CN110705628A - 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 - Google Patents

Abstract

本发明公开了一种基于隐马尔可夫模型检测驾驶员风险等级的方法，本发明通过采集车辆的速度数据以及驾驶员的不同的报警类型，对驾驶行为进行判断并对驾驶员风险等级进行分类，利用训练好的隐马尔可夫模型对驾驶员风险等级进行识别，再利用识别结果判断驾驶员风险等级。本发明主要服务于运输企业安全管理系统，当识别到驾驶员是高风险等级的驾驶员时，可采取相应的管理培训措施，以提高其安全性。本发明的实用化可以降低因交通事故导致的人员伤亡和财产损失，提高交通系统的整体安全性。

Description

一种基于隐马尔可夫模型检测驾驶员风险等级的方法

技术领域

本发明属于交通安全领域，具体涉及一种基于隐马尔可夫模型检测驾驶员风险等级的方法。

背景技术

随着国民经济的快速发展和城市化进程的加快，我国机动车拥有量和道路交通量迅速增长，交通事故问题日趋突出。已有研究表明，驾驶员因素是导致交通事故的主要原因，驾驶员的驾驶风险等级不同，对交通事故的贡献也就不同，低风险等级的驾驶员可能引发较少的甚至避免交通事故，而风险等级越高的驾驶员引发的交通事故可能越严重。因此，针对驾驶员风险等级识别方法进行深入研究显得尤为重要。

目前，已有成果主要是针对驾驶员风险等级评估进行研究，针对驾驶员风险等级识别的研究较少，不能满足交通安全管理的要求。

发明内容

本发明的目的在于克服上述不足，提供一种基于隐马尔可夫模型检测驾驶员风险等级的方法，能够根据不同的驾驶行为识别驾驶员风险等级，为降低交通事故的发生提供参考。

为了达到上述目的，本发明包括以下步骤：

步骤一，采集驾驶员的速度数据，确定驾驶员的驾驶行为序列以及驾驶员风险等级；

步骤二，将驾驶员风险等级反复迭代训练隐马尔可夫模型，确定隐马尔可夫模型各参数，得到隐马尔可夫模型；

步骤三，用训练出来的隐马尔可夫模型检测待识别的驾驶行为序列；

步骤四：将检测结果在预设时间段内统计得到该驾驶员预设置信度下最终的风险等级判定结果。

步骤一中，根据速度数据计算车辆的加速度数据，加速度数据的计算方法如下：

v_t为t时刻的速度，v_t-1为t-1时刻的速度，Δt为时间间隔，根据车辆的GPS数据获得，a_t为t时段的平均加速度。

步骤一中，确定驾驶行为时，首先根据驾驶员的速度数据对驾驶员的加速信息进行分析，再根据加速信息将驾驶员行为分为若干种，根据车辆内置的报警系统，采集驾驶人的报警次数，通过k-means聚类出驾驶人的风险等级。

步骤二中，隐马尔可夫模型的参数为P＝{A,B,π},A为状态转移矩阵，B为输出矩阵，π为初始状态矩阵。

步骤三中，检测待识别的驾驶行为序列的输出结果为

选择概率最大的隐马尔可夫模型所对应的风险等级作为该驾驶行为序列的识别结果，其中，P为在已知观察值序列(驾驶行为序列)O和模型参数λ的条件下，t时刻隐状态i_t为风险等级q_i的概率；α_t(i)为t时刻i状态的前向概率，β_t(i)为t时刻i状态的后向概率。

步骤四的具体方法如下：

第一步，根据T长度的驾驶行为序列识别结果判断短时间段内驾驶员的风险等级，判断方法如下：

其中，

表示短时间内驾驶员风险等级的识别结果，

分别表示低风险等级、中风险等级和高风险等级，P₁、P₂、P₃分别表示通过隐马尔科夫模型将待测驾驶行为序列识别为低风险等级、中风险等级和高风险等级的概率；

第二步，根据短时间段内驾驶员风险等级的判断结果，计算长时间内三种风险等级的数量，计算公式如下：

n1是在长时间段内被识别为低风险等级的序列的数量，n2是在长时间段内被识别为中风险等级的序列数量，n3是在长时间段内被识别为高风险等级的序列的数量，n为总数，x_j用作计数；

