CN112348039A - 驾驶行为分析模型的训练方法、驾驶行为分析方法和设备 - Google Patents
驾驶行为分析模型的训练方法、驾驶行为分析方法和设备 Download PDFInfo
- Publication number
- CN112348039A CN112348039A CN201910724412.2A CN201910724412A CN112348039A CN 112348039 A CN112348039 A CN 112348039A CN 201910724412 A CN201910724412 A CN 201910724412A CN 112348039 A CN112348039 A CN 112348039A
- Authority
- CN
- China
- Prior art keywords
- behavior analysis
- driving behavior
- vehicle
- training
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种驾驶行为分析模型的训练方法、驾驶行为分析方法和设备。该方法包括:利用车辆驾驶数据的训练样本对随机森林模型进行训练,得到训练样本对应随机森林模型的每个分类集合的概率值;通过训练样本,计算训练样本对应的车辆切向加速度;基于车辆切向加速度和训练样本对应随机森林模型的每个分类集合的概率值,确定随机森林模型的每个分类集合的损失函数的负梯度误差值;调整每个分类集合的边界值,以使损失函数的负梯度误差值在预设范围内,得到驾驶行为分析模型。根据本发明实施例提供的驾驶行为分析模型的训练方法、驾驶行为分析方法和设备,能够得到更加精准的预测结果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种驾驶行为分析模型的训练方法、驾驶行为分析方法和设备。
背景技术
随着汽车使用率的日益增加,交通事故的数量也在不断地上涨。因此,人们对于驾驶安全的重视程度也在不断地提高。
驾驶人员的驾驶行为具有耦合性、随机性和复杂性等特点。其中,耦合性是指驾驶行为的变化不仅受驾驶人员的影响,还会受到环境因素、车辆故障等其他因素的影响。随机性是指驾驶行为的变更在任何时间、任何地点都有可能出现,无法百分之百地确定下一步驾驶人员将会如何控制车辆。复杂性是指驾驶行为的分析过程存在着许多不确定的因素,并且不同的因素对于驾驶行为的影响程度,在不同的环境下可能出现偏差。
目前的驾驶行为分析方法大多是在事故发生后对驾驶人员的驾驶习惯进行分析,但是却无法在驾驶过程中是否会产生安全问题进行预测。
发明内容
本发明实施例提供了一种驾驶行为分析模型的训练方法、行为分析方法和设备,能够对驾驶过程中是否会产生安全问题进行预测,得到更加精准的预测结果。
第一方面,提供一种驾驶行为分析模型的训练方法,该方法包括:
利用车辆驾驶数据的训练样本对随机森林模型进行训练,得到训练样本对应随机森林模型的每个分类集合的概率值;
通过训练样本,计算训练样本对应的车辆切向加速度;
基于车辆切向加速度和训练样本对应随机森林模型的每个分类集合的概率值,确定随机森林模型的每个分类集合的损失函数的负梯度误差值;
调整每个分类集合的边界值,以使损失函数的负梯度误差值在预设范围内,得到驾驶行为分析模型。
第二方面,提供一种驾驶行为分析方法,该方法包括:
将车辆驾驶数据输入驾驶行为分析模型,得到车辆驾驶数据对应的分类集合;
基于车辆驾驶数据对应的分类集合的标签,确定车辆的驾驶行为分析结果,标签包括:安全驾驶和危险驾驶。
第三方面,提供一种驾驶行为分析模型的训练装置,该装置包括:
训练模块,用于利用车辆驾驶数据的训练样本对随机森林模型进行训练,得到训练样本对应随机森林模型的每个分类集合的概率值;
第一计算模块,用于通过训练样本,计算训练样本对应的车辆切向加速度;
第二计算模块,用于基于车辆切向加速度和训练样本对应随机森林模型的每个分类集合的概率值,确定随机森林模型的每个分类集合的损失函数的负梯度误差值;
优化模块,用于调整每个分类集合的边界值,以使损失函数的负梯度误差值在预设范围内,得到驾驶行为分析模型。
第四方面,提供一种驾驶行为分析装置,该装置包括:
输入模块,用于将车辆驾驶数据输入驾驶行为分析模型,得到车辆驾驶数据对应的分类集合;
分析模块,用于基于车辆驾驶数据对应的分类集合的标签,确定车辆的驾驶行为分析结果,标签包括:安全驾驶和危险驾驶。
第五方面,提供一种驾驶行为分析模型的训练设备,该设备包括:
处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如上述第一方面提供的驾驶行为分析模型的训练方法。
