本發明專利技術涉及駕駛行為分析技術領域，本發明專利技術公開了基于深度學習的駕駛人個性化風險評價方法、電子設備和存儲介質，包括：基于M個車輛的行駛特征集合，獲取交通流的穩態數據；提取第i個車輛的行駛特征集合，并將交通流的穩態數據和自車狀態數據進行差異化比較，以獲取第i個車輛的差異化數據，根據差異化數據計算第i個車輛的駕駛風險系數；將第i個車輛的駕駛風險系數輸入預先訓練好用于駕駛風格類型檢測的深度學習模型中，識別出第i個車輛的駕駛風格類型；重復上述過程，得到所有車輛的不同駕駛風格類型；根據不同駕駛風格類型的車輛數量分布生成行駛策略，并將行駛策略分別發送至對應的車輛；本發明專利技術能提高高流量交通路段的交通流暢性。
【技術實現步驟摘要】
本專利技術涉及駕駛行為分析，更具體地說，本專利技術涉及基于深度學習的駕駛人個性化風險評價方法。
技術介紹
1、隨著城市化進程的加速以及汽車保有量的不斷增加，城市交通流量顯著增長；在密集的交通流場景中，不同駕駛員的駕駛行為存在顯著差異，這些差異化的駕駛行為是導致交通事故的主要原因之一；例如，在高峰時段的高流量路段，一些駕駛員可能會選擇激進的駕駛行為，如頻繁變道、超速和急剎車等，這些行為不僅增加了自身的風險，也對周圍車輛構成威脅，易引發交通安全事故，造成交通滯留擁堵；因此，如何對高流量交通要道中的駕駛車輛（和行為）進行有效的風險監測與評估就顯得尤為重要。
2、目前，缺乏對高流量交通要道中車輛的駕駛行為風險評價方法，當然也存在部分相關的技術文獻，例如授權公告號為cn109177982b的專利公開了一種考慮駕駛風格的車輛行駛危險度評價方法，該方法雖然通過歷史駕駛操縱數據實現了對駕駛員激進程度的評估；但對上述方法以及現有技術進行研究和實際應用發現，上述方法以及現有技術至少存在以下部分缺陷：
3、（1）過分依賴歷史駕駛行為數據，導致評估價值的時效有限，且參考和實用意義不大，無法依托當前駕駛行為實時地評估出車輛的當前駕駛風險系數，進一步地，無法準確且客觀地評估出不同車輛和駕駛人在當前時空下所處的駕駛風格類型；
4、（2）無法為不同駕駛風格類型的車輛提供不同的駕駛策略，無法起到對交通流進行間接干預或管制的作用，難以有效緩解高流量路段交通擁堵狀態，保證交通流穩定，進一步地，無法提高高流量交通路段的交通流暢性。</p>
技術實現思路
1、為了克服現有技術的上述缺陷，本專利技術的實施例提供了一種基于深度學習的駕駛人個性化風險評價方法。
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種基于深度學習的駕駛人個性化風險評價方法，所述方法包括：
4、s101：獲取監測路段內m個車輛的行駛特征集合，并基于m個車輛的行駛特征集合，獲取監測路段內交通流的穩態數據；m為大于零的整數；
5、s102：提取第i個車輛的行駛特征集合，并將第i個車輛的行駛特征集合作為自車狀態數據，將交通流的穩態數據和自車狀態數據進行差異化比較，以獲取第i個車輛的差異化數據，并根據差異化數據計算第i個車輛的駕駛風險系數，i為大于零的整數；
6、s103：將第i個車輛的駕駛風險系數輸入預先訓練好用于駕駛風格類型檢測的深度學習模型中，以識別出第i個車輛的駕駛風格類型，并令i=i+1，并返回步驟s102；
7、s104：重復上述步驟s102～s103，直至i=m時，得到所有車輛的不同駕駛風格類型；
8、s105：統計不同駕駛風格類型車輛在監測路段中的數量分布，根據數量分布為不同駕駛風格類型車輛生成對應的行駛策略，并將行駛策略分別發送至對應的車輛。
9、進一步地，所述行駛特征集合中包含五個特征項，分別為平均車速、跟車距離、變道頻次、加速次數和減速次數；
10、所述獲取監測路段內交通流的穩態數據，包括：
11、a1：提取行駛特征集合中的第j個特征項，并統計第j個特征項的所有特征值，j為大于零的整數；
12、a2：利用聚類算法對第j個特征項的所有特征值進行聚類，以獲取q個聚類簇，q為大于零的整數；
13、a3：按數據體量從大到小對q個聚類簇進行排序，將排序第一的聚類簇作為穩態簇，并對穩態簇中所有數據進行均值計算，得到第j個特征項的穩態量；
14、a4：重復上述步驟a1～a3，直至j=5時，結束循環，得到所述特征項的穩態量；將所述特征項的穩態量作為交通流的穩態數據。
15、進一步地，所述將交通流的穩態數據和自車狀態數據進行差異化比較，包括：
16、b1：提取自車狀態數據中的第v個特征項的特征值，并提取交通流的穩態數據中相同特征項的穩態量，將第v個特征項的特征值作為分析值，將相同特征項的穩態量作為基準值，v為大于零的整數；
17、b2：計算分析值和基準值的差值，并判斷分析值和基準值的差值是否屬于預設差值區間，若屬于，則令v=v+1，并返回步驟b1；若不屬于，則將分析值和基準值的差值作為第v個特征項的差異量，并將第v個特征項作為差異特征項，并令v=v+1，并返回步驟b1；
18、b3：重復上述步驟b1～b2，直至v=5時，結束循環，得到k個差異特征項以及每個差異特征項的差異量，將k個差異特征項以及每個差異特征項的差異量作為第i個車輛的差異化數據，k為大于零的整數。
