待测试目标数据。
[0066]
s150、根据测量源风险数据、预设的定位风险因子矩阵以及各定位测量源的重要性系数，确定目标定位风险。
[0067]
其中，定位风险因子矩阵是定位测量源中各测量数据的字段所对应的风险因子构建的矩阵，其中风险因子用于描述对应的测量数据的字段的重要程度。重要性系数是预先确定的用于描述各种类型的测量源的重要性的系数。目标定位风险是车辆当前使用各定位测量源进行驾驶时定位风险的数值型表示。
[0068]
具体的，利用预设的定位风险因子矩阵在测量源风险数据中的各字段数据的字段维度进行整合，进而，利用各定位测量源的重要性系数进行进一步的定位测量源维度的整合，可以得到一个用于描述车辆当前定位风险的数值，该数值即为目标定位风险。
[0069]
在上述示例的基础上，可以通过下述方式来根据测量源风险数据、预设的定位风险因子矩阵以及各定位测量源的重要性系数，确定目标定位风险：
[0070]
根据测量源风险数据以及预设的定位风险因子矩阵，得到与各定位测量源相对应的定位风险系数；
[0071]
根据与各定位测量源相对应的定位风险系数以及重要性系数，确定目标定位风险。
[0072]
其中，定位风险系数是任一定位测量源对应的测量源风险数据与预设的定位风险因子矩阵的乘积，用于表示该定位测量源的定位风险。
[0073]
具体的，将测量源风险数据和预设的定位风险因子矩阵相乘，可以得到与各定位
测量源相对应的定位风险系数。进而，将具有对应关系的各定位测量源的定位风险系数以及重要性系数相乘得到每个定位测量源的定位风险加权值，进而，将这些定位风险加权值相加，可以得到目标定位风险。
[0074]
在上述示例的基础上，在确定目标定位风险之后，还可以根据目标定位风险进行相应的决策，具体可以是：
[0075]
若目标定位风险达到第一风险阈值，且未达到第二风险阈值，则执行预警操作；
[0076]
若目标定位风险达到第二风险阈值，且未达到第三风险阈值，则控制车辆执行减速操作；
[0077]
若目标定位风险达到第三风险阈值，则控制车辆执行急停操作。
[0078]
其中，第一风险阈值、第二风险阈值和第三风险阈值是预先设置的用于区分不同决策的处理当时的定位风险数值，第一风险阈值是触发执行预警操作的最低定位风险数值，第二风险阈值是触犯执行减速操作的最低定位风险数值，第三风险阈值是触发急停操作的最低定位风险数值。第三风险阈值大于第二风险阈值，第二风险阈值大于第一风险阈值。第一风险阈值、第二风险阈值和第三风险阈值可以根据实际需求进行设定，在此不做具体限定。
[0079]
具体的，若目标定位风险达到第一风险阈值，且未达到第二风险阈值，则表明已存在需要进行决策的情况，但是，此时无需对车辆进行处置，只需提醒用户注意即可，因此，执行预警操作，提醒用户各定位测量源存在定位风险。若目标定位风险达到第二风险阈值，且未达到第三风险阈值，则表明此时的目标定位风险已经影响驾驶功能，因此，需要控制车辆执行减速操作，避免事故产生。若目标定位风险达到第三风险阈值，则表明此时的目标定位风险已经严重影响驾驶功能，不应继续按照当前的各定位测量源的数据进行驾驶，因此，需要控制车辆执行急停操作，以避免发生危险。
[0080]
本实施例提供的定位风险处理方法，通过获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据，进而，根据回看时间序列以及历史车辆数据，确定与回看时间序列内每个回看时间相对应的待组合车辆数据，并根据回看时间序列以及历史定位数据，确定与回看时间序列内每个回看时间相对应的待组合定位数据，以对车辆数据和定位数据进行时序上的整理，便于得到时序关联，进一步的，将当前车辆数据以及待组合车辆数据进行组合得到待检测车辆数据，将当前定位数据以及待组合定位数据进行组合得到待检测定位数据，以结合当前时刻的当前车辆数据以及当前定位数据，便于后续确定当前时刻的定位风险，将待检测车辆数据以及待检测定位数据输入至预先训练完成的定位风险判断模型中，得到测量源风险数据，以通过模型进行车辆数据和定位数据的分析，充分考虑时序上的关联以及车辆数据和定位数据之间的关联，提高测量源风险数据的准确性，根据测量源风险数据、预设的定位风险因子矩阵以及各定位测量源的重要性系数，确定目标定位风险，以根据不同的字段和不同的定位测量源的重要性程度对测量源风险数据进行整合处理，实现了充分结合车辆数据和定位数据，考虑这些数据时序上的关联关系，并对不同字段以及不同定位测量源进行重要性评估，提高定位风险的准确性的效果。
[0081]
图2为本公开实施例中的一种定位风险处理装置的结构示意图。如图2所示，该装置包括：数据获取模块210，数据处理模块220，数据组合模块230，模型运算模块240以及风险处理模块250。
[0082]