第三步，根据长时间内三种风险等级的数量，计算各风险等级的比例，计算公式如下：

其中，k₁、k₂、k₃分别表示长时间段内低风险等级、中风险等级、高风险等级的识别比例；

第四步，用信息熵表示随机变量的不确定性，计算公式如下：

令C＝1-H，表示驾驶员风险等级的置信度，C值越大，置信度越高。

第五步，在置信度为C的情况下，驾驶员长时间段内的风险等级判断方法如下：

其中，

表示驾驶员长时间段风险等级识别结果，I₁、I₂、I₃分别表示低风险等级、中风险等级和高风险等级。

与现有技术相比，本发明通过采集车辆的速度数据以及驾驶员的不同的报警类型，对驾驶行为进行判断并对驾驶员风险等级进行分类，利用训练好的隐马尔可夫模型对驾驶员风险等级进行识别，再利用识别结果判断驾驶员风险等级。本发明主要服务于运输企业安全管理系统，当识别到驾驶员是高风险等级的驾驶员时，可采取相应的管理培训措施，以提高其安全性。本发明的实用化可以降低因交通事故导致的人员伤亡和财产损失，提高交通系统的整体安全性。

附图说明

图1为本发明中隐马尔可夫模型图。

具体实施方式

下面结合附图对本发明做进一步说明。

本发明首先通过对各驾驶员的速度数据进行分析，设计加速度指标，并利用特征指标，识别得出驾驶员的驾驶行为序列。而后利用所获取的每位驾驶员的报警类型，采用K-Means均值聚类方法将驾驶员分为低风险等级驾驶员、中风险等级驾驶员以及高风险等级驾驶员。驾驶员风险等级分类是驾驶员风险等级识别的基础，其分类合理与否直接决定了识别算法的成败。利用部分数据对隐马尔可夫模型进行训练后，再对驾驶行为序列进行识别。

其中，驾驶行为包括快减速、慢减速、正常驾驶、慢加速、快加速共5种。

1、车辆加速度的计算；

车辆加速度是车辆短时间内的平均加速度，具体如式(1)所示。

式中：v_t为t时刻的速度，v_t-1为t-1时刻的速度，Δt为时间间隔，根据车辆的GPS数据获得，a_t为t时段的平均加速度。

2、驾驶行为以及驾驶员风险等级的确定；

用于区别不同驾驶行为的加速度阈值尚无明确规定，根据式(1)计算所得加速度确定判别方法如下：

a_t为t时段的平均加速度，1，2，3，4，5分别表示快减速、慢减速、正常驾驶、慢加速、快加速。具体的确定方法是按从大到小的加速度排序取30％位和70％位加减速度作为阈值。

确定驾驶员风险等级主要将不同驾驶报警类型利用K-Means聚类法，将驾驶员分为低风险等级驾驶员、中风险等级驾驶员和高风险等级驾驶员。

隐马尔可夫模型包括：

①隐状态数目为N＝3，隐状态集合为Q＝{q₁,q₂,q₃}，分别对应于低风险等级、中风险等级、高风险等级。观察状态数目M＝5，观察状态集合为V＝{v₁,v₂,…v₅}，分别对应于快减速、慢减速、正常驾驶、慢加速、快加速；

②隐状态序列为i₁,i₂,...i_T，观察序列为o₁,o₂,...o_T；

③状态转移矩阵为A，A＝a_ij＝P(i_t+1＝q_j|i_t＝q_i)，1≤i≤3。表示t时刻的隐状态为q_i时t+1时刻的隐状态为q_j的概率，矩阵A反应了状态之间转移的概率。

