【技术实现步骤摘要】
一种疲劳驾驶预测模型的构建方法、装置及存储介质
本专利技术涉及汽车驾驶领域,特别是一种疲劳驾驶预测模型的构建方法、装置及存储介质。
技术介绍
从对各类交通事故数据的统计调查中发现,由于疲劳驾驶而造成的交通事故逐年增加。随着神经网络技术的发展和图像处理技术的发展,结合这两种技术实时对驾驶员的疲劳状态进行预测和监控,能有效预防疲劳驾驶。现有疲劳驾驶预测模型中存在两个技术难点亟需克服:(1)驾驶疲劳的特征与判别标准。由于疲劳的形成是一个随驾驶环境和时间延长而逐渐生成的过程,且在此过程中并非所有的特征均可引发交通事故。当可用的训练样本有限而特征维度过大时容易发生过拟合现象;当数据维数过大,必须采取措施来简化模型。若所有特征均用在疲劳驾驶预测中,容易导致疲劳驾驶预测模型的虚警率过高,给驾驶员造成过大的驾驶心理压力;(2)疲劳驾驶预测模型构建。分类模型的有效性受许多因素影响。例如,特征变量之间高度相关性、样本中有缺失值、过拟和导致模型泛化性能较差等问题。针对疲劳驾驶的特征信息具有模糊性和不确定性等问题,容易导致模型的鲁棒性降低。 ...
【技术保护点】
1.一种疲劳驾驶预测模型的构建方法,其特征在于,包括以下步骤:/n获取驾驶员的疲劳特征;/n建立基础疲劳驾驶预测模型;/n通过boruta特征选择算法从数据集中提取第一特征子集和通过特征递归消除算法从数据集中提取第二特征子集,根据分类性能从两者中选择其一作为最优特征子集,所述数据集由疲劳特征和疲劳标签组成;/n利用所述最优特征子集分别训练所述基础疲劳驾驶预测模型中的多个不同的基分类器,并将多个基分类器的输出用于训练次级分类器;/n验证优化采集函数的后验分布以确定所述基础疲劳驾驶预测模型中的最优参数值得到最终疲劳驾驶预测模型。/n
【技术特征摘要】
1.一种疲劳驾驶预测模型的构建方法,其特征在于,包括以下步骤:
获取驾驶员的疲劳特征;
建立基础疲劳驾驶预测模型;
通过boruta特征选择算法从数据集中提取第一特征子集和通过特征递归消除算法从数据集中提取第二特征子集,根据分类性能从两者中选择其一作为最优特征子集,所述数据集由疲劳特征和疲劳标签组成;
利用所述最优特征子集分别训练所述基础疲劳驾驶预测模型中的多个不同的基分类器,并将多个基分类器的输出用于训练次级分类器;
验证优化采集函数的后验分布以确定所述基础疲劳驾驶预测模型中的最优参数值得到最终疲劳驾驶预测模型。
2.根据权利要求1所述的一种疲劳驾驶预测模型的构建方法,其特征在于,还包括以下步骤:利用十折交叉验证法对所述最终疲劳驾驶预测模型进行评估。
3.根据权利要求1所述的一种疲劳驾驶预测模型的构建方法,其特征在于,所述疲劳特征包括生理特征和视觉特征;所述生理特征包括心率、血压和体温,所述视觉特征包括眼睑平均闭合速度、眨眼频率、哈欠次数、哈欠所占帧数比、点头次数和点头所占帧数比。
4.根据权利要求1所述的一种疲劳驾驶预测模型的构建方法,其特征在于,所述通过boruta特征选择算法从数据集中提取第一特征子集包括以下步骤:
将m行n列的数据集随机打乱顺序,再对每一列独立进行随机行变换,得到m行n列的阴影特征数据集;
将所述数据集和所述阴影特征数据集合并得到m行2n列的合并数据集;
计算所述数据集和所述阴影特征数据集的所有疲劳特征的Z_score;
将所述阴影特征数据集中最大的Z_score记为Zmax;
将所述数据集中大于Z_score的疲劳特征标记为“重要”,小于Z_score的疲劳特征标记为“不重要”,并删除;
删除所述阴影特征数据集;
重复上述步骤直至所述数据集的所有疲劳特征均被标记,将标记为“重要”的疲劳特征作为第一特征子集。
5.根据权利要求4所述的一种疲劳驾驶预测模型的构建方法,其特征在于,Z_score的计算方式如下:通过随机森林分类器对所述合并数据集计算每个疲劳特征相对离开所述合并数据集时的下降精度,根据下降精度评估每个疲劳特征的重要性。
6.根据权利要求5所述的一种疲劳驾驶预测模型的构建方...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。