其中，数据获取模块210，用于获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据；其中，所述当前定位数据包括各定位测量源在当前时刻的测量数据，所述历史定位数据包括各所述定位测量源在各历史时刻的测量数据；数据处理模块220，用于根据回看时间序列以及所述历史车辆数据，确定与所述回看时间序列内每个回看时间相对应的待组合车辆数据，并根据所述回看时间序列以及所述历史定位数据，确定与所述回看时间序列内每个回看时间相对应的待组合定位数据；其中，所述回看时间序列为从小到大排列的等差数列；数据组合模块230，用于将所述当前车辆数据以及所述待组合车辆数据进行组合得到待检测车辆数据，将所述当前定位数据以及所述待组合定位数据进行组合得到待检测定位数据；模型运算模块240，用于将所述待检测车辆数据以及所述待检测定位数据输入至预先训练完成的定位风险判断模型中，得到测量源风险数据；风险处理模块250，用于根据所述测量源风险数据、预设的定位风险因子矩阵以及各所述定位测量源的重要性系数，确定目标定位风险。
[0083]
在上述示例的基础上，可选的，数据处理模块220，还用于针对所述回看时间序列内每个回看时间，确定与所述回看时间相对应的回看时段；从所述历史车辆数据中获取与所述回看时段相对应的回看车辆数据，并将所述回看车辆数据按照时间顺序排列，将排列后的回看车辆数据中的中位数数据确定为待组合车辆数据；从所述历史定位数据中获取与所述回看时段相对应的回看定位数据，并将所述回看定位数据按照时间顺序排列，将排列后的回看定位数据中的中位数数据确定为待组合定位数据；其中，若所述回看时间为所述回看时间序列中的最小值，则所述回看时段为所述当前时刻与所述最小值的差值至所述当前时刻所构成的时段；若所述回看时间为所述回看时间序列中除所述最小值之外的其他数值，则所述回看时段为所述当前时刻与所述回看时间的前一时间的差值至所述当前时刻与所述回看时间的差值所构成的时段。
[0084]
在上述示例的基础上，可选的，在所述获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据之后，还包括：数据预处理模块，用于根据各所述定位测量源所采集的测量数据的字段，确定合并字段数量；其中，所述合并字段数量大于所述定位测量源的数量；根据所述合并字段数量，将所述当前定位数据以及每个所述历史定位数据扩展为方阵。
[0085]
在上述示例的基础上，可选的，预先训练完成的定位风险判断模型，基于下述模型训练模块训练得到：
[0086]
根据样本车辆数据、样本定位数据以及所述回看时间序列，确定多组待测试车辆数据以及与每组所述待测试车辆数据相对应的待测试定位数据；
[0087]
针对每组待测试定位数据，将时间顺序最靠后的待测试定位数据作为目标定位数据，根据与所述目标定位数据中的各个字段相对应的异常阈值，将所述目标定位数据转化为待测试目标数据；
[0088]
将具有对应关系的所述待测试车辆数据与所述待测试定位数据作为自变量，将与所述待测试定位数据相对应的待测试目标数据作为因变量，对初始长短期记忆人工神经网络进行训练，得到预先训练完成的定位风险判断模型。
[0089]
在上述示例的基础上，可选的，模型训练模块，还用于针对所述目标定位数据中的每个字段，若所述字段的字段值达到与所述字段对应的异常阈值，则确定待测试目标数据
中与所述字段相对应的数值为第一数值；若所述字段的字段值未达到与所述字段对应的异常阈值，则确定待测试目标数据中与所述字段相对应的数值为第二数值；其中，所述第一数值为0或1，所述第二数值为0或1，若所述第一数值为0，则所述第二数值为1，若所述第一数值为1，则所述第二数值为0。
[0090]
在上述示例的基础上，可选的，风险处理模块250，还用于根据所述测量源风险数据以及预设的定位风险因子矩阵，得到与各所述定位测量源相对应的定位风险系数；根据与各所述定位测量源相对应的定位风险系数以及重要性系数，确定目标定位风险。
[0091]
在上述示例的基础上，可选的，在所述确定目标定位风险之后，还包括：操作处理模块，用于若所述目标定位风险达到第一风险阈值，且未达到第二风险阈值，则执行预警操作；若所述目标定位风险达到所述第二风险阈值，且未达到第三风险阈值，则控制车辆执行减速操作；若所述目标定位风险达到所述第三风险阈值，则控制车辆执行急停操作；其中，所述第三风险阈值大于所述第二风险阈值，所述第二风险阈值大于所述第一风险阈值。
[0092]
本公开实施例提供的定位风险处理装置，可执行本公开方法实施例所提供的定位风险处理方法中的步骤，具备执行步骤和有益效果此处不再赘述。
[0093]
图3为本公开实施例中的一种电子设备的结构示意图。下面具体参考图3，其示出了适于用来实现本公开实施例中的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0094]
