CN110619482A - 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 - Google Patents
基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 Download PDFInfo
- Publication number
- CN110619482A CN110619482A CN201910924572.1A CN201910924572A CN110619482A CN 110619482 A CN110619482 A CN 110619482A CN 201910924572 A CN201910924572 A CN 201910924572A CN 110619482 A CN110619482 A CN 110619482A
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- logistic regression
- scoring
- data
- driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007477 logistic regression Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000013077 scoring method Methods 0.000 title claims abstract description 22
- 230000006399 behavior Effects 0.000 claims abstract description 72
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 241001282135 Poromitra oscitans Species 0.000 claims description 3
- 206010048232 Yawning Diseases 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000000391 smoking effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,包括以下步骤:S1、收集驾驶行为数据;S2、将驾驶行为数据进行异常值剔除和数据预处理;S3、确定驾驶行为评分指标体系;S4、构建逻辑回归模型确定各评分指标的相对重要程度;S5、通过单层次分析赋权法确定驾驶行为评分指标的权重;S6、根据评分体系公式计算驾驶行为评分。一种基于逻辑回归和单层次分析赋权法的驾驶行为评分方法解决了在构建逻辑回归模型并提取回归系数的过程中特征变量多且数据量不足的问题,也平衡了主客观赋权法对不同属性指标的重视程度,提供了基于深度学习的驾驶评分模型,通过建立驾驶行为评分模型,对实时驾驶行为可以提供较为准确且客观的行为评分。
Description
技术领域
本发明涉及驾驶行为智能评估领域,更具体地说,涉及一种基于逻辑回归和单层次分析赋权法的驾驶行为评分方法。
背景技术
随着生活水平的日益提高,机动车辆的数量也越来越多,在驾驶过程中,不安全的驾驶行为成了安全隐患的源头。据统计,不良的驾驶行为导致的交通事故死亡人数占86.5%,因此,定性以及定量地判断驾驶行为的好坏已然迫在眉睫。
在驾驶行为判别的过程中,由于各个指标重要程度的差异性,使得指标赋权工作变得非常重要。目前主流的赋权法分为客观赋权法和主观赋权法两种,然而单独使用上述任一方法均存在一定的局限性:
(1)主成分分析法、熵技术法、均方差法以及目标规划法等客观赋权法是各个指标根据一定的规则进行自动赋权的一类方法,该赋权法很大程度上依赖足够的样本数据和实际的问题,通用性和可参与性较差;
(2)专家调查法、二项系数法、环比评分法和层次分析法等主观赋权法受到决策者主观重视程度的影响较大,由于专业水平、职能和业务领域等因素的不同,意见分歧较大,很难得到统一的结果,在一定程度上降低了专家意见的可信度。
层次分析法是系统工程中对非定量事件作出定性和定量相结合的一种系统分析法,然而在实际项目评价中,指标的相对重要程度很难较为准确地获得。
发明内容
本发明要解决的技术问题在于,提供一种基于逻辑回归和单层次分析赋权法的驾驶行为评分方法。
本发明解决其技术问题所采用的技术方案是:构造一种基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,包括以下步骤:
S1、收集驾驶行为数据;
S2、将驾驶行为数据进行异常值剔除和数据预处理;
S3、确定驾驶行为评分指标体系;
S4、构建逻辑回归模型确定各评分指标的相对重要程度;
S5、通过单层次分析赋权法确定驾驶行为评分指标的权重;
S6、根据评分体系公式计算驾驶行为评分。
优选地,所述步骤S1中,利用车载高级驾驶辅助系统对车辆行驶状态数据进行收集。
优选地,所述车辆行驶状态数据包括车道偏离、前车碰撞、行人探测、车距过近、急加速、急刹车、急转弯、超时驾驶、超速驾驶。
优选地,所述步骤S1中,利用驾驶员状态监测系统采集驾驶员驾驶状态数据。
优选地,所述驾驶员驾驶状态数据包括疲劳驾驶、吸烟、打电话、打哈欠、闭眼睛、驾驶员异常、更换驾驶员、驾驶员姿态异常、驾驶员未系安全带和驾驶员身份不符。
优选地,所述步骤S2中,对于不出险和出险数据,按照均值加减三倍标准差剔除异常值,对剩余数据进行数据标准化处理,具体公式如下:
其中表示标准化后的值,xi表示标准化之前的值,μx为均值,δx为标准差。
优选地,所述步骤S3包括以下步骤:
S3.1、剔除全部数据为0的驾驶行为变量;
S3.2、利用逐步回归的方式并根据赤池信息准则和ROC曲线下与坐标轴围城的面积的值确定有效的驾驶行为变量。
优选地,所述步骤S4中,提取逻辑回归模型中各变量的回归系数,具体步骤如下:
S4.1、训练模型:按照7:3的比例将数据集划分为训练集和测试集,利用70%的数据训练模型,然后利用30%的数据测试模型的效果,训练次数为1000,取模型预测的准确率均值为最终的预测精度;
S4.2、获取评分指标的相对重要性:提取最优模型中各个变量的回归系数,进行指数变换后作为构建对比矩阵的依据。
优选地,所述步骤S5包括以下步骤:
S5.1、构建对比矩阵:比较第i个元素与第j个元素相对目标的重要性,使用数量化的相对权重aij来描述,这里采用1-9标度法,根据逻辑回归模型输出的各变量的相对重要性,建立变量之间的对比矩阵A(aij)m×m,其中m为构建逻辑回归最优模型中的变量个数;
其中,1-9标度法为:
标度为1时,表示两因素相比,具有相同的重要性;
标度为3时,表示两因素相比,前者比后者稍重要;
标度为5时,表示两因素相比,前者比后者明显重要;
标度为7时,表示两因素相比,前者比后者强烈重要;
标度为9时,表示两因素相比,前者比后者极端重要;
标度为2、4、6、8时,表示上述相邻判别的中间值;
S5.2、一致性检验:通过计算,得到对比矩阵A(αij)m×m的最大特征向量值λmax(A),然后计算一致性检验指标CI,具体公式如下:
查询平均随机一致性指标得到RI值,计算CR值,公式如下:
当CR<0.1时,判定对比矩阵具有一致性;
S5.3、计算权重,具体步骤如下:
优选地,所述步骤S6包括以下步骤:
对于任意一个驾驶员,收集实时的驾驶行为数据,并对数据进行标准化得到输入向量{x1,x2,x3...xk},k为数据量大小,运用如下公式,得到该驾驶员的驾驶行为评分:
其中Nri代表评分指标变量的百公里告警次数,Wi表示评分指标变量的权重。
实施本发明的一种基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,具有以下有益效果:解决了在构建逻辑回归模型并提取回归系数的过程中特征变量多且数据量不足的问题,同时也平衡了主客观赋权法对不同属性指标的重视程度,提供了基于深度学习的驾驶评分模型,通过建立驾驶行为评分模型,对实时驾驶行为可以提供较为准确且客观的行为评分。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中的基于逻辑回归和单层次分析赋权法的驾驶行为评分方法的步骤流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
如图1所示,本发明一个优选实施例中的基于逻辑回归和单层次分析赋权法的驾驶行为评分方法包括以下步骤:
S1、收集驾驶行为数据;
S2、将驾驶行为数据进行异常值剔除和数据预处理;
S3、确定驾驶行为评分指标体系;
S4、构建逻辑回归模型确定各评分指标的相对重要程度;
S5、通过单层次分析赋权法确定驾驶行为评分指标的权重;
S6、根据评分体系公式计算驾驶行为评分。
本驾驶行为评分方法提出了一种新的赋权方法,基于实际的问题和数据构建逻辑回归模型,提取各个指标变量的回归系数作为驾驶行为评分指标的相对重要性,据此构造判断矩阵,然后求其最大特征根,归一化后求各指标的权重,从而正确判断驾驶行为的准确性。
本发明解决了在构建逻辑回归模型并提取回归系数的过程中特征变量多且数据量不足的问题,同时也平衡了主客观赋权法对不同属性指标的重视程度,提供了基于深度学习的驾驶评分模型,通过建立驾驶行为评分模型,对实时驾驶行为可以提供较为准确且客观的行为评分。
在构建评分模型的过程中,同时权衡了主客观赋权法,既考虑了原始数据之间的关系,尊重了权重的客观性,具有较强的数学理论依据,又体现了决策者对不同属性指标的重视程度,使得属性的赋权达到了主观与客观的统一,进而使决策结果真实且可靠;
在一些实施例中,所述步骤S1中,利用车载高级驾驶辅助系统(ADAS:AdvancedDriver Assistance System)对车辆行驶状态数据进行收集。
所述车辆行驶状态数据包括车道偏离、前车碰撞、行人探测、车距过近、急加速、急刹车、急转弯、超时驾驶、超速驾驶。
进一步地,在步骤S1中,利用驾驶员状态监测系统(DSM:Driver StatusMonitoring System)采集驾驶员驾驶状态数据。
驾驶员驾驶状态数据包括疲劳驾驶、吸烟、打电话、打哈欠、闭眼睛、驾驶员异常、更换驾驶员、驾驶员姿态异常、驾驶员未系安全带和驾驶员身份不符。
在一些实施例中,步骤S2中,对于不出险和出险数据,按照均值加减三倍标准差剔除异常值,对剩余数据进行数据标准化处理,具体公式如下:
其中表示标准化后的值,xi表示标准化之前的值,μx为均值,δx为标准差。
在一些实施例中,步骤S3包括以下步骤:
S3.1、剔除全部数据为0的驾驶行为变量;
S3.2、利用逐步回归的方式并根据赤池信息准则(即AIC:Akaike informationcriterion)和ROC曲线下与坐标轴围城的面积(即AUC:Area Under Curve)的值确定有效的驾驶行为变量。
在一些实施例中,在步骤S4中,提取逻辑回归模型中各变量的回归系数,具体步骤如下:
S4.1、训练模型:按照7:3的比例将数据集划分为训练集和测试集,利用70%的数据训练模型,然后利用30%的数据测试模型的效果,训练次数为1000,取模型预测的准确率均值为最终的预测精度;
S4.2、获取评分指标的相对重要性:提取最优模型中各个变量的回归系数,进行指数变换后作为构建对比矩阵的依据。
在一些实施例中,步骤S5包括以下步骤:
S5.1、构建对比矩阵:比较第i个元素与第j个元素相对目标的重要性,使用数量化的相对权重aij来描述,这里采用1-9标度法(参表1),根据逻辑回归模型输出的各变量的相对重要性,建立变量之间的对比矩阵A(aij)m×m,其中m为构建逻辑回归最优模型中的变量个数;
表1:
S5.2、一致性检验:通过计算,得到对比矩阵A(aij)m×m的最大特征向量值λmax(A),然后计算一致性检验指标CI,具体公式如下:
查询平均随机一致性指标得到RI值,计算CR值,公式如下:
当CR<0.1时,判定对比矩阵具有一致性;
S5.3、计算权重,具体步骤如下:
在一些实施例中,步骤S6包括以下步骤:
对于任意一个驾驶员,收集实时的驾驶行为数据,并对数据进行标准化得到输入向量{x1,x2,x3...xk},k为数据量大小,运用如下公式,得到该驾驶员的驾驶行为评分:
其中Nri代表评分指标变量的百公里告警次数,Wi表示评分指标变量的权重。
可以理解地,上述各技术特征可以任意组合使用而不受限制。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,其特征在于,包括以下步骤:
S1、收集驾驶行为数据;
S2、将驾驶行为数据进行异常值剔除和数据预处理;
S3、确定驾驶行为评分指标体系;
S4、构建逻辑回归模型确定各评分指标的相对重要程度;
S5、通过单层次分析赋权法确定驾驶行为评分指标的权重;
S6、根据评分体系公式计算驾驶行为评分。
2.根据权利要求1所述的基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,其特征在于,所述步骤S1中,利用车载高级驾驶辅助系统对车辆行驶状态数据进行收集。
3.根据权利要求2所述的基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,其特征在于,所述车辆行驶状态数据包括车道偏离、前车碰撞、行人探测、车距过近、急加速、急刹车、急转弯、超时驾驶、超速驾驶。
4.根据权利要求1所述的基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,其特征在于,所述步骤S1中,利用驾驶员状态监测系统采集驾驶员驾驶状态数据。
5.根据权利要求4所述的基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,其特征在于,所述驾驶员驾驶状态数据包括疲劳驾驶、吸烟、打电话、打哈欠、闭眼睛、驾驶员异常、更换驾驶员、驾驶员姿态异常、驾驶员未系安全带和驾驶员身份不符。
6.根据权利要求1所述的基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,其特征在于,所述步骤S2中,对于不出险和出险数据,按照均值加减三倍标准差剔除异常值,对剩余数据进行数据标准化处理,具体公式如下:
其中表示标准化后的值,xi表示标准化之前的值,μx为均值,δx为标准差。
7.根据权利要求6所述的基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,其特征在于,所述步骤S3包括以下步骤:
S3.1、剔除全部数据为0的驾驶行为变量;
S3.2、利用逐步回归的方式并根据赤池信息准则和ROC曲线下与坐标轴围城的面积的值确定有效的驾驶行为变量。
8.根据权利要求7所述的基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,其特征在于,所述步骤S4中,提取逻辑回归模型中各变量的回归系数,具体步骤如下:
S4.1、训练模型:按照7:3的比例将数据集划分为训练集和测试集,利用70%的数据训练模型,然后利用30%的数据测试模型的效果,训练次数为1000,取模型预测的准确率均值为最终的预测精度;
S4.2、获取评分指标的相对重要性:提取最优模型中各个变量的回归系数,进行指数变换后作为构建对比矩阵的依据。
9.根据权利要求8所述的基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,其特征在于,所述步骤S5包括以下步骤:
S5.1、构建对比矩阵:比较第i个元素与第j个元素相对目标的重要性,使用数量化的相对权重aij来描述,这里采用1-9标度法,根据逻辑回归模型输出的各变量的相对重要性,建立变量之间的对比矩阵A(aij)m×m,其中m为构建逻辑回归最优模型中的变量个数;
其中,1-9标度法为:
标度为1时,表示两因素相比,具有相同的重要性;
标度为3时,表示两因素相比,前者比后者稍重要;
标度为5时,表示两因素相比,前者比后者明显重要;
标度为7时,表示两因素相比,前者比后者强烈重要;
标度为9时,表示两因素相比,前者比后者极端重要;
标度为2、4、6、8时,表示上述相邻判别的中间值;
S5.2、一致性检验:通过计算,得到对比矩阵A(aij)m×m的最大特征向量值λmax(A),然后计算一致性检验指标CI,具体公式如下:
查询平均随机一致性指标得到RI值,计算CR值,公式如下:
当CR<0.1时,判定对比矩阵具有一致性;
S5.3、计算权重,具体步骤如下:
10.根据权利要求9所述的基于逻辑回归和单层次分析赋权法的驾驶行为评分方法,其特征在于,所述步骤S6包括以下步骤:
对于任意一个驾驶员,收集实时的驾驶行为数据,并对数据进行标准化得到输入向量{x1,x2,x3...xk},k为数据量大小,运用如下公式,得到该驾驶员的驾驶行为评分:
其中Nri代表评分指标变量的百公里告警次数,Wi表示评分指标变量的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924572.1A CN110619482A (zh) | 2019-09-27 | 2019-09-27 | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924572.1A CN110619482A (zh) | 2019-09-27 | 2019-09-27 | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110619482A true CN110619482A (zh) | 2019-12-27 |
Family
ID=68924811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910924572.1A Pending CN110619482A (zh) | 2019-09-27 | 2019-09-27 | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619482A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552926A (zh) * | 2020-04-28 | 2020-08-18 | 重庆长安新能源汽车科技有限公司 | 基于车联网的驾驶行为评价方法、系统及存储介质 |
CN111724597A (zh) * | 2020-06-24 | 2020-09-29 | 天津大学 | 基于驾驶行为评估驾驶员认知表现的研究方法 |
CN112508317A (zh) * | 2020-09-01 | 2021-03-16 | 中国汽车技术研究中心有限公司 | 一种基于多源动力总成车型驾驶性主客观关联评分方法 |
CN113192636A (zh) * | 2021-04-16 | 2021-07-30 | 中国航天科工集团第二研究院 | 一种飞行任务负荷评估方法及系统 |
CN113619588A (zh) * | 2020-05-09 | 2021-11-09 | 北京地平线机器人技术研发有限公司 | 驾驶行为的提醒方法和装置、存储介质、电子设备 |
CN115457522A (zh) * | 2022-09-19 | 2022-12-09 | 北京联合大学 | 一种面向城市道路的驾驶行为安全评估方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106454856A (zh) * | 2016-11-17 | 2017-02-22 | 浙江工业大学 | 认知无线电中基于图论着色和层次分析法的频谱分配方法 |
CN106778538A (zh) * | 2016-11-28 | 2017-05-31 | 上海工程技术大学 | 基于层次分析法的智能驾驶行为评判方法 |
CN107038860A (zh) * | 2016-11-18 | 2017-08-11 | 杭州好好开车科技有限公司 | 一种基于adas技术及回归模型的用户驾驶行为评分方法 |
CN108711016A (zh) * | 2018-06-05 | 2018-10-26 | 合肥湛达智能科技有限公司 | 一种基于bp神经网络的驾驶行为评分方法 |
CN109376938A (zh) * | 2018-11-01 | 2019-02-22 | 大连理工大学 | 一种淡水养殖鱼类产量预测方法 |
CN109377058A (zh) * | 2018-10-26 | 2019-02-22 | 中电科新型智慧城市研究院有限公司 | 基于逻辑回归模型的企业外迁风险评估方法 |
CN110008442A (zh) * | 2019-03-21 | 2019-07-12 | 上海工程技术大学 | 一种基于飞行员综合能力评价的飞行员训练控制方法 |
-
2019
- 2019-09-27 CN CN201910924572.1A patent/CN110619482A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106454856A (zh) * | 2016-11-17 | 2017-02-22 | 浙江工业大学 | 认知无线电中基于图论着色和层次分析法的频谱分配方法 |
CN107038860A (zh) * | 2016-11-18 | 2017-08-11 | 杭州好好开车科技有限公司 | 一种基于adas技术及回归模型的用户驾驶行为评分方法 |
CN106778538A (zh) * | 2016-11-28 | 2017-05-31 | 上海工程技术大学 | 基于层次分析法的智能驾驶行为评判方法 |
CN108711016A (zh) * | 2018-06-05 | 2018-10-26 | 合肥湛达智能科技有限公司 | 一种基于bp神经网络的驾驶行为评分方法 |
