自动驾驶事故分类及严重程度预测的方法技术

本发明专利技术公开了一种自动驾驶事故分类及严重程度预测的方法，包括如下步骤：获取自动驾驶历年事故，建立自动驾驶事故挖掘与分析数据集；通过显著性检验找出导致自动驾驶事故的主要影响因素，标注每条事故数据的簇类；建立神经网络模型利用卷积神经网络预测自动驾驶事故严重程度；向神经网络输入自动驾驶事故数据集，输出预测的事故分类标签，计算与事故严重程度的匹配率，分析自动驾驶事故发生模式。本发明专利技术可以提取影响自动驾驶碰撞事故发生率和严重程度的主要特征，利用神经网络模型可以对海量的事故数据进行准确的事故严重程度预测，有助于交通机构针对不同事故模式制定有针对性的工程对策，提高自动驾驶车辆在实际应用的安全水平。安全水平。安全水平。

【技术实现步骤摘要】
自动驾驶事故分类及严重程度预测的方法


[0001]本专利技术属于事故致因分析
，更具体地说，涉及一种自动驾驶事故分类及严重程度预测的方法。

技术介绍

[0002]随着智能车和网联技术的发展，不同级别的自动驾驶车辆逐渐在实际运用中暴露出诸多问题。除道路、环境、车辆等因素会影响自动驾驶行驶安全，其自身的运动行为以及与周围车辆的交互也会对事故后果产生影响。利用先进的技术与方法对涉及自动驾驶车辆的交通事故进行挖掘分析已是迫在眉睫的问题，多个国家及地区已建立自动驾驶事故数据库，包含车辆制造商、事故地点、时间环境等细节内容。近年来，机器学习、深度学习等人工智能飞速发展也为自动驾驶事故数据分析提供了高效途径。目前常用的预测技术包括XGBOOST、CATBOOST、SVM等，它们在实际运用中对于海量数据的学习仍然存在问题。

