CN111523766B - 驾驶风险评估方法、装置、电子设备及可读存储介质 - Google Patents
驾驶风险评估方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111523766B CN111523766B CN202010227967.9A CN202010227967A CN111523766B CN 111523766 B CN111523766 B CN 111523766B CN 202010227967 A CN202010227967 A CN 202010227967A CN 111523766 B CN111523766 B CN 111523766B
- Authority
- CN
- China
- Prior art keywords
- driving
- app
- feature
- data set
- driving behavior
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种人工智能技术,揭露了一种驾驶风险评估方法,包括:根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接,当所述接口连接成功时,运行所述接口调用代码包从所述APP内采集得到驾驶行为数据集,从所述驾驶行为数据集中提取驾驶特征,得到原始驾驶特征集,对所述原始驾驶特征集进行特征选择,得到标准驾驶特征集,将所述标准驾驶特征集输入至预训练完成的驾驶风险预测模型中预测得到驾驶风险。本发明还提出一种驾驶风险评估装置、电子设备以及一种计算机可读存储介质。本发明可以解决特征选择复杂及驾驶风险评估主观性强的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种驾驶风险评估的方法、装置、电子设备及可读存储介质。
背景技术
近年来,GPS定位设备的快速发展,推动了驾驶数据的采集与研究,特别是对司机驾驶风险评估的研究。当前驾驶风险评估的研究较大的依赖于分析师的经验值,主观性较强,且对于获取到的驾驶数据到进行数据清洗得到特征数据的变换操作复杂,故缺少一种简便的特征选择及客观的驾驶风险评估方法。
发明内容
本发明提供一种驾驶风险评估方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决特征选择复杂及驾驶风险评估主观性强的问题。
为实现上述目的,本发明提供的一种驾驶风险评估方法,包括:
根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接;
当所述接口连接成功时,运行所述接口调用代码包从所述APP内采集得到驾驶行为数据集;
从所述驾驶行为数据集中提取驾驶特征,得到原始驾驶特征集;
对所述原始驾驶特征集进行特征选择,得到标准驾驶特征集;
将所述标准驾驶特征集输入至预训练完成的驾驶风险预测模型中预测得到驾驶风险。
可选地,所述根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接,包括:
获取所述APP的APPKey和所述APP的访问路径;
将所述APPKey和所述访问路径作为所述接口调用代码包内的代码参数并编译所述接口调用代码包;
若编译所述接口调用代码包不通过,则所述接口连接失败并重新获取所述APP的APPKey和访问路径;
若编译所述接口调用代码包通过,则所述接口连接成功。
可选地,该方法还包括训练所述驾驶风险预测模型,包括:
步骤A:获取特征数据集,将所述特征数据集按照矩阵的形式进行排列得到特征矩阵集,将所述特征矩阵集分为特征训练集和特征测试集;
步骤B:依次对所述特征训练集进行卷积操作、最大化池化操作及损失操作得到第一损失值;
步骤C:若所述第一损失值大于第一预设阈值,通过预设定的反向更新算法更新所述卷积操作、所述最大化池化操作及所述损失操作的内部参数,并返回步骤B;
步骤D:若所述第一损失值小于或等于所述第一预设阈值,依次对所述特征测试集进行所述卷积操作、所述最大化池化操作及所述损失操作得到第二损失值;
步骤E:若所述第二损失值大于第二预设阈值,返回步骤B;
步骤F:若所述第二损失值小于或等于所述第二预设阈值,得到训练完成的驾驶风险预测模型。
可选地,所述从所述驾驶行为数据集中提取驾驶特征,得到原始驾驶特征集,包括:
将所述驾驶行为数据集排列成n维驾驶行为向量;
将所述n维驾驶行为向量输入至以BP神经网络为基础构建的特征提取模型中进行特征提取,得到所述原始驾驶特征集。
