一种基于机器学习的自动驾驶事故严重程度预测方法技术

本发明专利技术公开了一种基于机器学习的自动驾驶事故严重程度预测方法，包括如下步骤：(1)获取自动驾驶事故多源数据，对数据进行联合和预处理形成事故集D1；(2)对D1进行稀疏性分析和相关性检验，剔除冗余属性并保留与事故严重程度、事故类型相关性强的变量，建立事故集D2；(3)通过SMOTE算法对D2重采样，均衡事故严重程度、事故类型两种特征的类别比例；(4)导入XGBoost模型，将D2按比例划分为训练集和测试集，利用网格搜索原理调试XGBoost模型超参并得到相对优的超参组合；(5)利用步骤4相对优的超参组合建立基于XGBoost算法的自动驾驶事故严重程度预测模型，在步骤4得到的训练集上训练自动驾驶事故严重程度预测模型并在测试集上验证该模型预测性能。上验证该模型预测性能。上验证该模型预测性能。

【技术实现步骤摘要】
一种基于机器学习的自动驾驶事故严重程度预测方法


[0001]本专利技术属于事故致因分析领域，尤其涉及一种基于机器学习的自动驾驶事故严重程度预测方法。

技术介绍

[0002]自动驾驶技术的飞速发展为道路安全提供了新的改善途径，但在网联自动驾驶车辆在实际运用中也暴露出诸多问题。针对历年的事故数据进行事故严重程度和事故类别的预测，从历史数据以及实车实验中发掘有用信息，能够建立有效完备的自动驾驶事故预警以及事后紧急处理机制，对于改善自动驾驶车辆上路条件，提高自动驾驶交通安全，降低事故损失具有重要意义。但是目前有关自动驾驶事故的数据大都来自单一的事故报告，仅包含交通参与者、事故时间等信息，缺乏道路几何设计、交通设施等重要信息，需要从其他数据源补充扩充自动驾驶事故特征集。当前有关事故预测的研究大多针对传统交通事故，且不同严重程度的事故类别存在严重不平衡现象，严重事故记录往往占少。因此，需要解决原始事故数据中类别不平衡问题并将先进的机器学习方法引入自动驾驶事故领域，对事故严重程度进行预测。

技术实现思路

[0003]专利技术目的：本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的自动驾驶事故严重程度预测方法，其特征在于，包括如下步骤：步骤1、获取自动驾驶历年事故多源数据，对多源数据进行联合和预处理形成事故数据集D1；步骤2、对事故数据集D1进行稀疏性分析和相关性检验，剔除部分冗余属性并保留与事故严重程度、事故类型相关性强的变量，建立事故预测数据集D2；步骤3、通过SMOTE算法对自动驾驶事故重采样，均衡事故预测数据集D2中事故严重程度、事故类型两种特征的类别比例；步骤4、导入XGBoost模型，将事故预测数据集D2按比例划分为训练集和测试集，利用网格搜索原理调试XGBoost模型的超参数，得到相对优的模型超参组合；步骤5、利用步骤4的相对优的模型超参组合建立基于XGBoost算法的自动驾驶事故严重程度预测模型，在步骤4划分得到的训练集上训练自动驾驶事故严重程度预测模型并在测试集上验证该模型的预测性能，通过指标评估自动驾驶事故严重程度预测模型性能并分析预测结果。2.根据权利要求1所述的基于机器学习的自动驾驶事故严重程度预测方法，其特征在于，步骤1中，所述自动驾驶历年事故多源数据包括事故报告原始数据集和卫星地图地点数据集，预处理为对缺失值利用众数填充、对脏数据进行删除。3.根据权利要求1所述的基于机器学习的自动驾驶事故严重程度预测方法，其特征在于，步骤2中，通过Pearson相关系数初步筛选影响因素，保留与事故严重程度、事故类型相关性强的变量，公式为：式中，cov(X，Y)是特征X与特征Y的协方差，σ
X
和σ
Y
分别是特征X与特征Y的标准差，X
i
与Y
i
表示第i条事故数据中的X特征与Y特征，E(X)与E(Y)表示n条事故数据中所有X与Y特征的期望频数。4.根据权利要求1所述的基于机器学习的自动驾驶事故严重程度预测方法，其特征在于，步骤3中，通过SMOTE算法对自动驾驶事故重采样，平衡数据集，对于待扩充的数据集样本，先计算每个样...

【专利技术属性】
技术研发人员：郭延永，刘佩，刘攀，岳全胜，吴秀梅，陈晓薇，
申请(专利权)人：东南大学，
类型：发明
国别省市：