CN113071497A - 一种驾驶场景判断方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种驾驶场景判断方法、装置、设备及存储介质。所述方法包括：构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集；将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型；根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。利用该方法，能够在保证驾驶员隐私的同时确定当前车辆是否处于南向行驶疲困场景。

Description

一种驾驶场景判断方法、装置、设备及存储介质

技术领域

本发明实施例涉及汽车技术领域，尤其涉及一种驾驶场景判断方法、装置、设备及存储介质。

背景技术

在车辆进行南向行驶的场景中，在天气晴朗、温度适宜、路况单一以及行驶稳定的情况下，驾驶员极易产生困意，容易导致疲劳驾驶。

在现有技术中，大多是基于用户的个人信息判断驾驶员是否疲劳驾驶，比如通过监测驾驶员的体征数据来确定是否进行疲劳驾驶，或者监测驾驶员的眼睛闭合信息进行微睡监测，以确定驾驶员是否疲劳驾驶。上述确定疲劳驾驶场景的方式都侵犯了驾驶员的隐私。

因此，如何在保证驾驶员隐私的同时确定当前车辆是否处于南向行驶疲困场景是当前亟待解决的。

发明内容

本发明实施例提供了一种驾驶场景判断方法、装置、设备及存储介质，能够在保证驾驶员隐私的同时确定当前车辆是否处于南向行驶疲困场景。

第一方面，本发明实施例提供了一种驾驶场景判断方法，包括：

构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集；

将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型；

根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。

第二方面，本发明实施例还提供了一种驾驶场景判断装置，包括：

构建模块，用于构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集；

生成模块，用于将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型；

判断模块，用于根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。

第三方面，本发明实施例还提供了一种驾驶场景判断设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器用于实现本发明任意实施例中所述的驾驶场景判断方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的驾驶场景判断方法。

本发明实施例提供了一种驾驶场景判断方法、装置、设备及存储介质，首先构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集；然后将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型；最后根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。利用上述技术方案，能够在保证驾驶员隐私的同时确定当前车辆是否处于南向行驶疲困场景。

附图说明

图1为本发明实施例一所提供的一种驾驶场景判断的流程示意图；

图2为本发明实施例一所提供的一种驾驶场景判断方法中的箱线图示意图；

图3为本发明实施例一所提供的一种驾驶场景判断方法的示例流程图；

图4为本发明实施例二提供的一种驾驶场景判断装置的结构示意图；

图5为本发明实施例三所提供的一种驾驶场景判断设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

实施例一

图1为本发明实施例一所提供的一种驾驶场景判断的流程示意图，该方法可适用于对车辆当前行驶场景进行判断的情况，特别适用于对未加装立柱摄像头的已量产车辆，判断车辆的当前行驶场景是否为南向行驶疲困场景。该方法可以由驾驶场景判断装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在驾驶场景判断设备上，在本实施例中驾驶场景判断设备为云端后台设备。

如图1所示，本发明实施例一提供的一种驾驶场景判断方法，包括如下步骤：

S110、构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集。

在本实施例中，目标车辆可以理解为需要进行场景判断的车辆；车联网信号数据可以为车辆的车联网标准信号数据，车联网信号可以通过车端的车联网终端定时采集并上报至云端，由于车联网信号数据是实时采集实时获取的，因此当前的车联网信号数据可以为当前时刻获取的车联网信号数据。

其中，车联网信号数据一般包括时间信息、车辆标识码、车内外温度、车窗以及天窗的位置、车辆的运动状态、各操作指示灯状态、雨刮器状态、整车/方向盘速度及加速度、油门踏板位置、空调状态、疲劳检测系统报警状态、闭眼一级报警、闭眼二级报警、车辆位置以及启动时间等118个维度的数据。