可选地,所述将所述n维驾驶行为向量输入至以BP神经网络为基础构建的特征提取模型中进行特征提取,得到所述原始驾驶特征集,包括:
利用下述公式执行特征提取:
其中,yj表示所述原始驾驶特征集内的数据j,q表示所述BP神经网络的隐层单元,为所述驾驶行为数据集内的数据xi与所述隐层单元q之间的连接权重,B表示所述BP神经网络,δj表示与所述原始驾驶特征集内的数据j对应的偏置值,n表示所述驾驶行为数据集的数据总量,f表示激活函数。
可选地,所述运行所述接口调用代码包从所述APP内采集得到驾驶行为数据集之后,还包括:
对所述驾驶行为数据集进行异常数据修正处理得到修正后的驾驶行为数据集。
为了解决上述问题,本发明还提供一种驾驶风险评估装置,所述装置包括:
接口连接模块,用于根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接;
数据采集模块,用于当所述接口连接成功时,运行所述接口调用代码包从所述APP内采集得到驾驶行为数据集;
特征提取模块,用于从所述驾驶行为数据集中提取驾驶特征,得到原始驾驶特征集,对所述原始驾驶特征集进行特征选择,得到标准驾驶特征集;
驾驶风险预测模块,用于将所述标准驾驶特征集输入至预训练完成的驾驶风险预测模型中预测得到驾驶风险。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述中任意一项所述的驾驶风险评估方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述中任意一项所述的驾驶风险评估方法。
本发明实施例根据代码埋点方法调用预设种类的APP获取驾驶行为数据集,通过对驾驶行为数据集进行客观的特征提取及选择得到标准驾驶特征集,并根据构建的驾驶风险预测模型中预测得到驾驶风险,由于整个驾驶风险预测没有分析师的干预,避免了主观性带来的影响,其次特征提取及选择的方案简单。因此本发明提出的驾驶风险评估方法、装置、电子设备及计算机可读存储介质,可以解决特征选择复杂及驾驶风险评估主观性强的问题。
附图说明
图1为本发明一实施例提供的驾驶风险评估方法的流程示意图;
图2为本发明一实施例提供的驾驶风险评估方法中S1步骤的流程示意图;
图3为本发明一实施例提供的驾驶风险评估方法的模块示意图;
图4为本发明一实施例提供的驾驶风险评估方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种驾驶风险评估方法。参照图1所示,为本发明一实施例提供的驾驶风险评估方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,驾驶风险评估方法包括:
S1、根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接。
详细地,所述S1请参阅图2流程示意图所示,包括:
S11、获取所述APP的APPKey和所述APP的访问路径;
S12、将所述APPKey和所述访问路径作为所述接口调用代码包内的代码参数并编译所述接口调用代码包;
S13、判断编译所述接口调用代码包是否通过;
S14、若编译所述接口调用代码包不通过,则所述接口连接失败并重新获取所述APP的APPKey和访问路径;
S15、若编译所述接口调用代码包通过,则所述接口连接成功。
本发明实施例中,所述预设种类的APP可以是地图APP、通话记录APP等。
例如,小王是一位卡车司机,现需要根据小王的驾驶习惯对小王的驾驶进行风险评估,则本发明可以构建与地图APP、通话记录APP对应的接口调用代码包,以从所述地图APP、通话记录APP中采集小王的驾驶行为数据集。由于接口调用代码包需要实际的参数才能正常运行,根据所述代码埋点方法,实际的参数包括APPKey和访问路径,如需要获取地图APP、通话记录APP的访问路径及APPKey。
所述APPKey简称接口验证序号,是用于验证API接入合法性的一种验证手段,如地图APP的APPKey可为9e5e108a68804b1595bec4c4fb1367ba。
S2、当所述接口连接成功时,运行所述接口调用代码包从所述APP内采集得到驾驶行为数据集。
如与上述地图APP和通话记录APP接口连接成功后,以1km为单位对小王在某行程内进行划分形成多段行程,并在每段行程内每隔1s采集一次小王所在的经度、维度、海拔、速度、方向、电话状态等数据并汇总得到驾驶行为数据集。
所述S2还包括:对所述驾驶行为数据集进行异常数据修正处理得到修正后的驾驶行为数据集。
