[发明专利]一种基于多源数据的危险驾驶行为预测方法

说明书

本发明公开了一种基于多源数据的危险驾驶行为预测方法，包括：采集在自然驾驶环境下的车辆运动数据和车辆视频数据；选取急加速、急减速以及急转弯为标定对象，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；将异常驾驶样本分成三类，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；通过改变最佳预测模型的输入特征集和时间窗，找出预测危险驾驶行为的最佳特征集和最佳时间窗。本发明将车辆视频数据用于驾驶行为的预测，在融合车辆运动数据和面部表情数据后，模型预测的准确率得到较大的提升。

技术领域

本发明涉及驾驶风险领域，特别涉及一种基于多源数据的危险驾驶行为预测方法。

背景技术

随着人口及机动车保有量的飞速增加，道路交通安全问题愈发凸显，道路交通伤害成为伤亡的重要原因。驾驶过程中出现的异常驾驶行为与交通事故密切相关，因此为提高道路交通安全性，减少道路交通事故发生，针对驾驶人驾驶行为的研究是非常必要的。对驾驶人行为的识别和预测是驾驶人安全系统中迫切需要的模块，通过适当的警告反馈，可以预防驾驶人潜在的不安全驾驶行为，减少交通事故出现。

现阶段对于驾驶行为的研究已经取得了丰富的成果，但仍然存在以下不足：现有研究大多集中在针对驾驶行为识别和分类上，对于驾驶行为的预测研究较少；在针对数据集的选取上，采用的数据集仅限于客观的车辆运动数据，数据比较单一，导致预测的准确率较低。

发明内容

发明目的：针对以上问题，本发明目的是提供一种基于多源数据的危险驾驶行为预测方法，综合考虑现实因素，给出道路环境中使用的危险驾驶行为预测方案。

技术方案：本发明的一种基于多源数据的危险驾驶行为预测方法，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。

进一步，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。

进一步，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。

进一步，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)