基于自动机器学习的疲劳驾驶预测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了基于自动机器学习的疲劳驾驶预测方法、装置及存储介质，其中方法包括：获取多种特征信息并建立综合数据集；利用元学习器从模型库得到多个初始模型；通过管道方法对多个初始模型循环训练以得到最佳预测模型：筛选综合数据集和特征信息筛选；通过贝叶斯优化方法调参；通过逐步迭代方法集成最佳预测模型；输入待测数据集至最佳预测模型进行疲劳驾驶预测。使用管道方法端到端进行数据预处理、特征工程、模型选择等流程，使得预测模型无需人工干预即可被应用。在疲劳驾驶预测中整合了自动机器学习，在保证了高精度的同时可以最小化时间及人力成本。

Fatigue driving prediction method, device and storage medium based on automatic machine learning

【技术实现步骤摘要】
基于自动机器学习的疲劳驾驶预测方法、装置及存储介质
本专利技术涉及汽车驾驶领域，特别是基于自动机器学习的疲劳驾驶预测方法、装置及存储介质。
技术介绍
疲劳驾驶容易导致驾驶安全隐患。为了加强汽车安全，各汽车生产商均致力于对疲劳驾驶预测进行研究。现阶段自动机器学习快速发展，为了提高疲劳驾驶预测的准确性，将自动机器学习应用到疲劳驾驶预测领域是一个值得研究的课题。
技术实现思路
本专利技术的目的在于至少解决现有技术中存在的技术问题之一，提供基于自动机器学习的疲劳驾驶预测方法、装置及存储介质。本专利技术解决其问题所采用的技术方案是：本专利技术的第一方面，基于自动机器学习的疲劳驾驶预测方法，包括以下步骤：获取与疲劳驾驶相关的多种特征，并结合多种特征建立综合数据集；输入综合数据集利用元学习器提取元特征并得到多个包含超参数的初始模型；通过管道方法对多个初始模型迭代训练以得到最佳预测模型，具体，具体包括以下步骤：对综合数据集预处理；结合特征重要性对预处理后的综合数据集进行特征筛选；通过贝叶斯优化方法分别对多个初始模型优化超参数得到多个最佳性能的初始模型；通过叠加组合方法将多个最佳性能的初始模型集成为最佳预测模型；输入待测数据集至最佳预测模型进行疲劳驾驶预测。根据本专利技术的第一方面，所述输入综合数据集利用元学习器提取元特征并得到多个包含超参数的初始模型包括以下步骤：提取多个综合数据集的元特征；计算综合数据集与其他参照数据集在元特征组成的空间上的空间距离；根据空间距离得到多个包含超参数的初始模型。根据本专利技术的第一方面，所述对综合数据集预处理包括数据采样、数据清洗、数据转换、数据标度和数据转换中的一种或多种。根据本专利技术的第一方面，所述结合特征重要性对预处理后的综合数据集进行特征筛选具体为：计算综合数据集的每种特征在随机森林的平均贡献度作为特征重要性；筛选特征重要性大于1％的特征。根据本专利技术的第一方面，所述平均贡献度计算方式如下：其中，分子为第j个特征信息的基尼指数；分母为所有特征信息的增益之和。根据本专利技术的第一方面，所述通过贝叶斯优化方法分别对多个初始模型优化超参数得到多个最佳性能的初始模型包括以下步骤：判断机器学习框架是否初始化，若是则采用上一轮选出的最大采样函数值的对应点的集合作为下一步的输入，若否则随机产生初始化点集作为下一步的输入；进行GP高斯过程回归；通过采样函数计算最大采集函数值的对应点；判断最大采样函数值的对应点是否满足设定目标值，若是则输出作为机器学习框架的参数，若否则返回进行GP高斯过程回归循环。根据本专利技术的第一方面，所述采样函数为：其中y*为初始模型的阈值，x为预设参数集合，y为初始模型的实际值。本专利技术的第二方面，基于自动机器学习的疲劳驾驶预测装置，用于执行如本专利技术第一方面所述的基于自动机器学习的疲劳驾驶预测方法，所述疲劳驾驶预测装置包括：数据集建立模块，用于获取与疲劳驾驶相关的多种特征，并结合多种特征建立综合数据集；元学习模块，用于输入综合数据集利用元学习器提取元特征并得到多个包含超参数的初始模型；训练模块，用于通过管道方法对多个初始模型迭代训练以得到最佳预测模型，所述训练模块包括：第一筛选模块，用于对综合数据集进行预处理；第二筛选模块，用于结合特征重要性对预处理后的综合数据集进行特征筛选；调参模块，用于通过贝叶斯优化方法分别对多个初始模型优化超参数得到多个最佳性能的初始模型；集成模块，用于通过叠加组合方法将多个最佳性能的初始模型集成为最佳预测模型；测试模块，用于输入待测数据集至最佳预测模型进行疲劳驾驶预测。本专利技术的第三方面，存储介质，存储有可执行指令，可执行指令能被计算机执行，使计算机运行如本专利技术的第一方面所述的基于自动机器学习的疲劳驾驶预测方法。上述技术方案至少具有以下的有益效果：通过元学习器从模型库中筛选得到多个包含超参数的初始模型，再经过不断的重复训练调整得到针对疲劳驾驶数据的多个初始模型的最佳状态，最后将多个最佳性能的初始模型集成为最佳预测模型，使该最佳预测模型能实现对疲劳驾驶数据分类预测出最优结果。使用管道方法端到端进行数据预处理、特征工程、模型选择和模型评估等机器学习流程来解决特定任务，使得预测模型无需人工干预即可被应用。在疲劳驾驶预测中整合了自动机器学习，在保证了高精度的同时可以最小化时间及人力成本。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明下面结合附图和实例对本专利技术作进一步说明。图1是本专利技术实施例基于自动机器学习的疲劳驾驶预测方法的流程图；图2是步骤S330的具体流程图；图3是本专利技术实施例基于自动机器学习的疲劳驾驶预测装置的结构图。具体实施方式本部分将详细描述本专利技术的具体实施例，本专利技术之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本专利技术的每个技术特征和整体技术方案，但其不能理解为对本专利技术保护范围的限制。在本专利技术的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。本专利技术的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属
技术人员可以结合技术方案的具体内容合理确定上述词语在本专利技术中的具体含义。参照图1，本专利技术的一个实施例，提供了基于自动机器学习的疲劳驾驶预测方法，包括以下步骤：步骤S100、获取与疲劳驾驶相关的多种特征，并结合多种特征建立综合数据集；步骤S200、输入综合数据集利用元学习器提取元特征并得到多个包含超参数的初始模型；步骤S300、通过管道方法对多个拟合的机器学习框架迭代训练以得到最佳预测模型，具体包括以下步骤：步骤S310、对综合数据集预处理；步骤S320、结合特征重要性对预处理后的综合数据集进行特征筛选；步骤S330、通过贝叶斯优化方法分别对多个初始模型优化超参数得到多个最佳性能的初始模型；步骤S340、通过叠加组合方法将多个最佳性能的初始模型集成为最佳预测模型；步骤S400、输入待测数据集至最佳预测模型进行疲劳驾驶预测。在该实施例中，通过元学习器从框架库中筛选得到多个包含超参数的初始模型，再经过不断的重复训练调整得到针对疲劳驾驶数据的多个初始模型的最佳状态，即为多个最佳性能的初始模型，最后将多个最佳性能的初始模型集成为最佳预测模型，使该最佳预测模型能实现对疲劳驾驶数据分类预测出最优本文档来自技高网...

