基于Encoder-Decoder注意力网络与LSTM的异常驾驶行为在线识别方法技术

本发明专利技术公开了一种基于Encoder

【技术实现步骤摘要】
基于Encoder
‑
Decoder注意力网络与LSTM的异常驾驶行为在线识别方法


[0001]本专利技术属于驾驶行为识别技术，具体为一种基于Encoder
‑
Decoder注意力网络与LSTM的异常驾驶行为在线识别方法。

技术介绍

[0002]随着社会经济的发展，机动车保有量飞速增长。车辆在给人们带来便利的同时，也带来了严重的交通安全隐患。国家统计局数据显示，我国2019年共发生交通事故247646起，导致62763人死亡，256101人受伤，造成直接财产损失就高达134618万元，而超过90％的交通事故与驾驶员的驾驶行为有关，其主要原因多为急加减速等不恰当的驾驶行为。因此，对异常驾驶行为进行在线分析与识别是预防交通事故、减少人员伤亡、提升交通安全的重要途径。
[0003]目前的驾驶行为研究大致可以分为两类：基于分析的方法与数据驱动的方法。基于分析的方法通常以驾驶员心理与生理信号为基础。然而，心理与生理信号的采集要求驾驶员在驾驶过程中佩戴大量的传感设备，是一种不友好的接触式数据采集方式，存在很强的侵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Encoder
‑
Decoder注意力网络与LSTM的异常驾驶行为在线识别方法，其特征在于，具体步骤为：步骤1、获取手机传感器数据，并进行预处理与正态分布变换，得到驾驶行为时间序列数据；步骤2、构建Encoder
‑
Decoder注意力网络与LSTM融合模型并对其进行训练；步骤3、利用训练好的模型进行异常驾驶行为识别。2.根据权利要求1所述的基于Encoder
‑
Decoder注意力网络与LSTM的异常驾驶行为在线识别方法，其特征在于，对手机传感器数据进行预处理与正态分布变换的具体步骤为：步骤1.1：缺失数据处理：查找缺失数据记录，确定数据缺失性质，对确实数据进行补全、剔除等处理；步骤1.2：数据归一化：采用最大最小值归一化方法对各个特征维度上的数据进行归一化，计算方法如下：其中，value
i
为第i个值，value
max
为当前列最大值，value
min
为当前列最小值，S为标准化后的值；步骤1.3：非平衡数据处理：采用重采样的方法对正常驾驶数据进行下采样，对异常驾驶数据进行上采样；步骤1.4：特征分布正态化变换：确定数据样本具有正态分布的特点，如果不具有，则利用映射关系对其进行转化使其具有正态分布的特点。3.根据权利要求1所述的基于Encoder
‑
Decoder注意力网络与LSTM的异常驾驶行为在线识别方法，其特征在于，所述Encoder
‑
Decoder注意力网络与LSTM融合模型包括编码器模块、注意力学习模块、解码器模块、序列重构模块、重构误差模块以及SVM分类器模块。4.根据权利要求1～3任一所述的基于Encoder
‑
Decoder注意力网络与LSTM的异常驾驶行为在线识别方法，其特征在于，利用Encoder
‑
Decoder注意力网络与LSTM融合模型进行异常驾驶行为识别的具体步骤为：步骤4.1：将时间序列数据输入编码器，编码器计算各时刻隐含层状态；步骤4.2：注意力学习模块根据注意力权重对编码器中的所有隐含层状态进行加权求和，得到t时刻的语义向量；步骤4.3：将t时刻的语义向量与解码器原隐含层状态拼接在一起，得到解码器新的隐含层状态；步骤4.4：利用融合注意...

【专利技术属性】
技术研发人员：唐坤，杨力，戴语琴，郭唐仪，徐永能，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：