[发明专利]一种基于BP神经网络的驾驶行为评分方法

说明书

本发明公开了一种基于BP神经网络的驾驶行为评分方法，包括下述步骤：(1)收集驾驶行为数据，确定驾驶行为指标体系；(2)构建BP神经网络拓扑模型；(3)将收集到的驾驶行为数据样本进行数据归一化处理；(4)用已构建的BP神经网络拓扑模型进行训练学习；(5)根据评分体系公式计算驾驶员行为评分。本发明的基于BP神经网络的驾驶行为评分方法，解决了传统评分方法存在的准确率不足和评价片面的技术问题，实现了通过建立BP神经网络，能够全面、客观、科学和规范地对驾驶员的驾驶行为做出评价。

技术领域

本发明涉及驾驶行为数据分析的研究领域，具体是一种基于BP神经网络的驾驶行为评分方法。

背景技术

随着我国经济的高速发展和人民生活水平的不断提高，车辆的保有量呈现井喷般的速度不断增长，与此同时，交通事故，尤其是恶性交通事故也呈现不断上升的趋势，虽然国家也出台和规范了相关交通法规，从一定程度上对交通事故和经济损失有所降低，但对于驾驶安全方面仍然缺乏行之有效的、科学化、体系化的技术手段和社会共识。

驾驶员作为道路交通的决策和实施主体，其不良驾驶行为具有一定的顽固性和潜在性，往往是不良的习惯逐步形成自然的违规。生活中，我们往往无法客观评价自己的驾驶行为，容易发生超速行驶、弯道超车、见车就超、不鸣笛、越线占道行驶、逆向行驶、疲劳驾驶等情况。据官方统计，不良驾驶行为导致的交通事故死亡人数占86.5％，所以客观了解自己的驾驶行为对于安全行车至关重要。要想客观了解自己的驾驶行为，最简单的方式莫过于利用一种可靠的驾驶行为分析模型。

现有的用户驾驶行为评分方法使用逻辑回归模型或智能手机收集数据，判断司机用户在驾驶过程中的驾驶行为，其具有两方面的局限性：1.数据不够全面，未能考虑到天气环境，路况以及驾驶时间段等外在信息，致使驾驶行为数据维度略显不足；2.通过逻辑回归模型分析驾驶行为数据，其中的权重比人为性干扰较大，不足以正确判断驾驶行为的准确性。

发明内容

本发明的主要目的在于弥补现有驾驶评分模型的不足，更加全面的收集数据，克服数据维度的不足，并尽力减少人为性质的干扰数据，提供一种基于深度学习的驾驶评分模型，通过建立BP神经网络的驾驶行为评分的预测模型，对输入的实时驾驶行为数据都能够的出客观的行为评分。

为实现上述目的，本发明提供如下技术方案：

一种基于BP神经网络的驾驶行为评分方法，包括以下步骤：

(1)收集驾驶行为数据，确定驾驶行为指标体系；

(2)构建BP神经网络拓扑模型；

(3)将收集到的驾驶行为数据样本进行数据归一化处理；

(4)用已构建的BP神经网络拓扑模型进行训练学习；

(5)根据评分体系公式计算驾驶员行为评分。

作为本发明进一步的方案：步骤(1)中所述的驾驶行为包括：车道偏离、前车碰撞、车距保持、急加速、急减速、急转弯和超速；步骤(1)利用车载ADAS系统进行数据的收集，驾驶行为数据由车载系统ADAS摄像头采集到的路况信息、由路况信息计算出的车道偏离次数、前车碰撞次数、车距保持距离低于设定阈值的次数，以及传感器采集到的急加速次数、急减速次数、急转弯次数、超速次数，及可由地图API得到的天气信息、时间、驾驶持续时间、地理位置信息构成。

3.根据权利要求1所述的基于BP神经网络的驾驶行为评分方法，其特征在于，步骤(2)中所述BP神经网络模型为4层的前馈神经网络，隐藏层节点数分别为8个、6个，输出层节点表示驾驶行为发生事故的概率，采用1个节点；BP网络的隐含层和输出层中的神经元的特性函数均采用对sigmoid型变换函数求导数，其表达式为：f＝1/(1+e^-x)。

作为本发明进一步的方案：步骤(3)采用最值法对数据进行归一化处理，具体公式如下：