【技术保护点】
1.基于自动机器学习的疲劳驾驶预测方法，其特征在于，包括以下步骤：/n获取与疲劳驾驶相关的多种特征，并结合多种特征建立综合数据集；/n输入综合数据集利用元学习器提取元特征并得到多个包含超参数的初始模型；/n通过管道方法对多个初始模型迭代训练以得到最佳预测模型，具体包括以下步骤：/n对综合数据集预处理；/n结合特征重要性对预处理后的综合数据集进行特征筛选；/n通过贝叶斯优化方法分别对多个初始模型优化超参数得到多个最佳性能的初始模型；/n通过叠加组合方法将多个最佳性能的初始模型集成为最佳预测模型；输入待测数据集至最佳预测模型进行疲劳驾驶预测。/n

【技术特征摘要】
1.基于自动机器学习的疲劳驾驶预测方法，其特征在于，包括以下步骤：
获取与疲劳驾驶相关的多种特征，并结合多种特征建立综合数据集；
输入综合数据集利用元学习器提取元特征并得到多个包含超参数的初始模型；
通过管道方法对多个初始模型迭代训练以得到最佳预测模型，具体包括以下步骤：
对综合数据集预处理；
结合特征重要性对预处理后的综合数据集进行特征筛选；
通过贝叶斯优化方法分别对多个初始模型优化超参数得到多个最佳性能的初始模型；
通过叠加组合方法将多个最佳性能的初始模型集成为最佳预测模型；输入待测数据集至最佳预测模型进行疲劳驾驶预测。


2.根据权利要求1所述的基于自动机器学习的疲劳驾驶预测方法，其特征在于，所述输入综合数据集利用元学习器提取元特征并得到多个包含超参数的初始模型包括以下步骤：
提取综合数据集的元特征；
计算综合数据集与其他参照数据集在元特征组成的空间上的空间距离；
根据空间距离得到多个包含超参数的初始模型。


3.根据权利要求1所述的基于自动机器学习的疲劳驾驶预测方法，其特征在于，所述对综合数据集预处理包括数据采样、数据清洗、数据转换、数据标度和数据转换中的一种或多种。


4.根据权利要求1所述的基于自动机器学习的疲劳驾驶预测方法，其特征在于，所述结合特征重要性对预处理后的综合数据集进行特征筛选具体为：
计算综合数据集的每种特征在随机森林的平均贡献度作为特征重要性；
筛选特征重要性大于1％的特征。


5.根据权利要求4所述的基于自动机器学习的疲劳驾驶预测方法，其特征在于，所述平均贡献度计算方式如下：其中，分子为第j个特征的基尼指数；分母为所有特征的增益之和。


6.根据权利要求1所述的基于自动机器学习的疲劳驾驶预测...

【专利技术属性】
技术研发人员：吴承鑫，余义斌，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东;44