其中，各操作指示灯状态可以包括转向、应急、驻车灯、位置灯、远近光灯以及雾灯等状态；整车/方向盘速度及加速度可以包括整车车速、平均车速、横向加速度、纵向加速度、横摆角速度、方向盘转角加速度、方向盘转角、档位、急加减速持续时间、转弯持续时间；车辆位置可以包括经度、纬度、高度、方向角度、地磁方向角度、当前定位卫星总数。

可选的，疲劳检测系统报警状态、闭眼一级报警以及闭眼二级报警可以根据目标车辆的配置确定。示例性的，若目标车辆包括疲劳检测系统，则车联网信号数据可以包括疲劳检测报警状态。

在本实施例中，根据目标车辆当前的车联网信号数据确定测试集的过程可以包括从目标车辆当前的车联网信号数据中提取出目标车辆的车况数据，将所述目标车辆的车况数据进行处理后得到测试集。

其中，目标车辆的车况数据可以为表征目标车辆当前车辆状况的数据。从目标车辆当前的车联网信号数据中提取出目标车辆的车况数据的方式可以为根据目标车辆的标识码、目标车辆的出行数据以及疲劳驾驶数据从目标车辆当前的车联网信号数据中提取出满足上述条件的目标车辆的车况数据。

在本实施例中，目标车辆的车况数据的处理步骤可以包括对目标车辆的车况数据进行速度回填、离群值处理以及异常值剔除得到有效数据，再对有效数据进行特征提取与特征生成。

具体的，目标车辆的车况数据的处理步骤包括：对目标车辆的车况数据进行速度回填、利用箱线图进行离群值判定以及将车况数据中的异常值进行剔除得到有效数据；将所述有效数据进行等间隔取值生成等时间间隔的时序数据；将所述时序数据转化为时间窗内的状态变化特征数据；基于目标车辆的识别号码、时间信息以及位置信息对所述状态变化特征数据进行数据提取得到测试集。

其中，对目标车辆的车况数据进行速度回填的具体过程可以为：若目标车辆的车况数据中没有包括整车速度即整车速度的记录为空，则可以对正常速度进行速度回填，速度回填的方式可以为基于车轮速度或GPS行驶速度进行整车速度回填。示例性的，以基于车轮速度对整车速度进行回填为例进行说明，根据公式：当前整车速度/前一时刻整车速度＝当前车轮速度/前一时刻车轮速度可以计算出当前整车速度，其中，前一时刻整车速度、当前车轮速度以及前一时刻车轮速度是已知量。

其中，利用箱线图进行离群值判定的方式可以为基于数据的理论有效范围，利用箱线图进行离群值判定。图2为本发明实施例一所提供的一种驾驶场景判断方法中的箱线图示意图，如图2所示，箱线图由最大值、上四分为数Q3、中位数Q2、下四分位数Q1和最小值五个统计量构成，其中，箱子两端分别为Q3和Q1，最大值和最小值分别为箱两端的须，Q1到Q3的间距为IQR，箱线图法中将大于Q3+1.5IQR且小于Q1-1.5IQR的数据定义为异常值。利用箱线图法可以计算出车况数据中的异常值，若车况数据中有10％的数据为异常值，则认为当前时间段数据为无效数据即为无效记录，将无效数据剔除后车况数据中剩余的数据即为有效数据。

其中，将有效数据进行等间隔取值生成等时间间隔的时序数据的方式可以为将有效数据进行等时间提取，还可以理解为间隔相等时间从有效数据中提取出一个数据，则提取出的所有数据为等时间间隔的时序数据。

其中，将时序数据转化为时间窗内的状态变化特征数据的方式可以为：将时序数据间隔预设时间进行一次预设时长的滑窗，并计算每预设时长内的状态变化特征数据。示例性的，将数据按照每10秒进行5分钟滑窗，计算每5分钟内的状态变化特征数据。表1为本发明实施例一所提供的一种驾驶场景判断方法中的状态变化特征数据表，表中包括118个特征数据。