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储装置308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的方法。在ram 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、rom 302以及ram 303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
[0095]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码，从而实现如上所述的定位风险处理方法。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从rom 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
[0096]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存
储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0097]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
[0098]
获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据；其中，所述当前定位数据包括各定位测量源在当前时刻的测量数据，所述历史定位数据包括各所述定位测量源在各历史时刻的测量数据；
[0099]
根据回看时间序列以及所述历史车辆数据，确定与所述回看时间序列内每个回看时间相对应的待组合车辆数据，并根据所述回看时间序列以及所述历史定位数据，确定与所述回看时间序列内每个回看时间相对应的待组合定位数据；其中，所述回看时间序列为从小到大排列的等差数列；
[0100]
将所述当前车辆数据以及所述待组合车辆数据进行组合得到待检测车辆数据，将所述当前定位数据以及所述待组合定位数据进行组合得到待检测定位数据；
[0101]
将所述待检测车辆数据以及所述待检测定位数据输入至预先训练完成的定位风险判断模型中，得到测量源风险数据；
[0102]
根据所述测量源风险数据、预设的定位风险因子矩阵以及各所述定位测量源的重要性系数，确定目标定位风险。
[0103]
可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例所述的其他步骤。
[0104]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0105]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种定位风险处理方法，其特征在于，所述方法包括：获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据；其中，所述当前定位数据包括各定位测量源在当前时刻的测量数据，所述历史定位数据包括各所述定位测量源在各历史时刻的测量数据；根据回看时间序列以及所述历史车辆数据，确定与所述回看时间序列内每个回看时间相对应的待组合车辆数据，并根据所述回看时间序列以及所述历史定位数据，确定与所述回看时间序列内每个回看时间相对应的待组合定位数据；其中，所述回看时间序列为从小到大排列的等差数列；将所述当前车辆数据以及所述待组合车辆数据进行组合得到待检测车辆数据，将所述当前定位数据以及所述待组合定位数据进行组合得到待检测定位数据；将所述待检测车辆数据以及所述待检测定位数据输入至预先训练完成的定位风险判断模型中，得到测量源风险数据；根据所述测量源风险数据、预设的定位风险因子矩阵以及各所述定位测量源的重要性系数，确定目标定位风险。2.根据权利要求1所述的方法，其特征在于，所述根据回看时间序列以及所述历史车辆数据，确定与所述回看时间序列内每个回看时间相对应的待组合车辆数据，并根据所述回看时间序列以及所述历史定位数据，确定与所述回看时间序列内每个回看时间相对应的待组合定位数据，包括：针对所述回看时间序列内每个回看时间，确定与所述回看时间相对应的回看时段；从所述历史车辆数据中获取与所述回看时段相对应的回看车辆数据，并将所述回看车辆数据按照时间顺序排列，将排列后的回看车辆数据中的中位数数据确定为待组合车辆数据；从所述历史定位数据中获取与所述回看时段相对应的回看定位数据，并将所述回看定位数据按照时间顺序排列，将排列后的回看定位数据中的中位数数据确定为待组合定位数据；其中，若所述回看时间为所述回看时间序列中的最小值，则所述回看时段为所述当前时刻与所述最小值的差值至所述当前时刻所构成的时段；若所述回看时间为所述回看时间序列中除所述最小值之外的其他数值，则所述回看时段为所述当前时刻与所述回看时间的前一时间的差值至所述当前时刻与所述回看时间的差值所构成的时段。3.根据权利要求1所述的方法，其特征在于，在所述获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据之后，还包括：根据各所述定位测量源所采集的测量数据的字段，确定合并字段数量；其中，所述合并字段数量大于所述定位测量源的数量；根据所述合并字段数量，将所述当前定位数据以及每个所述历史定位数据扩展为方阵。4.根据权利要求1所述的方法，其特征在于，预先训练完成的定位风险判断模型，基于下述方式训练得到：根据样本车辆数据、样本定位数据以及所述回看时间序列，确定多组待测试车辆数据以及与每组所述待测试车辆数据相对应的待测试定位数据；
