买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西南财经大学申请的专利一种开放环境下车辆异常轨迹检测模型的架构方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118537645B 。

龙图腾网通过国家知识产权局官网在2026-03-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410670825.8，技术领域涉及：G06V10/764；该发明授权一种开放环境下车辆异常轨迹检测模型的架构方法是由高强;刘超然;占求港;黄鹂;刘贵松;蒋太翔;张榕;马奥设计研发完成，并于2024-05-28向国家知识产权局提交的专利申请。

本一种开放环境下车辆异常轨迹检测模型的架构方法在说明书摘要公布了：本发明涉及轨迹识别领域，具体涉及一种开放环境下车辆异常轨迹检测模型的架构方法，其模型包括编码网络、嵌入网络和推理网络。在训练阶段，首先利用包括相似性损失和交叉熵损失的总损失，更新模型参数，然后，利用更新后的模型采用交叉熵损失更新相似性学习网络，直至训练完成。所述相似性损失的计算包括：基于轨迹嵌入利用相似性学习网络计算各轨迹间的轨迹相似性，基于预测概率分布计算交叉熵损失以及各轨迹间的轨迹相似性，然后，对齐两类相似性计算相似性损失。本发明的方法，通过引入相似性损失，使得模型不仅学习单个轨迹的分类，还能理解不同轨迹之间的关系和联系，其能在开放世界的假设下，有效地对环境中未知的异常行为进行分类。

本发明授权一种开放环境下车辆异常轨迹检测模型的架构方法在权利要求书中公布了：1.一种开放环境下车辆异常轨迹检测模型的架构方法，所述车辆异常轨迹检测模型包括编码网络、嵌入网络和推理网络，其特征在于，所述编码网络为能捕获轨迹所包含轨迹点之间时变依赖性的编码网络，所述车辆异常轨迹检测模型的训练过程包括以下步骤： A1、数据准备 获取轨迹样本并构建数据集，所获取的轨迹样本依据其所记载轨迹的行为模式是否已知，分为正常轨迹、已知类异常轨迹和未知类异常轨迹，其中，正常轨迹和已知类异常轨迹的行为模式已知并以其行为模式作为标签，未知类异常轨迹的行为模式为未知； A2、轨迹分类 输入本轮训练的轨迹样本，利用编码网络进行特征编码，获得输入轨迹样本的轨迹编码；基于获得的轨迹编码，利用嵌入网络进行嵌入编码，获得输入轨迹样本的轨迹嵌入；基于获得的轨迹嵌入，利用推理网络，推理获得各轨迹样本分别属于各类行为模式的概率； A3、模型更新 计算总损失，并基于总损失，采用梯度下降法，对车辆异常轨迹检测模型进行更新； 所述总损失包括相似性度量损失和交叉熵损失；其中，所述相似性度量损失的计算包括： 将本轮训练输入的轨迹样本，进行任意两两组合，构成轨迹对；基于步骤A2所获得各轨迹样本的轨迹嵌入，利用相似性学习网络，计算各轨迹对中所包含两轨迹样本之间的轨迹相似性得分；基于步骤A2所获得各轨迹样本分别属于各类行为模式的概率，采用相似性函数，计算各轨迹对中所包含两轨迹样本之间的模式相似性得分；通过对齐各轨迹对的模式相似性得分和轨迹相似性得分，计算各轨迹对的相似性度量损失； A4、提取数据集中的轨迹样本作为输入，利用步骤A3更新获得的车辆异常轨迹检测模型，获得本步骤输入各轨迹样本分别属于各类行为模式的概率；然后，基于本步骤输入各轨迹样本分别属于各类行为模式的概率，计算交叉熵损失，采用梯度下降法更新相似性学习网络的参数； A5、循环执行步骤A2~A4，直至达到训练终止条件，获得训练完成的车辆异常轨迹检测模型； 所述步骤A3和步骤A4中交叉熵损失的计算，包括： 基于对应步骤输入的各轨迹样本分别属于各类行为模式的概率，对各轨迹样本进行分类，并为其中属于已知行为模式的轨迹样本分配标签、为属于未知行为模式的轨迹样本分配伪标签；然后，基于各轨迹样本的标签或伪标签，计算各轨迹样本的交叉熵损失； 将被所述数据集的所有轨迹样本完全覆盖其路网的区域，划定为识别区域，并将所述识别区域进行网格化；所述编码网络采用基于关系蒸馏的编码网络，包括预训练的时空语义嵌入矩阵；步骤A2中，输入本轮训练的轨迹样本，利用预训练的时空语义嵌入矩阵，基于轨迹样本所包含网格与矩阵的映射关系，获得轨迹样本所包含网格的时空语义编码，构成轨迹样本的轨迹编码； 所述时空语义嵌入矩阵的预训练过程包括： B1、数据初始化 构建并初始化时空语义嵌入矩阵，所述时空语义嵌入矩阵的元素与识别区域的网格一一对应； B2、依次输入步骤A1所构建数据集中的轨迹样本 以输入轨迹样本作为当前轨迹，以当前轨迹在网格化地图上所经过的网格，构建当前轨迹的正样本网格集合；从数据集中起点网格和终点网格同当前轨迹均不相同的轨迹样本所包含网格中采样网格，构成当前轨迹的负样本网格集合；利用时空语义嵌入矩阵，基于网格与矩阵的映射关系，获得正样本网格集合和负样本网格集合中各网格的时空语义编码； B3、更新时空语义嵌入矩阵 利用步骤B2所获得各网格的时空语义编码，通过正样本网格和负样本网格的对比学习，基于最小化期望进行关系蒸馏，更新时空语义嵌入矩阵； B4、循环执行步骤B2~B3，直至遍历完成数据集的所有轨迹样本，获得完成训练的时空语义嵌入矩； 步骤B3中，利用步骤B2所获得各网格的时空语义编码，按如下公式，通过正样本网格和负样本网格的对比学习，基于最小化期望进行关系蒸馏，更新时空语义嵌入矩阵： 其中，表示最小化期望，为第个正样本网格，表示正样本网格集合包括当前轨迹除起点网格和终点网格以外的网格，表示相似度计算；表示作为对比基准的锚点的时空语义编码，且锚点所对应网格属于当前轨迹；为第个负样本网格，表示从负样本网格集合中采样的网格数量；和分别表示正样本网格和负样本网格的时空语义编码； 步骤A3中，基于步骤A2所获得各轨迹样本的轨迹嵌入，按如下公式，利用相似性学习网络，计算各轨迹对中所包含两轨迹样本之间的轨迹相似性得分： 其中，表示构成相似性学习网络的全连接网络，表示函数，和分别表示轨迹样本对所包含两轨迹样本的轨迹嵌入； 步骤A3中，基于步骤A2所获得各轨迹样本分别属于各类行为模式的概率，按如下公式，采用相似性函数，计算各轨迹对中所包含两轨迹样本之间的模式相似性得分： 其中，和分别表示轨迹样本对所包含两轨迹样本属于各类行为模式的概率分布向量，表示概率分布向量的模长； 步骤A3中，按如下公式，通过对齐各轨迹对的模式相似性得分和轨迹相似性得分，计算各轨迹对的相似性度量损失： 其中，表示第个轨迹样本对的模式相似性得分，表示第个轨迹样本对的轨迹相似性得分。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南财经大学，其通讯地址为：610000 四川省成都市青羊区光华村街55号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。