表1

其中，基于目标车辆识别号码、时间信息以及位置信息对所述状态变化特征数据进行数据提取可以理解为基于目标车辆的标识号码确定目标车辆，从状态变化数据中提取出符合目标车辆当前时间和当前位置的特征数据作为测试集。

进一步的，在构建测试集之前，还需要判断目标车辆是否为符合提醒状态的车辆。其中，提醒状态基于整车速度、用户操作以及行驶角度确定，行驶角度为行驶方向与正南方向的夹角。

在本实施例中，提醒状态可以理解为提醒用户车辆正处于南向疲困行驶场景的状态，目标车辆为符合提醒状态的车辆，判断车辆是否符合提醒状态可以通过判定车辆是否为免提醒状态，若目标车辆为免提醒状态，则目标车辆为符合提醒状态的车辆。

具体的，若在预设时长内整车速度等于预设速度、用户执行的操作种类的个数操过预设数值且车辆在预设时间段内的行驶角度在预设角度范围内，则确定目标车辆为免提醒状态。其中，预设时间可以为预先设置的任意时长，示例性的，预设时长可以为5分钟；预设速度可以为预先设置的速度，例如预设速度可以为0，预设时间段可以为预先设置的任意时间段，示例性的，预设时间段可以为午间(10：00到15：00)和晨间(7：00到10：00)；预设角度范围可以为预先设置的角度范围，例如预设角度范围可以为-45度或45度。

示例性的，免提醒状态的条件可以包括：

1、5分钟内出现整车速度为0的情况。

2、用户操作种类操过6项，用户操作可以包括对车窗、天窗、雨刮器、转向灯、应急灯、驻车灯、位置灯、近远光灯、雾灯、多媒体按键、空调执行操作。

3、午间(10：00到15：00)车辆的行驶角度小于-45度，晨间(7：00到10：00)车辆的行驶角度大于45度。

当目标车辆不满足上述条件之一，则可以确定目标车辆为符合提醒状态的车辆，进而需要对目标车辆的当前驾驶场景进行判断。

S120、将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型。

在本实施例中，训练集的构建过程可以包括：根据历史车联网信号数据中的车辆识别号码、出行数据和疲劳驾驶数据确定出多个试验车辆，从所述历史车联网信号数据集中提取出所述各试验车辆的车况数据，所述历史车联网信号数据包括多个车辆的历史车联网信号数据；将所述试验车辆的车况数据进行处理后得到训练集。

其中，历史车联网信号数据可以包括多个车辆的历史车联网信号数据，历史车联网信号数据可以为车辆以往的车辆联网信号数据，历史车联网信号数据中包括的数据种类与目标车辆当前的车联网信号数据中包括的数据种类相同，此处不做赘述。

在本实施例中，可以根据车辆识别号码、车辆的出行数据和疲劳驾驶数据确定出多个试验车辆，再根据各试验车辆的标识码从历史车联网信号数据中提取出各试验车辆对应的车况数据。其中，试验车辆可以为用于构建训练集的车辆。

上述过程可以理解为根据车辆识别号码、车辆的出行数据和疲劳驾驶数据筛选出有出行记录且有疲劳驾驶记录的车辆作为试验车辆，再从历史车联网数据中提取各试验车辆的车况数据。其中，试验车辆的车况数据可以为表征试验车辆的车辆状况的数据，从历史车联网信号数据中可以提取出表征试验车辆状况的数据，示例性的，试验车辆的车况数据可以包括时间信息、车辆标识码、车内外温度、车窗以及天窗的位置、车辆的运动状态、各操作指示灯状态、雨刮器状态、整车/方向盘速度及加速度、油门踏板位置、空调状态、疲劳检测系统报警状态、闭眼一级报警、闭眼二级报警、车辆位置以及启动时间等118个维度的数据。