针对每组待测试定位数据，将时间顺序最靠后的待测试定位数据作为目标定位数据，根据与所述目标定位数据中的各个字段相对应的异常阈值，将所述目标定位数据转化为待测试目标数据；将具有对应关系的所述待测试车辆数据与所述待测试定位数据作为自变量，将与所述待测试定位数据相对应的待测试目标数据作为因变量，对初始长短期记忆人工神经网络进行训练，得到预先训练完成的定位风险判断模型。5.根据权利要求4所述的方法，其特征在于，所述根据与所述目标定位数据中的各个字段相对应的异常阈值，将所述目标定位数据转化为待测试目标数据，包括：针对所述目标定位数据中的每个字段，若所述字段的字段值达到与所述字段对应的异常阈值，则确定待测试目标数据中与所述字段相对应的数值为第一数值；若所述字段的字段值未达到与所述字段对应的异常阈值，则确定待测试目标数据中与所述字段相对应的数值为第二数值；其中，所述第一数值为0或1，所述第二数值为0或1，若所述第一数值为0，则所述第二数值为1，若所述第一数值为1，则所述第二数值为0。6.根据权利要求1所述的方法，其特征在于，所述根据所述测量源风险数据、预设的定位风险因子矩阵以及各所述定位测量源的重要性系数，确定目标定位风险，包括：根据所述测量源风险数据以及预设的定位风险因子矩阵，得到与各所述定位测量源相对应的定位风险系数；根据与各所述定位测量源相对应的定位风险系数以及重要性系数，确定目标定位风险。7.根据权利要求1所述的方法，其特征在于，在所述确定目标定位风险之后，还包括：若所述目标定位风险达到第一风险阈值，且未达到第二风险阈值，则执行预警操作；若所述目标定位风险达到所述第二风险阈值，且未达到第三风险阈值，则控制车辆执行减速操作；若所述目标定位风险达到所述第三风险阈值，则控制车辆执行急停操作；其中，所述第三风险阈值大于所述第二风险阈值，所述第二风险阈值大于所述第一风险阈值。8.一种定位风险处理装置，其特征在于，包括：数据获取模块，用于获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据；其中，所述当前定位数据包括各定位测量源在当前时刻的测量数据，所述历史定位数据包括各所述定位测量源在各历史时刻的测量数据；数据处理模块，用于根据回看时间序列以及所述历史车辆数据，确定与所述回看时间序列内每个回看时间相对应的待组合车辆数据，并根据所述回看时间序列以及所述历史定位数据，确定与所述回看时间序列内每个回看时间相对应的待组合定位数据；其中，所述回看时间序列为从小到大排列的等差数列；数据组合模块，用于将所述当前车辆数据以及所述待组合车辆数据进行组合得到待检测车辆数据，将所述当前定位数据以及所述待组合定位数据进行组合得到待检测定位数据；模型运算模块，用于将所述待检测车辆数据以及所述待检测定位数据输入至预先训练完成的定位风险判断模型中，得到测量源风险数据；风险处理模块，用于根据所述测量源风险数据、预设的定位风险因子矩阵以及各所述
定位测量源的重要性系数，确定目标定位风险。9.一种电子设备，其特征在于，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的定位风险处理方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的定位风险处理方法。

技术总结
本公开实施例公开了一种定位风险处理方法、装置、电子设备和存储介质，该方法包括：获取当前车辆数据、历史车辆数据、当前定位数据以及历史定位数据；根据回看时间序列以及历史车辆数据，确定回看时间序列内每个回看时间对应的待组合车辆数据，根据回看时间序列以及历史定位数据，确定回看时间序列内每个回看时间对应的待组合定位数据；将当前车辆数据以及待组合车辆数据组合得到待检测车辆数据，将当前定位数据以及待组合定位数据组合得到待检测定位数据；将待检测车辆数据和待检测定位数据输入至定位风险判断模型中，得到测量源风险数据；结合定位风险因子矩阵以及各定位测量源的重要性系数确定目标定位风险。本公开提高了定位风险的准确性。位风险的准确性。位风险的准确性。


技术研发人员：郭晓琳 凌佳佳 李世胤
受保护的技术使用者：驭势（上海）汽车科技有限公司
技术研发日：2023.06.25
技术公布日：2023/9/22