[发明专利]一种模型训练方法及相关设备

说明书

本申请公开了一种模型训练方法及相关设备，包括：获取多种驾驶行为信息，所述多种驾驶行为信息包括车辆跑偏信息、车速信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息中的至少一种；确定所述多种驾驶行为信息中每种驾驶行为信息在每种驾驶模式中的权重系数；根据所述权重系数，构造训练样本输入到待训练模型进行训练。采用本申请实施例，可以提高模型训练的灵活性和可信度。

技术领域

本申请涉及人工智能领域和机器学习领域，尤其涉及一种模型训练方法及相关设备。

背景技术

随着经济的发展，家用汽车的拥有量的持续正常。然而汽车拥有量的增加导致交通密度增大，与此同时非职业驾驶人员也急剧增加，导致交通事故发生量逐年上升。大量交通事故带来的财产损失和社会负担是难以用金钱衡量的，而根据国内外关于人、车、路所造成交通事故原因统计结果，人为因素约占92％。因此，为了保障交通安全，对驾驶员的驾驶模式(如加速驾驶、疲劳驾驶)进行预测和监控对于预防由人的因素造成交通事故的发生是十分重要的。目前，基于人工智能实现的驾驶模式的识别方法，通常需要实时获取训练样本对人工智能模型(如神经网络)进行训练来得到相应的驾驶模式模型。这种模型训练方式的灵活性差，而且目前针对多种驾驶模式的评估指标缺乏理论基础，导致训练得到的模型的可信度低。

发明内容

本申请实施例提供了一种模型训练方法及相关设备。可以提高模型训练的灵活性和可信度。

本申请实施例第一方面公开了一种模型训练方法，包括：

获取多种驾驶行为信息，所述多种驾驶行为信息包括车辆跑偏信息、车速信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息中的至少一种；

确定所述多种驾驶行为信息中每种驾驶行为信息在每种驾驶模式中的权重系数；

根据所述权重系数，构造训练样本输入到待训练模型进行训练。

其中，所述获取多种驾驶行为信息包括：

统计每种驾驶行为在多种驾驶模式中的执行概率；

根据所述执行概率，获取所述多种驾驶行为信息。

其中，所述根据所述权重系数，构造训练样本输入到待训练模型进行训练包括：

根据所述权重系数，确定所述多种驾驶行为信息所属的驾驶模式；

将所述多种驾驶行为信息和所述驾驶模式输入到所述待训练模型进行训练得到驾驶模式识别模型，所述驾驶模式识别模型用于识别多种驾驶模式。

其中，所述确定所述多种驾驶行为信息中每种驾驶行为信息在每种驾驶模式中的权重系数包括：

确定所述每种驾驶行为信息在所述每种驾驶模式中的重要等级；

将所述多种驾驶行为信息中每两种驾驶行为信息的所述重要等级进行比较；

根据所述重要等级的比较结果，确定所述权重系数。

其中，所述根据所述重要等级的比较结果，确定所述权重系数包括：

根据所述比较结果，生成判断矩阵，所述判断矩阵中的每个元素为所述每两种驾驶行为信息的所述比较结果对应的比例标度；

根据所述判断矩阵，确定所述权重系数。

其中，所述根据所述判断矩阵，确定所述权重系数包括：

确定所述判断矩阵的特征向量；

对所述特征向量进行归一化处理得到识别向量；

将所述识别向量中的元素作为所述权重系数。

其中，所述确定所述判断矩阵的特征向量包括：