为保证后期驾驶风险评估的准确性,需要对所述驾驶行为数据集进行异常数据修正处理,因为GPS信号干扰以及设备自身存在误差等不可避免的原因,生成的经度、维度、轨迹、速度等数据与真实数据并不完全相同,例如车辆过高的速度会对后续的驾驶风险评估造成不良影响,因此异常数据修正处理最直接的方法是根据GPS信号强弱判断每次采集的干扰程度,例如一些GPS仪器中会记录卫星状态和卫星数目、卫星姿态等与信号质量相关的属性数据,并根据所述属性数据去除那些信号质量较差时的采集数据。
进一步地,本发明实施例可通过对行驶路径进行分析,以识别出驾驶行为数据中的异常点。同时为了避免在异常数据修正处理中占用过多计算资源,本发明实施例采取对异常值进行临近值替换方法。所述临近值替换方法为取异常点周围正常点数据的均值,对异常点进行替换,如卡车司机小王行使至隧道内,此时GPS无法给出详细数据而中断了驾驶行为数据集的获取,此时记录中断获取驾驶行为数据集的中断时间,将中断时间分为短时间中断和长时间中断,如2分钟以内为短时间中断虽然无法收到采样信号,但造成的影响较小可采用取2分钟前的平均值代替,另一种长时间中断由于缺失的数据过多,可直接报错重新采集驾驶行为数据集或利用随机梯度下降算法、牛顿下降法估计长时间中断情况下的驾驶行为数据集。
S3、根据预构建的特征提取方法,从所述驾驶行为数据集中提取驾驶特征得到原始驾驶特征集。
详细地,所述S3包括:将所述驾驶行为数据集排列成n维驾驶行为向量,将所述n维驾驶行为向量输入至预构建的特征提取模型中进行特征提取得到原始驾驶特征集。
如收集到卡车司机小王的驾驶行为数据集,包括速度、驾驶过程接电话次数等,将小王的驾驶行为数据集排列成n维向量X=[x1,x2,…,xi…,xn]T,其中xi表示驾驶行为数据集内的数据。
本发明较佳实施例中,所述预构建的特征提取模型以BP神经网络为构建基础,整个特征提取的提取方法为:
其中,q表示所述BP神经网络的隐层单元,为驾驶行为数据集内的数据xi与隐层单元q之间的连接权重,B表示BP神经网络,yj表示所述原始驾驶特征集内的数据j,δj表示与所述原始驾驶特征集内的数据j对应的偏置值,n表示所述驾驶行为数据集的数据总量,f表示激活函数。该特征提取方法实现了驾驶行为数据集到原始驾驶特征集的非线性映射。
S4、对所述原始驾驶特征集进行特征选择,得到标准驾驶特征集。
由于所得到的原始驾驶特征集可能维度太大或驾驶特征不够具有代表性,所以在S4步骤中,需要更进一步的进行特征选择。
所述特征选择的方法较多,可采用当前已公开的卡方检验方法、Pearson相关系数法、互信息及最大信息系数方法等。
S5、将所述标准驾驶特征集输入至预训练完成的驾驶风险预测模型中预测得到驾驶风险。
详细地,所述预训练完成的驾驶风险预测模型的训练过程包括:
步骤A:获取特征数据集,将所述特征数据集按照矩阵的形式进行排列得到特征矩阵集,将所述特征矩阵集分为特征训练集和特征测试集;
步骤B:依次对所述特征训练集进行卷积操作、最大化池化操作及损失操作得到第一损失值;
步骤C:若所述第一损失值大于第一预设阈值,通过预设定的反向更新算法更新所述卷积操作、所述最大化池化操作及所述损失操作的内部参数,并返回步骤B;
步骤D:若所述第一损失值小于所述第一预设阈值,依次对所述特征测试集进行所述卷积操作、所述最大化池化操作及所述损失操作得到第二损失值;
步骤E:若所述第二损失值大于第二预设阈值,返回步骤B;
步骤F:若所述第二损失值小于所述第二预设阈值,得到训练完成的驾驶风险预测模型。
进一步地,所述特征数据集包括了用户的驾驶习惯、行驶路径发生事故的次数等大量信息和是否发生事故的标签,如用户A的驾驶习惯、行驶路径a发生事故的次数,标签是用户A行驶路径a发生了事故,用户B的驾驶习惯、所行驶路径b发生事故的次数等,标签是用户B行驶路径b未发生事故等等。
本发明较佳实施例的驾驶风险预测模型依赖于卷积神经网络,所以所述卷积操作、所述最大化池化操作与卷积神经网络中的卷积操作、池化操作相同。
所述激活操作可采用当前已公开的激活函数,如Sigmoid函数、Tanh函数、Relu函数等。
进一步地,如将小王的标准驾驶特征集输入至所述驾驶风险预测模型中预测得到小王行驶在包括隧道的行驶路径内没有发生事故。
如图3所示,是本发明驾驶风险评估装置的功能模块图。
本发明所述驾驶风险评估装置100可以安装于电子设备中。根据实现的功能,所述驾驶风险评估装置可以包括接口连接模块101、数据采集模块102、特征提取模块103和驾驶风险预测模块104。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述接口连接模块101,用于根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接;