19、進一步地，所述根據差異化數據計算第i個車輛的駕駛風險系數，包括：
20、提取第i個車輛的差異化數據中每個差異特征項的差異量；
21、將每個差異特征項的差異量輸入預構建的數學計算模型中，得到第i個車輛的駕駛風險系數；其中，所述數學計算模型的表達式如下：；式中：為第i個車輛的駕駛風險系數，為第g個差異特征項的差異量。
22、進一步地，所述用于駕駛風格類型檢測的深度學習模型的訓練過程如下：
23、獲取歷史駕駛風格類型訓練數據，將歷史駕駛風格類型訓練數據劃分駕駛風格類型訓練集和駕駛風格類型測試集；所述歷史駕駛風格類型訓練數據包括多個車輛的駕駛風險系數及其對應駕駛風格類型的標注標簽；
24、其中，所述駕駛風格類型的標注標簽包括風險偏好型、風險均衡型和風險規避型；
25、構建分類器，將駕駛風格類型訓練集中的駕駛風險系數作為分類器的輸入數據，以及將駕駛風格類型訓練集中的標注標簽作為分類器的輸出數據，對分類器進行訓練，得到初始分類網絡；
26、利用駕駛風格類型測試集對初始分類網絡進行模型驗證，輸出大于等于預設準確度閾值的對應初始分類網絡作為用于駕駛風格類型檢測的深度學習模型。
27、進一步地，所述歷史駕駛風格類型訓練數據中標注標簽的生成邏輯如下：
28、設置駕駛風險系數閾值，所述駕駛風險系數閾值包括駕駛風險系數閾值th1和駕駛風險系數閾值th2，th1＞th2；
29、將駕駛風險系數與駕駛風險系數閾值進行比較；
30、若≥th1，則將駕駛風險系數的對應的車輛標注為風險偏好型的駕駛風格類型；
31、若＜th1，且＞th2，則將駕駛風險系數對應的車輛標注為風險均衡型的駕駛風格類型；
32、若≤th1，則將駕駛風險系數的對應的車輛標注為風險規避型的駕駛風格類型。
33、進一步地，所述為不同駕駛風格類型車輛生成對應的行駛策略，包括：
34、獲取監測路段中的w個車道以及每個車道的車道編號，w為大于零的整數；
35、分別獲取在每個車道中風險偏好型車輛的數量、風險均衡型車輛的數量和風險規避型車輛的數量；
36、將風險偏好型車輛的數量排序第一的車道作為高速車道，并提取高速車道的車道編號，并將高速車道的車道編號作為風險偏好本文檔來自技高網
...
【技術保護點】
1.一種基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述行駛特征集合中包含五個特征項，分別為平均車速、跟車距離、變道頻次、加速次數和減速次數；
3.根據權利要求2所述的基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述將交通流的穩態數據和自車狀態數據進行差異化比較，包括：
4.根據權利要求3所述的基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述根據差異化數據計算第i個車輛的駕駛風險系數，包括：
5.根據權利要求4所述的基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述用于駕駛風格類型檢測的深度學習模型的訓練過程如下：
6.根據權利要求5所述的基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述歷史駕駛風格類型訓練數據中標注標簽的生成邏輯如下：
7.根據權利要求6所述的基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述為不同駕駛風格類型車輛生成對應的行駛策略，包括：
8.一種電子設備，包括存儲器、處理器以及存儲在存儲器上并在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7任一項所述基于深度學習的駕駛人個性化風險評價方法。
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被執行時實現權利要求1至7任一項所述基于深度學習的駕駛人個性化風險評價方法。
...
【技術特征摘要】
1.一種基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述行駛特征集合中包含五個特征項，分別為平均車速、跟車距離、變道頻次、加速次數和減速次數；
3.根據權利要求2所述的基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述將交通流的穩態數據和自車狀態數據進行差異化比較，包括：
4.根據權利要求3所述的基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述根據差異化數據計算第i個車輛的駕駛風險系數，包括：
5.根據權利要求4所述的基于深度學習的駕駛人個性化風險評價方法，其特征在于，所述用于駕駛風格類型檢測的深度學習模型的訓練過程如...
【專利技術屬性】
技術研發人員：郭軍華，陳青云，
申請(專利權)人：華東交通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。