④输出概率矩阵为B，B＝b_j(o_k)＝P(o_t＝v_k|i_t＝q_j)，1≤i≤3，1≤k≤5表示t时刻的隐状态为q_j时产生的观察值为v_k的概率，矩阵B反应了隐状态与观察值之间的关系。

⑤初始状态分布概率为π＝{π_i}，1≤i≤3,

3、基于隐马尔可夫模型检测驾驶员风险等级；

首先训练稳定的隐马尔可夫模型，具体方法为将所有风险等级的驾驶员驾驶行为作为隐马尔可夫模型的输入，求解隐马尔可夫模型的模型参数，P＝{A,B,π},A为状态转移矩阵，B为输出矩阵，π为初始状态矩阵。

然后利用所训练的模型对驾驶行为序列进行识别，所述输出结果为：

选择概率最大的隐马尔可夫模型所对应的风险等级作为该驾驶行为序列的识别结果。

所述将检测结果在一定时间段内统计得到该驾驶员一定置信度下最终的风险等级判定结果，分为以下几步：

①根据T长度的驾驶行为序列识别结果判断短时间段内驾驶员的风险等级，判断方法如式(2)：

式中，

表示短时间内驾驶员风险等级的识别结果，

分别表示低风险等级、中风险等级和高风险等级，P₁、P₂、P₃分别表示通过隐马尔科夫模型将待测驾驶行为序列识别为低风险等级、中风险等级和高风险等级的概率。

②根据短时间段内驾驶员风险等级的判断结果，计算长时间内三种风险等级的数量，计算公式如式(3)：

式中，n1是在长时间段内被识别为低风险等级的序列的数量，n2是在长时间段内被识别为中风险等级的序列数量，n3是在长时间段内被识别为高风险等级的序列的数量，n为总数，

为①中短时间内驾驶员风险等级的识别结果，x_j只用作计数。

③根据长时间内三种风险等级的数量，计算各风险等级的比例，计算公式如式(4)：

式中，k₁、k₂、k₃分别表示长时间段内低风险等级、中风险等级、高风险等级的识别比例。

④用信息熵表示随机变量的不确定性，计算公式如式(5)：

令C＝1-H，表示驾驶员风险等级的置信度，C值越大，置信度越高。

⑤在置信度为C的情况下，驾驶员长时间段内的风险等级判断方法如式(6)：

式中，

表示驾驶员长时间段风险等级识别结果，I₁、I₂、I₃分别表示低风险等级、中风险等级和高风险等级。

驾驶员的风险等级的识别结果准确与否，可能与诸多因素的选取有关，因此申请者基于驾驶员(n>30)的驾驶实测数据对驾驶行为的划分、风险等级的分类进行数据分析，研究表明当检测序列长度为8时，检测结果较为稳定，因此训练模型以及模型检测时，本发明选定驾驶行为序列长度为8。在考虑长时间段内驾驶员风险等级的识别中，本发明选定时段长为24小时。最终的识别结果则根据所给置信度C值作为参考。

本发明通过实时采集车辆的GPS数据以及驾驶员不同类型的报警，通过驾驶行为的划分以及风险等级的分类，训练隐马尔科夫模型并利用模型对驾驶行为序列进行检测，并克服基于短时段的检测结果的不准确性以及不稳定性，通过长时段的检测来考量驾驶员的风险等级，并对最终的识别结果给出相应的置信度。本发明主要服务于车辆安全系统和运输企业安全管理系统，不同风险等级的驾驶员给交通安全带来的隐患程度也不同，运输企业在驾驶员的管理层面可以合理的进行分批、分类、不同程度的教育，从而降低营运车辆的事故频数，为运输企业的管理带来便捷，提高运输企业的运营效益。另外此发明可以在驾驶员驾驶状态出现长时间波动时，对其给予合理的建议，从而提高驾驶员的安全性。本发明的实用化可以降低因交通事故导致的人员伤亡和财产损失，提高交通系统的整体安全性。