所述数据采集模块102,用于当所述接口连接成功时,运行所述接口调用代码包从所述APP内采集得到驾驶行为数据集;
所述特征提取模块103,用于从所述驾驶行为数据集中提取驾驶特征,得到原始驾驶特征集,对所述原始驾驶特征集进行特征选择,得到标准驾驶特征集;
所述驾驶风险预测模块104,用于将所述标准驾驶特征集输入至预训练完成的驾驶风险预测模型中预测得到驾驶风险。
如图4所示,是本发明实现驾驶风险评估方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如驾驶风险评估程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如驾驶风险评估的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行驾驶风险评估等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图4示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的驾驶风险评估12是多个指令的组合,在所述处理器10中运行时,可以实现:
根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接。
当所述接口连接成功时,运行所述接口调用代码包从所述APP内采集得到驾驶行为数据集。
从所述驾驶行为数据集中提取驾驶特征,得到原始驾驶特征集。
对所述原始驾驶特征集进行特征选择,得到标准驾驶特征集。
将所述标准驾驶特征集输入至预训练完成的驾驶风险预测模型中预测得到驾驶风险。
具体地,所述处理器10对上述指令的具体实现方法可如下所示:
步骤一、根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接。
详细地,所述S1包括:获取所述APP的APPKey和所述APP的访问路径,将所述APPKey和所述访问路径作为所述接口调用代码包内的代码参数并编译所述接口调用代码包,若编译所述接口调用代码包不通过,则所述接口连接失败并重新获取所述APP的APPKey和访问路径,若编译所述接口调用代码包通过,则所述接口连接成功。
本发明实施例中,所述预设种类的APP可以是地图APP、通话记录APP等。
例如,小王是一位卡车司机,现需要根据小王的驾驶习惯对小王的驾驶进行风险评估,则本发明可以构建与地图APP、通话记录APP对应的接口调用代码包,以从所述地图APP、通话记录APP中采集小王的驾驶行为数据集。由于接口调用代码包需要实际的参数才能正常运行,根据所述代码埋点方法,实际的参数包括APPKey和访问路径,如需要获取地图APP、通话记录APP的访问路径及APPKey。
所述APPKey简称接口验证序号,是用于验证API接入合法性的一种验证手段,如地图APP的APPKey可为9e5e108a68804b1595bec4c4fb1367ba。
步骤二、当所述接口连接成功时,运行所述接口调用代码包从所述APP内采集得到驾驶行为数据集。
如与上述地图APP和通话记录APP接口连接成功后,以1km为单位对小王在某行程内进行划分形成多段行程,并在每段行程内每隔1s采集一次小王所在的经度、维度、海拔、速度、方向、电话状态等数据并汇总得到驾驶行为数据集。
所述步骤二还包括:对所述驾驶行为数据集进行异常数据修正处理得到修正后的驾驶行为数据集。
为保证后期驾驶风险评估的准确性,需要对所述驾驶行为数据集进行异常数据修正处理,因为GPS信号干扰以及设备自身存在误差等不可避免的原因,生成的经度、维度、轨迹、速度等数据与真实数据并不完全相同,例如车辆过高的速度会对后续的驾驶风险评估造成不良影响,因此异常数据修正处理最直接的方法是根据GPS信号强弱判断每次采集的干扰程度,例如一些GPS仪器中会记录卫星状态和卫星数目、卫星姿态等与信号质量相关的属性数据,并根据所述属性数据去除那些信号质量较差时的采集数据。
进一步地,本发明实施例可通过对行驶路径进行分析,以识别出驾驶行为数据中的异常点。同时为了避免在异常数据修正处理中占用过多计算资源,本发明实施例采取对异常值进行临近值替换方法。所述临近值替换方法为取异常点周围正常点数据的均值,对异常点进行替换,如卡车司机小王行使至隧道内,此时GPS无法给出详细数据而中断了驾驶行为数据集的获取,此时记录中断获取驾驶行为数据集的中断时间,将中断时间分为短时间中断和长时间中断,如2分钟以内为短时间中断虽然无法收到采样信号,但造成的影响较小可采用取2分钟前的平均值代替,另一种长时间中断由于缺失的数据过多,可直接报错重新采集驾驶行为数据集或利用随机梯度下降算法、牛顿下降法估计长时间中断情况下的驾驶行为数据集。