技术实现思路

[0003]本专利技术利用卷积神经网络对自动驾驶事故进行分类及发生模式预测。
[0004]为了解决上述技术问题至少之一，根据本专利技术的一方面，提供了一种自动驾驶事故分类及严重程度预测的方法，包括如下步骤：
[0005]S1、获取自动驾驶历年事故，对多源数据联合进行预处理和特征工程编码，建立自动驾驶事故挖掘与分析数据集D。自动驾驶事故相关数据采集，包括事故报告原始数据集D1及卫星地图地点数据集D2。对多源数据D1、D2利用事故地点进行联合和预处理，对缺失值利用众数填充、对脏数据进行删除、将文本编码为无序数组的分类变量，建立事故挖掘与分析数据集D。
[0006]S2、通过显著性检验找出导致自动驾驶事故的主要影响因素，通过Pearson相关系数选择与严重程度相关性强的事故特征。采取卡方检验公式(式1)对事故数据集无序分类变量进行显著性检验，初步筛选事故影响因素。采取式2计算皮尔逊相关系数，剔除与事故严重程度相关程度不高的变量，并将数据集划分为训练集和测试集。
[0007][0008]其中，其中A
i
为i特征的频数，E
i
为特征i的期望频数，n为总频数。利用χ2值判断变量显著性，删除不显著变量。
[0009][0010]S3、结合主成分分析和K均值聚类对自动驾驶事故特征集进行聚类，标注每条事故数据的簇类。先采用主成分分析对原始数据进行降维，寻找k个向量投影原始数据，使投影
误差最小(式3)，再将主成分作为特征因子进行聚类，计算每个样本与各聚类中心间的欧几里得距离，把每个样本分配给距离它最近的聚类中心，直到满足簇内误差平方和SSE收敛至局部最小作为终止条件(式4)。
[0011][0012]其中，M是特征个数，分子表示原始点与投影点之间的距离之和，误差越小
[0013][0014]其中，K是聚类中心数，C
i
是第i个聚类中心；μ
i
是聚类中心C
i
均值向量。
[0015]S4、建立神经网络模型利用卷积神经网络预测自动驾驶事故模式，得到所预测特征的预测值与聚类分析标签之间的准确率，衡量网络的预测性能。CNN卷积神经网络采用的是一维卷积及一维池化层，一维卷积是在长度或者宽度方向上进行滑动窗口并相乘求和，激活函数为ReLU，卷积操作过程如式5：
[0016][0017]其中，y
l
是数据通过第l层卷积层后的输出，g()是神经网络模型设置的激活函数，是第l层第m数组卷积区域数据输入，是第l层第m数组卷积区域权重，是第l层偏置，*代表卷积运算。
[0018]池化操作不需要进行参数训练，制定池化类型、池化核尺寸及移动步长，操作如式6：
[0019][0020]其中，是第l层第m个数组池化输出，是第l层第m个数组第p个数值，h()是神经网络模型设置的池化函数。
[0021]S5、向神经网络输入自动驾驶事故测试数据集，输出预测的事故模式标签，计算与事故严重程度的匹配率，分析自动驾驶事故发生模式，可对实时采集到的相关交通信息判断事故的严重程度并采取相应管控措施，提高自动驾驶安全。
[0022]根据本专利技术的另一方面，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本专利技术的自动驾驶事故分类及严重程度预测的方法中的步骤。
[0023]根据本专利技术的又一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本专利技术的自动驾驶事故分类及严重程度预测的方法中的步骤。
[0024]相比于现有技术，本专利技术至少具有如下有益效果：
[0025]本专利技术通过采集自动驾驶事故数据建立高维事故特征数据集，利用显著性检验、相关性计算等方法筛选变量后引入主成分分析和K均值聚类对自动驾驶事故数据特征进行聚类，形成对应不同严重程度的事故发生模式标签。利用卷积神经网络基于事故特征预测
严重程度，并与聚类形成的标签进行比较评估模型预测准确性，计算与事故严重程度的匹配率，进而实现自动驾驶事故发生模式分类及严重程度预测，针对性地采取安全措施改善自动驾驶安全。
附图说明
[0026]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本专利技术的一些实施例，而非对本专利技术的限制。
[0027]图1为本专利技术的自动驾驶事故分类及严重程度预测的方法流程图。
具体实施方式
[0028]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例的附图，对本专利技术实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。
[0029]除非另作定义，此处使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。
[0030]实施例1：
[0031]一种基于卷积神经网络对自动驾驶事故进行分类及严重程度预测的方法，如图1所示，包括以下步骤：
[0032]步骤1、自动驾驶事故相关数据采集，包括事故报告原始数据及卫星地图地点数据收集。在网络上搜索美国加州机动车管理局公开的网联自动驾驶事故数据集D1，通过2015年1月到2022年9月的479条详细事故报告，对车辆运动行为、车辆类型、事故类型、事故发生时间等直接因素进行数据采集；利用事故地点在Google Map上匹配经纬度，采集道路类型、几何设计因素、交通设施等数据D2。对多源数据D1、D2利用事故ID进行联合和预处理，建立事故挖掘与分析数据集D。根据事故地点索引按行合并原始数据集和地点数据集形成包含道路、车辆、环境等多因素事故集合。对事故数据集进行预处理，对缺失值利用众数填充、对脏数据进行删除、将不同变量下的属性值编码为无序数组的分类变量(表1)。
[0033]表1事故挖掘与分析数据集D
[0034][0035][0036]步骤2、通过显著性检验找出导致自动驾驶事故的主要影响因素，通过Pearson相关系数选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶事故分类及严重程度预测的方法，其特征在于，包括如下步骤：S1、获取自动驾驶历年事故，对多源数据联合进行预处理和特征工程编码，建立自动驾驶事故挖掘与分析数据集；S2、通过显著性检验找出导致自动驾驶事故的主要影响因素，通过Pearson相关系数选择与严重程度相关性强的事故特征；S3、结合主成分分析和K均值聚类对自动驾驶事故特征集进行聚类，标注每条事故数据的簇类；S4、建立神经网络模型利用卷积神经网络预测自动驾驶事故模式，得到所预测特征的预测值与聚类分析标签之间的准确率，衡量网络的预测性能；S5、向神经网络输入自动驾驶事故测试数据集，输出预测的事故模式标签，计算与事故严重程度的匹配率，分析自动驾驶事故发生模式，对实时采集到的相关交通信息判断事故的严重程度并采取相应管控措施。2.根据权利要求1所述的方法，其特征在于，步骤S1具体如下：自动驾驶事故相关数据采集，包括事故报告原始数据集D1及卫星地图地点数据集D2；对多源数据D1、D2利用事故地点进行联合和预处理，对缺失值利用众数填充、对脏数据进行删除、将文本编码为无序数组的分类变量，建立事故挖掘与分析数据集D。3.根据权利要求1所述的方法，其特征在于，步骤S2具体如下：采取卡方检验公式1：对事故数据集无序分类变量进行显著性检验，初步筛选事故影响因素；采取公式2计算皮尔逊相关系数，剔除与事故严重程度相关程度不高的变量，并将数据集划分为训练集和测试集；其中，其中A
i
为i特征的频数，E
i
为特征i的期望频数，n为总频数；利用χ2值判断变量显著性，删除不显著变量。4.根据权利要求1所述的方法，其特征在于，步鄹S3具体为：先采用主...

【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：