第六方面,提供一种驾驶行为分析设备,该设备包括:
处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如上述第二方面提供的驾驶行为分析方法。
第七方面,提供一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面提供的驾驶行为分析模型的训练方法。
第八方面,提供一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第二方面提供的驾驶行为分析方法。
本发明实施例提供的驾驶行为分析模型的训练方法、驾驶行为分析方法、装置、设备和介质,能够对驾驶过程中是否会产生安全问题进行预测,得到更加精准的预测结果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本发明一实施例的驾驶行为分析模型的训练方法的流程图;
图2示出本发明一实施例的驾驶行为分析方法的流程图;
图3示出本发明一实施例的驾驶行为分析模型的训练装置的结构示意图;
图4示出本发明一实施例的驾驶行为分析装置的结构示意图;
图5示出本发明实施例示例性的硬件架构的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
汽车使用频率的日益增加、交通事故的频繁发生,使得人们对车辆的驾驶安全越加的重视。为了可以减少交通事故的发生频率,常会通过对发生交通事故的驾驶人员的驾驶数据进行分析,得到极易发生交通事故的危险驾驶数据,以此告诫驾驶人员要安全驾驶。
但是,目前这种预测模型只能基于事故发生后对驾驶人员的驾驶习惯进行分析,却无法对驾驶过程中是否会产生安全问题进行预测,无法及时提醒驾驶人员即将出现的驾驶安全隐患,做到防患于未然。
因此,本发明提供一种驾驶行为分析模型的训练方法、驾驶行为分析方法、装置、设备和介质,能够对驾驶过程中是否会产生安全问题进行预测,得到更加精准的预测结果。
下面结合附图,详细描述根据本发明实施例的驾驶行为分析模型的训练方法、驾驶行为分析方法、装置、设备和介质。应注意,这些实施例并不是用来限制本发明公开的范围。
为了更好的理解本发明的技术方案,下面结合图1对本发明一实施例的驾驶行为分析模型的训练方法进行详细说明,图1是示出本发明一实施例的驾驶行为分析模型的训练方法的流程图。
如图1所示,本发明实施例中的驾驶行为分析模型的训练方法包括以下步骤:
S110,利用车辆驾驶数据的训练样本对随机森林模型进行训练,得到训练样本对应随机森林模型的每个分类集合的概率值。
在本发明一实施例中,首先,通过远程信息处理器(Telematics BOX,T-BOX)可以获取到车辆信息。例如:消息号、设备号、消息产生时间、位置(经纬度)、高度、车速、分区、转向角、全球定位系统(Global Positioning System,GPS)质量、GPS修正值、位置区码(location area code,lac)、卫星数量、小区识别码(Cell-ID)、消息创建者、创建时间、最后修改者、最后修改时间、系统上报时间、系统接收时间、位置精度强弱度、车主信息、车辆型号信息、车身轴距、转向传动比和曲率半径等等。
在车辆信息中可以筛选出车辆驾驶数据,例如:车速、车身轴距、转向角、转向传动比和曲率半径。
其次,可以对车辆驾驶数据进行数据脱敏处理和/或数据清洗处理。其中,数据脱敏处理可以是指对于需要统一单位等处理的数据,进行单位的统一化处理,处理后的驾驶数据再进行模型训练,例如:转向角需要将角度统一变换为弧度。
数据清洗是指在驾驶数据中清除不属于合法范围内的驾驶数据。如:将车身轴距小于5米、速度小于220千米/小时等不在合法范围内的驾驶数据清除,筛选出属于合法范围内的驾驶数据。
接下来,通过自助法重采样技术,在经过数据脱敏处理和/或数据清洗处理后的驾驶数据中抽取车辆驾驶数据,作为训练样本。
最后,利用车辆驾驶数据的训练样本对随机森林模型进行训练,可以得到每个训练样本对应随机森林模型的每个分类集合的概率值。应当理解的是,随机森林模型的每个分类集合中应包括有属于该分类集合的训练样本,以及该训练样本对应的概率值。
在本发明实施例中,通过对驾驶数据的数据脱敏处理和/或数据清洗处理,可以得到对于驾驶安全有重要影响的车辆驾驶数据,将这些车辆驾驶数据作为随机森林模型的训练样本,对随机森林模型进行训练,以便得到更加精准的驾驶行为分析模型。
S120,通过训练样本,计算训练样本对应的车辆的切向加速度。
在本发明的一个实施例中,训练样本中包括有车速、车身轴距、转向角、转向传动比和曲率半径。通过表示式(1)计算可以得到车辆切向加速度。