步骤三、根据预构建的特征提取方法,从所述驾驶行为数据集中提取驾驶特征得到原始驾驶特征集。
详细地,所述步骤三包括:将所述驾驶行为数据集排列成n维驾驶行为向量,将所述n维驾驶行为向量输入至预构建的特征提取模型中进行特征提取得到原始驾驶特征集。
如收集到卡车司机小王的驾驶行为数据集,包括速度、驾驶过程接电话次数等,将小王的驾驶行为数据集排列成n维向量X=[x1,x2,…,xi…,xn]T,其中xi表示驾驶行为数据集内的数据。
本发明较佳实施例中,所述预构建的特征提取模型以BP神经网络为构建基础,整个特征提取的提取方法为:
其中,q表示所述BP神经网络的隐层单元,为驾驶行为数据集内的数据xi与隐层单元q之间的连接权重,B表示BP神经网络,yj表示所述原始驾驶特征集内的数据j,δj表示与所述原始驾驶特征集内的数据j对应的偏置值,n表示所述驾驶行为数据集的数据总量,f表示激活函数。该特征提取方法实现了驾驶行为数据集到原始驾驶特征集的非线性映射。
步骤四、对所述原始驾驶特征集进行特征选择,得到标准驾驶特征集。
由于所得到的原始驾驶特征集可能维度太大或驾驶特征不够具有代表性,所以在步骤四中,需要更进一步的进行特征选择。
所述特征选择的方法较多,可采用当前已公开的卡方检验方法、Pearson相关系数法、互信息及最大信息系数方法等。
步骤五、将所述标准驾驶特征集输入至预训练完成的驾驶风险预测模型中预测得到驾驶风险。
详细地,所述预训练完成的驾驶风险预测模型的训练过程包括:
步骤A:获取特征数据集,将所述特征数据集按照矩阵的形式进行排列得到特征矩阵集,将所述特征矩阵集分为特征训练集和特征测试集;
步骤B:依次对所述特征训练集进行卷积操作、最大化池化操作及损失操作得到第一损失值;
步骤C:若所述第一损失值大于第一预设阈值,通过预设定的反向更新算法更新所述卷积操作、所述最大化池化操作及所述损失操作的内部参数,并返回步骤B;
步骤D:若所述第一损失值小于所述第一预设阈值,依次对所述特征测试集进行所述卷积操作、所述最大化池化操作及所述损失操作得到第二损失值;
步骤E:若所述第二损失值大于第二预设阈值,返回步骤B;
步骤F:若所述第二损失值小于所述第二预设阈值,得到训练完成的驾驶风险预测模型。
进一步地,所述特征数据集包括了用户的驾驶习惯、行驶路径发生事故的次数等大量信息和是否发生事故的标签,如用户A的驾驶习惯、行驶路径a发生事故的次数,标签是用户A行驶路径a发生了事故,用户B的驾驶习惯、所行驶路径b发生事故的次数等,标签是用户B行驶路径b未发生事故等等。
本发明较佳实施例的驾驶风险预测模型依赖于卷积神经网络,所以所述卷积操作、所述最大化池化操作与卷积神经网络中的卷积操作、池化操作相同。
所述激活操作可采用当前已公开的激活函数,如Sigmoid函数、Tanh函数、Relu函数等。
进一步地,如将小王的标准驾驶特征集输入至所述驾驶风险预测模型中预测得到小王行驶在包括隧道的行驶路径内没有发生事故。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (5)
1.一种驾驶风险评估方法,其特征在于,所述方法包括:
根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接,所述预设种类的APP包括地图APP及通话记录APP;
当所述接口连接成功时,运行所述接口调用代码包从所述APP内采集得到驾驶行为数据集,所述驾驶行为数据集包括经度、维度、海拔、速度、方向及电话状态数据;
从所述驾驶行为数据集中提取驾驶特征,得到原始驾驶特征集;
对所述原始驾驶特征集进行特征选择,得到标准驾驶特征集,所述特征选择的方法为卡方检验方法、Pearson相关系数法、互信息及最大信息系数方法中的一个或多种;
将所述标准驾驶特征集输入至预训练完成的驾驶风险预测模型中预测得到驾驶风险;
所述从所述驾驶行为数据集中提取驾驶特征,得到原始驾驶特征集,包括:
将所述驾驶行为数据集排列成n维驾驶行为向量;
将所述n维驾驶行为向量输入至以BP神经网络为基础构建的特征提取模型中进行特征提取,得到所述原始驾驶特征集;
所述将所述n维驾驶行为向量输入至以BP神经网络为基础构建的特征提取模型中进行特征提取,得到所述原始驾驶特征集,包括:
利用下述公式执行特征提取:
其中,表示所述原始驾驶特征集内的数据j,q表示所述BP神经网络的隐层单元,为所述驾驶行为数据集内的数据x i 与所述隐层单元q之间的连接权重,B表示所述BP神经网络,表示与所述原始驾驶特征集内的数据j对应的偏置值,n表示所述驾驶行为数据集的数据总量,f表示激活函数;
所述根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接,包括:
获取所述APP的APPKey和所述APP的访问路径;
将所述APPKey和所述访问路径作为所述接口调用代码包内的代码参数并编译所述接口调用代码包;
若编译所述接口调用代码包不通过,则所述接口连接失败并重新获取所述APP的APPKey和访问路径;
若编译所述接口调用代码包通过,则所述接口连接成功;
该方法还包括训练所述驾驶风险预测模型,包括:
步骤A:获取特征数据集,将所述特征数据集按照矩阵的形式进行排列得到特征矩阵集,将所述特征矩阵集分为特征训练集和特征测试集;
步骤B:依次对所述特征训练集进行卷积操作、最大化池化操作及损失操作得到第一损失值;
步骤C:若所述第一损失值大于第一预设阈值,通过预设定的反向更新算法更新所述卷积操作、所述最大化池化操作及所述损失操作的内部参数,并返回步骤B;
步骤D:若所述第一损失值小于或等于所述第一预设阈值,依次对所述特征测试集进行所述卷积操作、所述最大化池化操作及所述损失操作得到第二损失值;
步骤E:若所述第二损失值大于第二预设阈值,返回步骤B;
步骤F:若所述第二损失值小于或等于所述第二预设阈值,得到训练完成的驾驶风险预测模型。
2.如权利要求1所述的驾驶风险评估方法,其特征在于,所述运行所述接口调用代码包从所述APP内采集得到驾驶行为数据集之后,还包括:
对所述驾驶行为数据集进行异常数据修正处理得到修正后的驾驶行为数据集。
3.一种驾驶风险评估装置,其特征在于,所述装置包括:
接口连接模块,用于根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接,所述预设种类的APP包括地图APP及通话记录APP;
数据采集模块,用于当所述接口连接成功时,运行所述接口调用代码包从所述APP内采集得到驾驶行为数据集,所述驾驶行为数据集包括经度、维度、海拔、速度、方向及电话状态数据;
特征提取模块,用于从所述驾驶行为数据集中提取驾驶特征,得到原始驾驶特征集,对所述原始驾驶特征集进行特征选择,得到标准驾驶特征集,所述特征选择的方法为卡方检验方法、Pearson相关系数法、互信息及最大信息系数方法中的一个或多种;
驾驶风险预测模块,用于将所述标准驾驶特征集输入至预训练完成的驾驶风险预测模型中预测得到驾驶风险;
所述从所述驾驶行为数据集中提取驾驶特征,得到原始驾驶特征集,包括:
将所述驾驶行为数据集排列成n维驾驶行为向量;
将所述n维驾驶行为向量输入至以BP神经网络为基础构建的特征提取模型中进行特征提取,得到所述原始驾驶特征集;
所述将所述n维驾驶行为向量输入至以BP神经网络为基础构建的特征提取模型中进行特征提取,得到所述原始驾驶特征集,包括:
利用下述公式执行特征提取:
其中,表示所述原始驾驶特征集内的数据j,q表示所述BP神经网络的隐层单元,为所述驾驶行为数据集内的数据x i 与所述隐层单元q之间的连接权重,B表示所述BP神经网络,表示与所述原始驾驶特征集内的数据j对应的偏置值,n表示所述驾驶行为数据集的数据总量,f表示激活函数;
所述根据代码埋点方法,将预构建的接口调用代码包与预设种类的APP进行接口连接,包括:
获取所述APP的APPKey和所述APP的访问路径;
将所述APPKey和所述访问路径作为所述接口调用代码包内的代码参数并编译所述接口调用代码包;
若编译所述接口调用代码包不通过,则所述接口连接失败并重新获取所述APP的APPKey和访问路径;
若编译所述接口调用代码包通过,则所述接口连接成功;
所述驾驶风险预测模块还用于训练所述驾驶风险预测模型,包括:
步骤A:获取特征数据集,将所述特征数据集按照矩阵的形式进行排列得到特征矩阵集,将所述特征矩阵集分为特征训练集和特征测试集;
步骤B:依次对所述特征训练集进行卷积操作、最大化池化操作及损失操作得到第一损失值;
步骤C:若所述第一损失值大于第一预设阈值,通过预设定的反向更新算法更新所述卷积操作、所述最大化池化操作及所述损失操作的内部参数,并返回步骤B;
步骤D:若所述第一损失值小于或等于所述第一预设阈值,依次对所述特征测试集进行所述卷积操作、所述最大化池化操作及所述损失操作得到第二损失值;
步骤E:若所述第二损失值大于第二预设阈值,返回步骤B;
步骤F:若所述第二损失值小于或等于所述第二预设阈值,得到训练完成的驾驶风险预测模型。