Claims (6)

1.一种基于隐马尔可夫模型检测驾驶员风险等级的方法，其特征在于，包括以下步骤：

步骤一，采集驾驶员的速度数据，确定驾驶员的驾驶行为序列以及驾驶员风险等级；

步骤二，将驾驶员风险等级反复迭代训练隐马尔可夫模型，确定隐马尔可夫模型各参数，得到隐马尔可夫模型；

步骤三，用训练出来的隐马尔可夫模型检测待识别的驾驶行为序列；

步骤四：将检测结果在预设时间段内统计得到该驾驶员预设置信度下最终的风险等级判定结果。

2.根据权利要求1所述的一种基于隐马尔可夫模型检测驾驶员风险等级的方法，其特征在于，步骤一中，根据速度数据计算车辆的加速度数据，加速度数据的计算方法如下：

v_t为t时刻的速度，v_t-1为t-1时刻的速度，Δt为时间间隔，根据车辆的GPS数据获得，a_t为t时段的平均加速度。

3.根据权利要求1所述的一种基于隐马尔可夫模型检测驾驶员风险等级的方法，其特征在于，步骤一中，确定驾驶行为时，首先根据驾驶员的速度数据对驾驶员的加速信息进行分析，再根据加速信息将驾驶员行为分为若干种，根据车辆内置的报警系统，采集驾驶人的报警次数，通过k-means聚类出驾驶人的风险等级。

4.根据权利要求1所述的一种基于隐马尔可夫模型检测驾驶员风险等级的方法，其特征在于，步骤二中，隐马尔可夫模型的参数为P＝{A,B,π},A为状态转移矩阵，B为输出矩阵，π为初始状态矩阵。

5.根据权利要求1所述的一种基于隐马尔可夫模型检测驾驶员风险等级的方法，其特征在于，步骤三中，检测待识别的驾驶行为序列的输出结果为

选择概率最大的隐马尔可夫模型所对应的风险等级作为该驾驶行为序列的识别结果，其中，P为在驾驶行为序列O和模型参数λ的条件下，t时刻隐状态i_t为风险等级q_i的概率；α_t(i)为t时刻i状态的前向概率，β_t(i)为t时刻i状态的后向概率。

6.根据权利要求1所述的一种基于隐马尔可夫模型检测驾驶员风险等级的方法，其特征在于，步骤四的具体方法如下：

第一步，根据T长度的驾驶行为序列识别结果判断短时间段内驾驶员的风险等级，判断方法如下：

其中，

表示短时间内驾驶员风险等级的识别结果，

分别表示低风险等级、中风险等级和高风险等级，P₁、P₂、P₃分别表示通过隐马尔科夫模型将待测驾驶行为序列识别为低风险等级、中风险等级和高风险等级的概率；

第二步，根据短时间段内驾驶员风险等级的判断结果，计算长时间内三种风险等级的数量，计算公式如下：

n1是在长时间段内被识别为低风险等级的序列的数量，n2是在长时间段内被识别为中风险等级的序列数量，n3是在长时间段内被识别为高风险等级的序列的数量，n为总数，x_j用作计数；

第三步，根据长时间内三种风险等级的数量，计算各风险等级的比例，计算公式如下：

其中，k₁、k₂、k₃分别表示长时间段内低风险等级、中风险等级、高风险等级的识别比例；

第四步，用信息熵表示随机变量的不确定性，计算公式如下：

令C＝1-H，表示驾驶员风险等级的置信度，C值越大，置信度越高；

第五步，在置信度为C的情况下，驾驶员长时间段内的风险等级判断方法如下：

其中，

表示驾驶员长时间段风险等级识别结果，I₁、I₂、I₃分别表示低风险等级、中风险等级和高风险等级。