其中,a1为车辆切向加速度,v为车速,s为车身轴距,θ为转向角,n为转向传动比(如转向传动比为16:1,则n为16),r为曲率半径。曲率半径r需与车身轴距s相同单位。
S130,基于车辆切向加速度和训练样本对应随机森林模型的每个分类集合的概率值,确定随机森林模型的每个分类集合的损失函数的负梯度误差值。
在本发明的一个实施例中,首先可以通过车辆切向加速度和训练样本对应随机森林模型的每个分类集合的概率值,构建损失函数,如表达式(2)所示。
其中,x=a1车辆切向加速度,K为分类集合数量,yk为训练样本所属分类的真实概率,pk(x)为训练样本对应每个分类集合的概率值。
应当理解的是,在利用大量的训练数据对随机森林模型进行模型训练时,随机森林模型的每个输出分类集合内都包括有属于该分类集合的训练样本,以及根据训练样本得到的每个训练样本对应的车辆切向加速度以及训练样本属于该分类集合的概率值。
接下来,基于损失函数,可以通过表达式(3)计算得到每个训练样本对应每个分类集合的负梯度误差。
其中,rtil为第t轮训练中第i个样本对应分类集合l的负梯度误差,yi为第i个训练样本所属分类的真实概率。
在本发明实施例中,通过利用车辆切向加速度构建损失函数,可以在对车辆驾驶数据进行分类时,引入能够准确体现当前驾驶人员的驾驶情况的数据,能够提高随机森林模型的分类结果,得到更加精准的驾驶行为分析模型。
S140,调整每个分类集合的边界值,以使损失函数的负梯度误差值在预设范围内,得到驾驶行为分析模型。
在本发明的一个实施例中,通过表达式(4)可以基于负梯度误差值计算得到随机森林模型的每个叶子节点的近似值。
其中,ctjl为第t轮训练中第j个样本对应第l个叶子节点的近似值,K为分类集合数量。
接下来,可以是调整每个分类集合的边界值,即调整随机森林模型中每个叶子节点边界值,以使调整后的随机森林模型的负梯度误差值在预设范围内,就认为随机森林模型训练完成,得到驾驶行为分析模型。
在本发明实施例中,通过利用车辆切向加速度构建残差,并且通过自助重采样获取训练样本,能够使随机森林中的决策树各不相同,能够提高随机森林模型的多样性,提高随机森林模型的分类性能,最终得到驾驶行为分析模型,进而实现在驾驶过程中是否会产生安全问题进行预测,得到更加精准的预测结果。
本发明实施例中的驾驶行为分析模型具备良好的扩展性,还可以将该驾驶行为分析模型移植入车载终端或手机应用上,通过该驾驶行为分析模型能够对驾驶行为作出预测,当出现危险的驾驶行为特征时,及时发出警告,提醒驾驶人员安全驾驶,从而提高交通安全,避免交通事故的发生。
下面通过一个示例,详细说明本发明一实施例中的驾驶行为分析模型的训练方法。
若建立一个具有10棵决策树,5个分类集合的随机森林模型,即需要迭代10次。首先,需要根据自助法重采样选取训练样本。
其次,对于每一个训练样本,与其残差减少的梯度方向,得到一颗有5个叶子节点组成的决策树。
接下来,可以计算每个叶子节点的近似值。近似值则是表示在决策树预测的过程中,如果某一个训练样本掉入这个叶子节点,则其对应的该叶子节点的边界值。
最终,将得到的多个决策树合并起来,得到训练后的随机森林模型,即驾驶行为分析模型。
下面通过图2详细介绍根据本发明实施例的驾驶行为分析方法。本发明实施例中的驾驶行为分析方法应用于上述本发明实施例中得到的驾驶行为分析模型。
如图2所示,本发明实施例中的驾驶行为分析方法包括以下步骤:
S210,将车辆驾驶数据输入驾驶行为分析模型,得到车辆驾驶数据对应的分类集合。
S220,基于车辆驾驶数据对应的分类集合的标签,确定车辆的驾驶行为分析结果,标签包括:安全驾驶和危险驾驶。
在本发明一实施例中,在车辆行驶过程中,会从T-BOX处得到的车辆驾驶数据输入驾驶行为分析模型,驾驶数据经过驾驶行为分析模型后,会得到不同的分类结果。最后根据每个分类集合的标签,确定车辆当前的驾驶行为分析结果,例如:安全驾驶或者危险驾驶。当预测为危险驾驶时,则会生成用户警告信息,以此及时提醒驾驶人员,尽量避免交通事故的发生。
在本发明一实施例中,可以对驾驶行为分析的整个分析过程,进行可视化处理,得到可视化驾驶行为分析结果。
在本发明一实施例中,还可以是在车辆发生交通事故以后,利用事故发生时的三向加速度以及事故发生点,通过傅里叶变换执行到频域的变换,并在频域中提取低频信号,计算得到碰撞数据的能量波形。
通过能量波形可以协助判断是否存在骗保的情况发生。例如,如果得到的能量波形若是一个有规律的波形,没有噪声,则说明车辆实际上没有碰撞产生。
下面通过图3详细介绍根据本发明实施例的驾驶行为分析模型的训练装置,驾驶行为分析模型的训练装置与驾驶行为分析模型的训练方法相对应。