4.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至2中任一所述的驾驶风险评估方法。
5.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至2中任一所述的驾驶风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227967.9A CN111523766B (zh) | 2020-03-27 | 2020-03-27 | 驾驶风险评估方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227967.9A CN111523766B (zh) | 2020-03-27 | 2020-03-27 | 驾驶风险评估方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523766A CN111523766A (zh) | 2020-08-11 |
CN111523766B true CN111523766B (zh) | 2020-11-13 |
Family
ID=71902094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010227967.9A Active CN111523766B (zh) | 2020-03-27 | 2020-03-27 | 驾驶风险评估方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523766B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112133941B (zh) * | 2020-10-10 | 2021-07-30 | 西南交通大学 | 一种机车质子交换膜燃料电池系统的快速故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460780A (zh) * | 2018-10-17 | 2019-03-12 | 深兰科技(上海)有限公司 | 人工神经网络的车辆安全驾驶检测方法、装置及存储介质 |
CN109840612A (zh) * | 2018-07-24 | 2019-06-04 | 上海赢科信息技术有限公司 | 用户驾驶行为分析方法及系统 |
KR20190103078A (ko) * | 2019-07-11 | 2019-09-04 | 엘지전자 주식회사 | 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치 |
CN110447214A (zh) * | 2018-03-01 | 2019-11-12 | 北京嘀嘀无限科技发展有限公司 | 一种识别驾驶行为的系统、方法、装置和存储介质 |
CN110648075A (zh) * | 2019-09-27 | 2020-01-03 | 重庆大学 | 驾驶安全评估方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10392022B1 (en) * | 2018-02-28 | 2019-08-27 | Calamp Corp. | Systems and methods for driver scoring with machine learning |
CN108492053A (zh) * | 2018-04-11 | 2018-09-04 | 北京汽车研究总院有限公司 | 驾驶员风险评估模型训练、风险评估方法和装置 |
CN110689150A (zh) * | 2018-06-19 | 2020-01-14 | 北京嘀嘀无限科技发展有限公司 | 基于机器学习的订单预测方法、预测装置及计算机设备 |
CN110738574A (zh) * | 2019-09-06 | 2020-01-31 | 中国平安财产保险股份有限公司 | 数据预测方法、装置、设备及存储介质 |
CN110570655B (zh) * | 2019-09-19 | 2021-03-05 | 安徽百诚慧通科技有限公司 | 基于层次聚类和决策树的车辆特征评估方法 |
CN110866677B (zh) * | 2019-10-25 | 2023-04-18 | 东南大学 | 一种基于基准化分析的驾驶人相对风险评价方法 |
-
2020