需要说明的是，对试验车辆的车况数据和目标车辆的车况数据的处理步骤相同，此处不再赘述，具体过程可参考测试集中目标车辆的车况数据的处理步骤。

进一步的，将训练集划分为正集或负集；所述正集中的数据为训练集数据中符合南向行驶疲困场景的数据，所述负集中的数据为训练集数据中不符合南向行驶疲困场景的数据。

具体的，可以根据疲劳驾驶数据、车辆路测或者调查问卷等方式判断训练集中的数据是否符合南向行驶疲困场景，将符合南向行驶疲困场景的数据划分为正集并进行标签标注，将不符合南向行驶疲困场景的数据划分为负集并进行标签标注。

在本实施例中，目标预测模型可以通过训练集训练后得到，进一步的，目标预测模型通过如下操作训练：基于训练集、正集和负集构建特征集；基于特征集构建并训练预测模型，得到训练后的目标预测模型。

具体的，基于F-Score方法进行特征筛选，增量进行特征集构建，构建特征集的公式如下：

其中，

表示训练集中的i个特征数据的平均值，

表示正集中第i个特征数据的平均值，

表示负集中第i个特征数据的平均值，n₊表示正集中包括的特征数据的个数，n_{_}表示负集中包括的特征数据的个数。

在本实施例中，预测模型可以理解为用于预测车辆的行驶场景是否为南向疲困行驶场景的模型，预测模型的构建方式可以有多种选择，此处不做具体限制。

可选的，构建得到预测模型后还需要基于预测结果对模型进行训练得到训练后的目标预测模型，其中，目标预测模型可以理解为预测准确率最高的预测模型，将目标预测模型作为对驾驶场景进行分类的模型。

进一步的，基于所述特征集构建并训练预测模型，得到训练后的目标预测模型，包括：基于所述特征集和支持向量机算法构建预测模型；将所述特征集输入所述预测模型得到训练预测结果；基于所述训练预测结果对所述预测模型进行评估调优得到调优后的预测模型；继续将所述特征集输入所述调优后的预测模型进行预测，直到预测结果准确率达到预设指标，则将达到预设指标的预测模型确定为目标预测模型。

具体的，本实施例以基于支持向量机算法SVM进行分类器构建得到预测模型为例进行说明。

下面对SVM算法的原理进行说明，SVM是建立在统计学习理论基础上的机器学习方法，是一种非线性分类器。它将输入空间中的样本通过某种非线性函数关系映射到一个特征空间中，使两类样本在此特征空间中线性可分，并寻找样本在此特征空间中的最优线性区分平面。

假设样本集为(x_i,y_i)，i＝1,...,n，x∈R_d，y∈{1,-1}，其中，l表示样本数，d表示为输入维数，则在高维空间中的最优分类函数可以表示为：

其中0＜α_i＜C_i表示拉格朗日因子，拉格朗日因子α_i可用二次规划方法求解，b表示阈值，K(x_i,y_i)表示核函数，核函数根据经验选取径向基核函数：

K(x_i,y_i)＝exp{-γ||x-x_i||²}

其中，γ表示参数，外推能力随着参数γ的减小而减弱。建模过程主要基于网格步进方法对调整松弛变量的误差惩罚因子C_i以及核函数中的参数γ进行参数寻优即对预测模型进行训练。

通过Jackknife检验对预测模型的性能进行测试。基于混淆矩阵及敏感度、特异度等评估参数，作为模型效果评估依据。

其中，评估参数可以包括：

敏感度：Sensitivity(Sn)：

Sn_i＝TP_i/(TP_i+FN_i)

总体精度：Overall accuracy(OA)：

平均精度：Average accuracy(AA):

其中，TP_i表示真正(Ture Positive)即判定t_i在中，实际上也在C_i中；FN_i为假负(False Negative)即判定t_i不在C_i中，实际上在C_i中。

需要说明的是，构建得到预测模型后将特征集输入该预测模型后可以得到训练预测结果，根据预测结果的正确率对网络参数进行调节以不断对预测模型进行优化，在本实施例中，主要基于网格步进方法对调整松弛变量的误差惩罚因子C_i以及核函数中的参数γ进行参数寻优，即通过调节C_i和γ对预测模型进行调优以得到目标预测模型。

在得到目标预测模型后，将测试集输入目标预测模型中可以自动输出预测结果，由于目标预测模型为二分类模型，则预测结果可以为1或0，1可以表示当前驾驶场景属于南向行驶疲困场景，0可以表示当前驾驶场景不属于南向行驶疲困场景。

S130、根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。

其中，南向行驶疲困场景可以理解为车辆一直向南方向行驶，由于南向行驶路况单一稳定，太阳照射驾驶员容易导致驾驶员疲困。

根据目标预测模型对测试集输出的预测结果可以知晓目标车辆的当前驾驶场景是否为南向行驶疲困场景。示例性的，输出结果为1表示当前驾驶场景属于南向行驶疲困场景，输出结果为0可以表示当前驾驶场景不属于南向行驶疲困场景。

进一步的，在根据所述预测结果确定所述目标车辆的当前驾驶场景是否为预设驾驶场景之后，还包括：若目标车辆的当前驾驶场景为南向疲困驾驶场景，则推送场景提示信息。

可选的，当目标预测模型的判断结果为目标车辆的当前驾驶场景为南向疲困驾驶场景后，还可以智能化的推送提示信息。

其中，推送提示信息的方式不作具体限制，示例性的，推送提示信息的方式可以包括在车载中控屏幕上显示提示信息以及通过车内智能语音播放提示信息。提示信息的内容可以由驾驶员根据个人喜好自行设置，示例性的，提示信息可以为“温度舒适的南向行驶疲困场景，容易让人产生困意，请注意安全，如感觉困倦，请及时停靠安全区域休息”。

本发明实施例一提供的一种驾驶场景判断方法，首先构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集；然后将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型；最终根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。利用上述方法，能够基于实时获取的车况数据和目标预测模型准确判断当前驾驶场景是否为南向驾驶场景。。

在上述实施例的基础上，提出了上述实施例的具体实施例，图3为本发明实施例一所提供的一种驾驶场景判断方法的示例流程图。

示例性的，如图3所示，训练集的构建过程包括获取历史车联网信号数据；然后筛选目标特征，进行数据清洗即从历史车联网信号数据集中提取各试验车辆的车况数据，对车况数据进行速度回填、利用箱线图进行离群值判定以及将车况数据集中的异常值进行剔除得到有效数据；之后得到时序数据即将所述有效数据进行等间隔取值生成等时间间隔的时序数据；最后进行特征提取、筛选、格式化、归一化处理即将所述时序数据转化为时间窗内的状态变化特征数据，基于车辆的识别号码、时间信息以及位置信息对所述状态变化特征数据进行数据提取得到训练集。其中，测试集的构建过程与上述过程一致，此处不做重复说明，不同之处在于测试集是获取历史车联网信号数据。

构建训练集之后，基于训练集进行模型构建和模型优化得到最优模型即目标预测模型。将测试集输入最优模型可以得到预测结果，根据预测结果判断是否推送场景提示信息，若预测结果是南向行驶疲困场景则推送场景提示信息，执行推送任务；若预测结果不是南向行驶疲困场景则结束流程。

实施例二

图4为本发明实施例二提供的一种驾驶场景判断装置的结构示意图，该装置可适用于对车辆当前行驶场景进行判断的情况，特别适用于对未加装立柱摄像头的已量产车辆，判断车辆的当前行驶场景是否为南向行驶疲困场。其中，该装置可由软件和/或硬件实现，并一般集成在驾驶场景判断设备上。

如图4所示，该装置包括：构建模块410、生成模块420以及判断模块430。

构建模块410，用于构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集；

生成模块420，用于将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型；

判断模块430，用于根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。

在本实施例中，该装置首先通过构建模块410构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集；其次通过生成模块420将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型；最后通过判断模块430根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。

本实施例提供了一种驾驶场景判断装置，能够使在保证驾驶员隐私的同时确定当前车辆是否处于南向行驶疲困场景。

进一步的，所述目标车辆为符合提醒状态的车辆，所述提醒状态基于整车速度、用户操作以及行驶角度确定，所述行驶角度为行驶方向与正南方向的夹角。

进一步的，所述目标预测模型基于训练集训练后得到，所述训练集和所述测试集的构建过程包括：

根据历史车联网信号数据中的车辆识别号码、出行数据和疲劳驾驶数据确定出多个试验车辆，从所述历史车联网信号数据集中提取出所述各试验车辆的车况数据，所述历史车联网信号数据包括多个车辆的历史车联网信号数据；

将所述试验车辆的车况数据进行处理后得到训练集；

从目标车辆当前的车联网信号数据中提取出目标车辆的车况数据；

将所述目标车辆的车况数据进行处理后得到测试集；

其中，所述试验车辆的车况数据和所述目标车辆的车况数据的处理步骤相同。

进一步的，所述试验车辆的车况数据和所述目标车辆的车况数据的处理步骤包括：对车况数据进行速度回填、利用箱线图进行离群值判定以及将车况数据中的异常值进行剔除得到有效数据；将所述有效数据进行等间隔取值生成等时间间隔的时序数据；将所述时序数据转化为时间窗内的状态变化特征数据；基于车辆的识别号码、时间信息以及位置信息对所述状态变化特征数据进行数据提取。

进一步的，所述目标预测模型通过如下操作训练：将所述训练集划分为正集或负集；所述正集中的数据为训练集数据中符合南向行驶疲困场景的数据，所述负集中的数据为训练集数据中不符合南向行驶疲困场景的数据；基于所述训练集、所述正集和所述负集构建特征集；基于所述特征集构建并训练预测模型，得到训练后的目标预测模型。

进一步的，所述基于所述特征集构建并训练预测模型，得到训练后的目标预测模型，包括：基于所述特征集和支持向量机算法构建预测模型；将所述特征集输入所述预测模型得到训练预测结果；基于所述训练预测结果对所述预测模型进行评估调优得到调优后的预测模型；继续将所述特征集输入所述调优后的预测模型进行预测，直到预测结果准确率达到预设指标，则将达到预设指标的预测模型确定为目标预测模型。

基于上述技术方案，所述驾驶场景判断装置还包括信息推送模块，用于若目标车辆的当前驾驶场景为南向疲困驾驶场景，则推送场景提示信息。

上述驾驶场景判断装置可执行本发明任意实施例所提供的驾驶场景判断方法，具备执行方法相应的功能模块和有益效果。

实施例三

图5为本发明实施例三所提供的一种驾驶场景判断设备的结构示意图。如图5所示，本发明实施例三所提供的驾驶场景判断设备包括：一个或多个处理器51和存储装置52；该驾驶场景判断设备中的处理器51可以是一个或多个，图5中以一个处理器51为例；存储装置52用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器51执行，使得所述一个或多个处理器51实现如本发明实施例中任一项所述的驾驶场景判断方法。

所述驾驶场景判断设备还可以包括：输入装置53和输出装置54。

驾驶场景判断设备中的处理器51、存储装置52、输入装置53和输出装置54可以通过总线或其他方式连接，图5中以通过总线连接为例。

该驾驶场景判断设备中的存储装置52作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例一所提供的驾驶场景判断方法对应的程序指令/模块(例如，附图4所示的驾驶场景判断装置中的模块，包括：构建模块410、生成模块420以及判断模块430)。处理器51通过运行存储在存储装置52中的软件程序、指令以及模块，从而执行驾驶场景判断设备的各种功能应用以及数据处理，即实现上述方法实施例中的驾驶场景判断方法。

存储装置52可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据驾驶场景判断设备的使用所创建的数据等。此外，存储装置52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置52可进一步包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置53可用于接收输入的数字或字符信息，以及产生与驾驶场景判断设备的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。

并且，当上述驾驶场景判断设备所包括一个或者多个程序被所述一个或者多个处理器51执行时，程序进行如下操作：

构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集；

将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型；

根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。

实施例四

本发明实施例四提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行驾驶场景判断方法，该方法包括：

构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集；

将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型；

根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。

可选的，该程序被处理器执行时还可以用于执行本发明任意实施例所提供的一种驾驶场景判断方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(Radio Frequency，RF)等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种驾驶场景判断方法，其特征在于，所述方法包括：

构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集；

将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型；

根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。

2.根据权利要求1所述的方法，其特征在于，所述目标车辆为符合提醒状态的车辆，所述提醒状态基于整车速度、用户操作以及行驶角度确定，所述行驶角度为行驶方向与正南方向的夹角。

3.根据权利要求1所述的方法，其特征在于，所述目标预测模型基于训练集训练后得到，所述训练集和所述测试集的构建过程包括：

根据历史车联网信号数据中的车辆识别号码、出行数据和疲劳驾驶数据确定出多个试验车辆，从所述历史车联网信号数据集中提取出所述各试验车辆的车况数据，所述历史车联网信号数据包括多个车辆的历史车联网信号数据；

将所述试验车辆的车况数据进行处理后得到训练集；

从目标车辆当前的车联网信号数据中提取出目标车辆的车况数据；

将所述目标车辆的车况数据进行处理后得到测试集；

其中，所述试验车辆的车况数据和所述目标车辆的车况数据的处理步骤相同。

4.根据权利要求3所述的方法，其特征在于，所述试验车辆的车况数据和所述目标车辆的车况数据的处理步骤包括：

对车况数据进行速度回填、利用箱线图进行离群值判定以及将车况数据中的异常值进行剔除得到有效数据；

将所述有效数据进行等间隔取值生成等时间间隔的时序数据；

将所述时序数据转化为时间窗内的状态变化特征数据；

基于车辆的识别号码、时间信息以及位置信息对所述状态变化特征数据进行数据提取。

5.根据权利要求1所述的方法，其特征在于，所述目标预测模型通过如下操作训练：

将所述训练集划分为正集或负集；所述正集中的数据为训练集数据中符合南向行驶疲困场景的数据，所述负集中的数据为训练集数据中不符合南向行驶疲困场景的数据；

基于所述训练集、所述正集和所述负集构建特征集；

基于所述特征集构建并训练预测模型，得到训练后的目标预测模型。

6.根据权利要求5所述的方法，其特征在于，所述基于所述特征集构建并训练预测模型，得到训练后的目标预测模型，包括：

基于所述特征集和支持向量机算法构建预测模型；

将所述特征集输入所述预测模型得到训练预测结果；

基于所述训练预测结果对所述预测模型进行评估调优得到调优后的预测模型；

继续将所述特征集输入所述调优后的预测模型进行预测，直到预测结果准确率达到预设指标，则将达到预设指标的预测模型确定为目标预测模型。

7.根据权利要求1所述的方法，其特征在于，在所述根据所述预测结果确定所述目标车辆的当前驾驶场景是否为预设驾驶场景之后，还包括：

若目标车辆的当前驾驶场景为南向疲困驾驶场景，则推送场景提示信息。

8.一种驾驶场景判断装置，其特征在于，所述装置包括：

构建模块，用于构建测试集，所述测试集为根据目标车辆当前的车联网信号数据确定的数据集；

生成模块，用于将所述测试集输入目标预测模型生成预测结果，所述目标预测模型为对驾驶场景进行分类的模型；

判断模块，用于根据所述预测结果判断所述目标车辆的当前驾驶场景是否为南向行驶疲困场景。

9.一种驾驶场景判断设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器用于执行权利要求1-7任一项所述的驾驶场景判断方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的驾驶场景判断方法。

Images