图3示出了根据本发明一实施例的驾驶行为分析模型的训练装置的结构示意图。
如图3所示,驾驶行为分析模型的训练装置包括:
训练模块310,用于利用车辆驾驶数据的训练样本对随机森林模型进行训练,得到训练样本对应随机森林模型的每个分类集合的概率值。
其中,车辆驾驶数据包括:车速、车身轴距、转向角、转向传动比和曲率半径。
第一计算模块320,用于通过训练样本,计算训练样本对应的车辆切向加速度。
第二计算模块330,用于基于车辆切向加速度和训练样本对应随机森林模型的每个分类集合的概率值,确定随机森林模型的每个分类集合的损失函数的负梯度误差值。
优化模块340,用于调整每个分类集合的边界值,以使损失函数的负梯度误差值在预设范围内,得到驾驶行为分析模型。
在本发明实施例中,通过驾驶行为分析模型的训练装置,利用车辆切向加速度构建残差,并且通过自助重采样获取训练样本,能够使随机森林中的决策树各不相同,能够提高随机森林模型的多样性,提高随机森林模型的分类性能,最终得到驾驶行为分析模型,进而实现对驾驶过程中是否会产生安全问题进行预测,得到更加精准的预测结果。
在本发明一实施例中,驾驶行为分析模型的训练装置,还包括:
预处理模块,用于对车辆驾驶数据进行数据脱敏处理和/或数据清洗处理。
采样模块,利用自助法重采样,在处理后的车辆驾驶数据中抽取车辆驾驶数据,得到训练样本。
在本发明实施例中,通过预处理模块和采样模块对驾驶数据进行数据脱敏处理和/或数据清洗处理,可以得到对于驾驶安全有重要影响的车辆驾驶数据,将这些车辆驾驶数据作为随机森林模型的训练样本,对随机森林模型进行训练,以便得到更加精准的驾驶行为分析模型。
在本发明一实施例中,第二计算模块330,具体用于利用车辆切向加速度和训练样本对应随机森林模型的每个分类集合的概率值,构建损失函数;基于损失函数,计算每个分类集合中的多个训练样本的负梯度误差值之和,将负梯度误差值之和作为随机森林模型的每个分类集合的损失函数的负梯度误差值。
本发明实施例提供的装置的各个模块具有实现图1所示实施例的方法/步骤的功能,且能达到与图1所示实施例相应的技术效果,为简洁描述,在此不再赘述。
图4示出了根据本发明一实施例的驾驶行为分析装置的结构示意图。
如图4所示,驾驶行为分析装置包括:
输入模块410,用于将车辆驾驶数据输入驾驶行为分析模型,得到车辆驾驶数据对应的分类集合。
分析模块420,用于基于车辆驾驶数据对应的分类集合的标签,确定车辆的驾驶行为分析结果,标签包括:安全驾驶和危险驾驶。
在本发明的一个实施例中,分析模块420还包括:
警示模块,用于若驾驶行为分析结果为危险驾驶,则生成用户警告信息。
在本发明的一个实施例中,驾驶行为分析装置还包括:
可视化模块,用于对车辆的驾驶行为分析过程进行可视化处理,得到可视化驾驶行为分析结果。
本发明实施例提供的装置的各个模块具有实现图2所示实施例的方法/步骤的功能,且能达到与图2所示实施例相应的技术效果,为简洁描述,在此不再赘述。
图5示出了能够实现根据本发明实施例的驾驶行为分析模型的训练方法、驾驶行为分析方法和装置的计算设备的示例性硬件架构的结构图。
如图5所示,计算设备500包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505、以及输出设备506。其中,输入接口502、中央处理器503、存储器504、以及输出接口505通过总线510相互连接,输入设备501和输出设备506分别通过输入接口502和输出接口505与总线510连接,进而与计算设备500的其他组件连接。
具体地,输入设备501接收来自外部的输入信息,并通过输入接口502将输入信息传送到中央处理器503;中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器504中,然后通过输出接口505将输出信息传送到输出设备506;输出设备506将输出信息输出到计算设备500的外部供用户使用。
也就是说,图5所示的计算设备也可以被实现驾驶行为分析模型的训练设备或被实现驾驶行为分析设备,设备可以包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现结合图1和图3描述的驾驶行为分析模型的训练方法和装置,或,该处理器在执行计算机可执行指令时可以实现结合图2和图4描述的驾驶行为分析方法和装置。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例提供的驾驶行为分析模型的训练方法或驾驶行为分析方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
本发明可以以其他的具体形式实现,而不脱离其精神和本质特征。例如,特定实施例中所描述的算法可以被修改,而设备体系结构并不脱离本发明的基本精神。因此,当前的实施例在所有方面都被看作是示例性的而非限定性的,本发明的范围由所附权利要求而非上述描述定义,并且,落入权利要求的含义和等同物的范围内的全部改变从而都被包括在本发明的范围之中。
Claims (12)
1.一种驾驶行为分析模型的训练方法,其特征在于,包括:
利用车辆驾驶数据的训练样本对随机森林模型进行训练,得到所述训练样本对应所述随机森林模型的每个分类集合的概率值;
通过所述训练样本,计算所述训练样本对应的车辆切向加速度;
基于所述车辆切向加速度和所述训练样本对应所述随机森林模型的每个分类集合的概率值,确定所述随机森林模型的每个分类集合的损失函数的负梯度误差值;
调整所述每个分类集合的边界值,以使所述损失函数的负梯度误差值在预设范围内,得到驾驶行为分析模型。
2.根据权利要求1所述驾驶行为分析模型的训练方法,其特征在于,所述利用车辆驾驶数据的训练样本对随机森林模型进行训练之前,还包括:
对所述车辆驾驶数据进行数据脱敏处理和/或数据清洗处理;
利用自助法重采样,在处理后的车辆驾驶数据中抽取车辆驾驶数据,得到所述训练样本。
3.根据权利要求1所述驾驶行为分析模型的训练方法,其特征在于,所述基于所述车辆切向加速度和所述训练样本对应所述随机森林模型的每个分类集合的概率值,确定所述随机森林模型的每个分类集合的损失函数的负梯度误差值,包括:
利用所述车辆切向加速度和所述训练样本对应所述随机森林模型的每个分类集合的概率值,构建所述损失函数;
基于所述损失函数,计算每个分类集合中的多个训练样本的负梯度误差值之和,将所述负梯度误差值之和作为所述随机森林模型的每个分类集合的损失函数的负梯度误差值。
4.根据权利要求1所述驾驶行为分析模型的训练方法,其特征在于,所述车辆驾驶数据包括:车速、车身轴距、转向角、转向传动比和曲率半径。
5.一种驾驶行为分析方法,应用于由权利要求1-4任一项所述的训练方法得到的驾驶行为分析模型,其特征在于,包括:
将车辆驾驶数据输入所述驾驶行为分析模型,得到所述车辆驾驶数据对应的分类集合;
基于所述车辆驾驶数据对应的分类集合的标签,确定车辆的驾驶行为分析结果,所述标签包括:安全驾驶和危险驾驶。
6.根据权利要求5所述驾驶行为分析方法,其特征在于,还包括:
若所述驾驶行为分析结果为危险驾驶,则生成用户警告信息。
7.根据权利要求5所述驾驶行为分析方法,其特征在于,还包括:
对所述车辆的驾驶行为分析过程进行可视化处理,得到可视化驾驶行为分析结果。
8.一种驾驶行为分析模型的训练装置,其特征在于,包括:
训练模块,用于利用车辆驾驶数据的训练样本对随机森林模型进行训练,得到所述训练样本对应所述随机森林模型的每个分类集合的概率值;
第一计算模块,用于通过所述训练样本,计算所述训练样本对应的车辆切向加速度;
第二计算模块,用于基于所述车辆切向加速度和所述训练样本对应所述随机森林模型的每个分类集合的概率值,确定所述随机森林模型的每个分类集合的损失函数的负梯度误差值;
优化模块,用于调整所述每个分类集合的边界值,以使所述损失函数的负梯度误差值在预设范围内,得到驾驶行为分析模型。
9.一种驾驶行为分析装置,其特征在于,包括:
输入模块,用于将车辆驾驶数据输入所述驾驶行为分析模型,得到所述车辆驾驶数据对应的分类集合;
分析模块,用于基于所述车辆驾驶数据对应的分类集合的标签,确定车辆的驾驶行为分析结果,所述标签包括:安全驾驶和危险驾驶。
10.一种驾驶行为分析模型的训练设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-4任意一项所述驾驶行为分析模型的训练方法。
11.一种驾驶行为分析设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求5-7任意一项所述驾驶行为分析方法。
12.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-4任意一项所述驾驶行为分析模型的训练方法,或者所述计算机程序指令被处理器执行时实现如权利要求5-7任意一项所述驾驶行为分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910724412.2A CN112348039B (zh) | 2019-08-07 | 2019-08-07 | 驾驶行为分析模型的训练方法、驾驶行为分析方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910724412.2A CN112348039B (zh) | 2019-08-07 | 2019-08-07 | 驾驶行为分析模型的训练方法、驾驶行为分析方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348039A true CN112348039A (zh) | 2021-02-09 |
CN112348039B CN112348039B (zh) | 2023-04-07 |
Family
ID=74366549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910724412.2A Active CN112348039B (zh) | 2019-08-07 | 2019-08-07 | 驾驶行为分析模型的训练方法、驾驶行为分析方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348039B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113288148A (zh) * | 2021-06-02 | 2021-08-24 | 华南师范大学 | 一种驾驶心理品质分类方法 |
CN113968234A (zh) * | 2021-11-29 | 2022-01-25 | 蔡定海 | 一种车辆辅助驾驶控制方法、装置及车载控制器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108766A (zh) * | 2017-12-28 | 2018-06-01 | 东南大学 | 基于多传感器数据融合的驾驶行为识别方法及系统 |
CN109017799A (zh) * | 2018-04-03 | 2018-12-18 | 张锐明 | 一种新能源汽车驾驶行为预测方法 |
CN109408774A (zh) * | 2018-11-07 | 2019-03-01 | 上海海事大学 | 基于随机森林和梯度提升树的预测污水出水指标的方法 |
CN109829601A (zh) * | 2018-12-07 | 2019-05-31 | 深圳大学 | 一种驾驶员驾驶车辆风险行为的预测方法及系统 |
CN110096967A (zh) * | 2019-04-10 | 2019-08-06 | 同济大学 | 一种基于随机森林算法的路怒驾驶人危险行为特征变量筛选方法 |
-
2019
- 2019-08-07 CN CN201910724412.2A patent/CN112348039B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108766A (zh) * | 2017-12-28 | 2018-06-01 | 东南大学 | 基于多传感器数据融合的驾驶行为识别方法及系统 |
CN109017799A (zh) * | 2018-04-03 | 2018-12-18 | 张锐明 | 一种新能源汽车驾驶行为预测方法 |
CN109408774A (zh) * | 2018-11-07 | 2019-03-01 | 上海海事大学 | 基于随机森林和梯度提升树的预测污水出水指标的方法 |
CN109829601A (zh) * | 2018-12-07 | 2019-05-31 | 深圳大学 | 一种驾驶员驾驶车辆风险行为的预测方法及系统 |
CN110096967A (zh) * | 2019-04-10 | 2019-08-06 | 同济大学 | 一种基于随机森林算法的路怒驾驶人危险行为特征变量筛选方法 |
Non-Patent Citations (2)
Title |
---|
XIN FU ET.AL: "Identifying Transportation Modes Using Gradient Boosting Decision Tree", 《ICIC 2018》 * |
李根 等: "基于梯度提升决策树的高速公路交织区汇入位置模型", 《交通运输系统工程与信息》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113288148A (zh) * | 2021-06-02 | 2021-08-24 | 华南师范大学 | 一种驾驶心理品质分类方法 |
CN113288148B (zh) * | 2021-06-02 | 2023-03-07 | 华南师范大学 | 一种驾驶心理品质分类方法 |