- 2020-03-27 CN CN202010227967.9A patent/CN111523766B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110447214A (zh) * | 2018-03-01 | 2019-11-12 | 北京嘀嘀无限科技发展有限公司 | 一种识别驾驶行为的系统、方法、装置和存储介质 |
CN109840612A (zh) * | 2018-07-24 | 2019-06-04 | 上海赢科信息技术有限公司 | 用户驾驶行为分析方法及系统 |
CN109460780A (zh) * | 2018-10-17 | 2019-03-12 | 深兰科技(上海)有限公司 | 人工神经网络的车辆安全驾驶检测方法、装置及存储介质 |
KR20190103078A (ko) * | 2019-07-11 | 2019-09-04 | 엘지전자 주식회사 | 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치 |
CN110648075A (zh) * | 2019-09-27 | 2020-01-03 | 重庆大学 | 驾驶安全评估方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于安全驾驶行为风险特征的图谱表达方法;刘畅等;《交通工程》;20191231;第19卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111523766A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395978B (zh) | 行为检测方法、装置及计算机可读存储介质 | |
CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
CN110059468A (zh) | 一种小程序风险识别方法和装置 | |
CN107341668A (zh) | 一种判断真实数据的方法以及装置 | |
CN113504935A (zh) | 软件开发质量评估方法、装置、电子设备及可读存储介质 | |
CN111931729B (zh) | 基于人工智能的行人检测方法、装置、设备及介质 | |
CN115082752A (zh) | 基于弱监督的目标检测模型训练方法、装置、设备及介质 | |
CN111523766B (zh) | 驾驶风险评估方法、装置、电子设备及可读存储介质 | |
CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
CN111985545A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN114187489B (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
CN115205225A (zh) | 医学图像识别模型的训练方法、装置、设备及存储介质 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CN111401691B (zh) | 业务进度监控方法、装置及计算机可读存储介质 | |
CN112905817B (zh) | 基于排序算法的图像检索方法、装置及相关设备 | |
CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
CN115907082A (zh) | 区域人流量分析方法、装置、设备及存储介质 | |
CN113157677A (zh) | 基于信托行为的数据过滤方法及装置 | |
CN113343882A (zh) | 人群计数方法、装置、电子设备及存储介质 | |
CN112528935A (zh) | 线上资源排序方法、装置、电子设备及存储介质 | |
CN112712797A (zh) | 语音识别方法、装置、电子设备及可读存储介质 | |
CN112561893A (zh) | 图片匹配方法、装置、电子设备及存储介质 | |
CN111383050A (zh) | 产品数据整合及分析方法、装置及计算机可读存储介质 | |
CN117114495B (zh) | 一种能力生成分析的职业本科教育质量评估方法 | |
CN112132140B (zh) | 基于人工智能的车品牌识别方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |