[发明专利]一种基于多源数据的危险驾驶行为预测方法

权利要求书

1.基于多源数据的危险驾驶行为预测方法，其特征在于，该预测方法包括以下步骤：

S10，采集在自然驾驶环境下的车辆运动数据和车辆视频数据，对数据进行预处理，保留有效数据；

S20，根据获得的车辆速度和横向加速度变化关系，选取急加速、急减速以及急转弯为标定对象，将加速度和速度数据结合，使用横向加速度阈值标定急转弯，使用纵向加速度阈值标定急加速和急减速，区分出正常驾驶样本和异常驾驶样本；

S30，将异常驾驶样本分成三类，分别为车辆运动数据、情绪数据以及微表情数据，通过对三类数据不同的搭配组合将异常驾驶样本划分为不同的特征集，利用不同的模型在每个特征集上进行建模，选取综合预测能力最好的模型作为最佳预测模型；

S40，通过改变最佳预测模型的输入特征集和时间窗，分析各特征集的预测能力随时间窗变化规律，找出预测危险驾驶行为的最佳特征集和最佳时间窗。

2.根据权利要求1所述的危险驾驶行为预测方法，其特征在于，步骤S10中，对数据进行预处理包括：

S101，按照时间戳将面部表情数据和车辆运动数据进行拼接，面部表情数据来源车辆视频数据；

S102，通过临近值填补及直接删除的方法清除拼接后数据集中的无效数据；

S103，采用SG滤波方法对有效数据进行平滑处理，利用Z-score法对平滑处理后的数据进行数据标准化处理。

3.根据权利要求2所述的危险驾驶行为预测方法，其特征在于，步骤S30中，所述特征集包括：情绪数据集、微表情数据集、车辆运动数据集、情绪数据集+微表情数据集、车辆运动数据集+情绪数据集、车辆运动数据集+微表情数据集、车辆运动数据集+情绪数据集+微表情数据集。

4.根据权利要求2所述的危险驾驶行为预测方法，其特征在于，步骤S30中，所述模型包括决策树模型、随机森林模型、梯度提升树模型、支持向量机模型以及朴素贝叶斯模型；

最佳预测模型的评价标准用参数F1表示，表达式为：

F1＝(2*Precision*Recall)/(Precision+Recall)

其中Precision表示准确率，Recall表示召回率。

5.根据权利要求4所述的危险驾驶行为预测方法，其特征在于，步骤S30中，利用不同的模型在每个特征集上进行建模包括：

S301，利用SMOTE算法均衡训练集的正负样本数量，生成新的异常驾驶样本，使训练集正负样本比例为1：1；

S302，每个模型在训练之前，使用贝叶斯优化算法调节模型超参数，在搜索过程中，使用5折交叉验证对模型的表现进行评估；

S303，通过超参数的调整和交叉验证，结合不同的特征集进行建模，利用F1值比较不同模型预测性能。

6.根据权利要求1所述的危险驾驶行为预测方法，其特征在于，步骤S40中，改变时间窗包括：

将时间窗进行更细致的切分，将时间窗起点从驾驶行为发生时刻向前滑动，滑动步长为Δt，每个起点使用多种时间窗长度利用最优预测模型进行建模，使用网格搜索策略，根据危险驾驶行为模型的F1值确定最佳预测效果的时间窗和特征集组合。