CN109377058A (zh) * | 2018-10-26 | 2019-02-22 | 中电科新型智慧城市研究院有限公司 | 基于逻辑回归模型的企业外迁风险评估方法 |
CN109376938A (zh) * | 2018-11-01 | 2019-02-22 | 大连理工大学 | 一种淡水养殖鱼类产量预测方法 |
CN110008442A (zh) * | 2019-03-21 | 2019-07-12 | 上海工程技术大学 | 一种基于飞行员综合能力评价的飞行员训练控制方法 |
Non-Patent Citations (1)
Title |
---|
肖献强: "《基于信息融合的驾驶行为识别关键技术研究》", 《中国优秀博士学位论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552926A (zh) * | 2020-04-28 | 2020-08-18 | 重庆长安新能源汽车科技有限公司 | 基于车联网的驾驶行为评价方法、系统及存储介质 |
CN113619588A (zh) * | 2020-05-09 | 2021-11-09 | 北京地平线机器人技术研发有限公司 | 驾驶行为的提醒方法和装置、存储介质、电子设备 |
CN111724597A (zh) * | 2020-06-24 | 2020-09-29 | 天津大学 | 基于驾驶行为评估驾驶员认知表现的研究方法 |
CN111724597B (zh) * | 2020-06-24 | 2022-07-08 | 天津大学 | 基于驾驶行为评估驾驶员认知表现的研究方法 |
CN112508317A (zh) * | 2020-09-01 | 2021-03-16 | 中国汽车技术研究中心有限公司 | 一种基于多源动力总成车型驾驶性主客观关联评分方法 |
CN113192636A (zh) * | 2021-04-16 | 2021-07-30 | 中国航天科工集团第二研究院 | 一种飞行任务负荷评估方法及系统 |
CN113192636B (zh) * | 2021-04-16 | 2024-01-05 | 中国航天科工集团第二研究院 | 一种飞行任务负荷评估方法及系统 |
CN115457522A (zh) * | 2022-09-19 | 2022-12-09 | 北京联合大学 | 一种面向城市道路的驾驶行为安全评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619482A (zh) | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 | |
CN109522962B (zh) | 一种化工厂安全定量评估方法 | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN109670970B (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
CN110796859A (zh) | 基于交通流的实时交通状态辨识及事故风险预警方法 | |
CN111738337B (zh) | 一种混行交通环境下的驾驶人分心状态检测识别方法 | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN105654574A (zh) | 基于车载设备的驾驶行为评估方法及装置 | |
CN105243393A (zh) | 一种基于特征的复杂机电系统故障预报方法 | |
CN103577676A (zh) | 污水处理工艺综合评价的灰色加权法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN115423035A (zh) | 基于特征变量评分的用户画像生成方法,设备、汽车及存储介质 | |
CN117290462B (zh) | 一种数据大模型的智能决策系统及方法 | |
Kuravsky et al. | Assessing the aircraft crew actions with the aid of a human factor risk model | |
CN113253709A (zh) | 一种适用于轨道交通车辆健康诊断方法及装置 | |
CN112257914A (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN103389360B (zh) | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN111832442B (zh) | 从海量桥梁动态应变数据中自动化分离温度应变成分的方法 | |
CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
CN106709522B (zh) | 一种基于改进模糊三角数的高压电缆施工缺陷分级方法 | |
CN117592856A (zh) | 基于石化企业产出量预测的算法流程 | |
CN116956044A (zh) | 自动驾驶车辆及其性能评估方法、评估系统 | |
CN112184297A (zh) | 一种电力市场辅助决策系统 | |
CN116541786A (zh) | 基于驾驶行为的网约车识别方法、装置及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191227 |