CN113968234A (zh) * | 2021-11-29 | 2022-01-25 | 蔡定海 | 一种车辆辅助驾驶控制方法、装置及车载控制器 |
CN113968234B (zh) * | 2021-11-29 | 2023-05-02 | 深圳市科莱德电子有限公司 | 一种车辆辅助驾驶控制方法、装置及车载控制器 |
Also Published As
Publication number | Publication date |
---|---|
CN112348039B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Multiple model particle filter for traffic estimation and incident detection | |
JP2020530578A (ja) | 運転行為の採点方法及び装置 | |
CN112669594B (zh) | 交通路况预测的方法、装置、设备及存储介质 | |
CN109670970B (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
US20210206382A1 (en) | Information processing apparatus, information processing system, information processing method, and program | |
US20230328488A1 (en) | Systems and methods for verifying reliability of sensor data received from mobile devices | |
CN112348039B (zh) | 驾驶行为分析模型的训练方法、驾驶行为分析方法和设备 | |
CN113256993B (zh) | 一种模型训练、分析车辆行驶风险的方法 | |
US10740634B1 (en) | Detection of decline in concentration based on anomaly detection | |
CN113423063B (zh) | 基于车载t-box的车辆监控方法、装置、车辆及介质 | |
JP5378002B2 (ja) | 車両動作推定装置、車両動作推定方法および車両動作推定プログラム | |
CN111397625B (zh) | 车辆导航方法及相关装置 | |
Mansourkhaki et al. | Introducing prior knowledge for a hybrid accident prediction model | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
CN111739290A (zh) | 车辆预警方法及装置 | |
JP2012059058A (ja) | 危険推定装置及びプログラム | |
CN111565174A (zh) | 车辆质量信息确定模型训练方法及车辆质量信息确定方法 | |
CN112455460B (zh) | 车辆控制方法、装置、设备及存储介质 | |
CN110606092A (zh) | 行车状态的确定方法、装置、车辆及存储介质 | |
Khan et al. | Surrogate safety measures as aid to driver assistance system design of the cognitive vehicle | |
CN111488417A (zh) | 信息处理方法、系统、装置、设备及计算机存储介质 | |
CN112959859B (zh) | 驾驶提醒方法、装置、电子设备和存储介质 | |
Fazio et al. | A new application for analyzing driving behavior and environment characterization in transportation systems based on a fuzzy logic approach | |
CN110660217B (zh) | 用于检测信息安全的方法及装置 | |
CN112729862B (zh) | 无人驾驶的驾驶行为安全评估方法、装置及电子设备 |
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 |