基于深度学习的异常驾驶行为识别模型构建方法技术

本发明专利技术实施例公开了一种基于深度学习的异常驾驶行为识别模型构建方法，包括：获取汽车在多个时刻的运行数据，所述运行数据反映驾驶员在所述多个时刻的驾驶行为；利用所述多个时刻的运行数据对待训练的自编码器进行训练；利用训练好的自编码器和聚类识别器，构建异常驾驶行为识别模型；其中，所述聚类识别器用于对所述训练好的自编码器的输出数据进行聚类，识别异常驾驶行为。本实施例兼顾每个维度的主要信息，能够提高识别准确度。能够提高识别准确度。能够提高识别准确度。

【技术实现步骤摘要】
基于深度学习的异常驾驶行为识别模型构建方法


[0001]本专利技术实施例涉及人工智能
，尤其涉及一种基于深度学习的异常驾驶行为识别模型构建方法。

技术介绍

[0002]驾驶员的驾驶行为对汽车的运行过程有着重要的影响，异常的驾驶行为会产生严重的交通事故。为了改善驾驶员的驾驶行为，就需要对驾驶行为进行分析，识别异常驾驶行为。
[0003]在现有的基于深度学习的异常驾驶行为识别方法中，通常利用表征驾驶行为的特征数据和标注好的异常驾驶行为，对深度学习网络模型进行训练，只关注最终的识别结果，并未关注特征数据中的具体信息是否得到了保留，影响识别准确度。

技术实现思路

[0004]本专利技术实施例提供一种基于深度学习的异常驾驶行为识别模型构建方法，兼顾特征数据中每个维度的主要信息，提高识别准确度。
[0005]第一方面，本专利技术实施例提供了基于深度学习的异常驾驶行为识别模型构建方法，包括：获取汽车在多个时刻的运行数据，所述运行数据反映驾驶员在所述多个时刻的驾驶行为；利用所述多个时刻的运行数据对待训练的自编码器进行训练；利用训练好的自编码器和聚类识别器，构建异常驾驶行为识别模型；其中，所述聚类识别器用于对所述训练好的自编码器的输出数据进行聚类，识别异常驾驶行为；其中，在训练过程中包括如下操作：从所述多个时刻中选取一时刻的运行数据输入所述待训练的自编码器，得到第一数据；根据所述运行数据和所述第一数据，计算第一损失；将所述一时刻的多个维度中每个维度的运行数据分别输入所述待训练的自编码器，分别得到对应于每个维度的数据；根据所述第一数据和所述对应于每个维度的数据，计算对应于每个维度的损失；根据所述第一损失和所述对应于每个维度的损失，更新所述待训练的自编码器的参数；从未被选取的时刻中选取一时刻的运行数据输入更新后的自编码器，并返回第一损失的计算操作，直到满足训练中止条件。
[0006]第二方面，本专利技术实施例还提供了一种基于深度学习的异常驾驶行为识别方法，包括：获取汽车在多个时刻的运行数据，所述运行数据反映驾驶员在所述多个时刻的驾驶行为；
将所述运行数据输入异常驾驶行为识别模型，识别所述驾驶行为中的异常驾驶行为；其中，所述异常驾驶行为识别模型采用如权利要求1
‑
7中任一所述的方法构建，包括训练好的自编码器和聚类识别器；识别过程中包括如下操作：将每个时刻的运行数据分别输入所述训练好的自编码器，分别得到每个时刻的第一数据；将所述多个时刻的第一数据输入所述聚类识别器，得到所述驾驶行为中的异常驾驶行为。
[0007]第三方面，本专利技术实施例还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的基于深度学习的异常驾驶行为识别模型构建方法，或基于深度学习的异常驾驶行为识别方法。
[0008]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的基于深度学习的异常驾驶行为识别模型构建方法，或基于深度学习的异常驾驶行为识别方法。
[0009]本实施例在自编码器训练过程中考虑了不同的驾驶行为维度，根据多个维度上整体的信息损失和每个维度上单独的信息损失计算整体损失，使得编码后的数据在保留整体主要信息的同时，兼顾每个维度的主要信息，满足对驾驶员异常驾驶行为识别的在不同维度上的需求，提高识别准确度。同时，本实施例对训练模式进行了优化，在将多个维度的整体运行数据和每个维度的运行数据都进行一次编码后进行一次参数更新，与每次编码后都进行参数更新相比，减少了参数更新次数，也避免了在整体损失函数计算完毕之前进行更新带来的无效参数波动，使网络收敛速度更快。
附图说明
[0010]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0011]图1是本专利技术实施例提供的一种基于深度学习的异常驾驶行为识别模型构建方法的流程图。
[0012]图2是本专利技术实施例提供的一种基于深度学习的异常驾驶行为识别方法的流程图。
[0013]图3是本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0014]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本专利技术所保护的范围。
[0015]在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0016]在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0017]本专利技术实施例提供一种基于深度学习的异常驾驶行为识别模型构建方法，适用于通过汽车的运行数据识别驾驶员的异常驾驶行为的情况，本实施例由电子设备执行。该方法的流程图如图1所示，本实施例提供的方法具体包括：S110、获取汽车在多个时刻的运行数据，所述运行数据反映驾驶员在所述多个时刻的驾驶行为。
[0018]汽车的运行数据指汽车在运行过程中产生的数据。驾驶员的驾驶行为会在汽车数据中客观地反映出来，每个时刻对应一个驾驶行为。表1显示了几种运行数据类型，如表1所示，汽车在一时刻的10种运行数据即反映了驾驶员在该时刻的驾驶行为。实际应用中的运行数据类型远远大于10种，数据类型越多，对驾驶行为的反映越准确。所述多个时刻的运行数据用于对待训练的自编码器进行训练。
[0019]表1 数据类型1每百公里带手刹行驶里程比例2每百公里平均停车时长3每百公里的急加速次数4每百公里的急刹车次数5每百公里的空挡滑行比例6每百公里的低档高速运行比例7每百公里的高档低速运行比例8每百公里的超速运行的比例9每百公里平均停车次数10每百公里停车踩踏油门次数具体来说，可选地，通过车联网大数据、T
‑
BOX或CAN总线等获取汽车的运行数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的异常驾驶行为识别模型构建方法，其特征在于，包括：获取汽车在多个时刻的运行数据，所述运行数据反映驾驶员在所述多个时刻的驾驶行为；利用所述多个时刻的运行数据对待训练的自编码器进行训练；利用训练好的自编码器和聚类识别器，构建异常驾驶行为识别模型；其中，所述聚类识别器用于对所述训练好的自编码器的输出数据进行聚类，识别异常驾驶行为；其中，在训练过程中包括如下操作：从所述多个时刻中选取一时刻的运行数据输入所述待训练的自编码器，得到第一数据；根据所述运行数据和所述第一数据，计算第一损失；将所述一时刻的多个维度中每个维度的运行数据分别输入所述待训练的自编码器，分别得到对应于每个维度的数据；根据所述第一数据和所述对应于每个维度的数据，计算对应于每个维度的损失；根据所述第一损失和所述对应于每个维度的损失，更新所述待训练的自编码器的参数；从未被选取的时刻中选取一时刻的运行数据输入更新后的自编码器，并返回第一损失的计算操作，直到满足训练中止条件。2.根据权利要求1所述的构建方法，其特征在于，根据所述运行数据和所述第一数据，计算第一损失，包括：利用解码器对所述第一数据进行解码，得到第二数据；根据所述运行数据和所述第二数据，计算第一损失。3.根据权利要求1所述的构建方法，其特征在于，根据所述第一损失和所述对应于每个维度的损失，更新所述待训练的自编码器的参数，包括：根据每个维度的权重，对所述对应于每个维度的损失进行加权；根据所述第一损失和加权后的对应于每个维度的损失，更新所述待训练的自编码器的参数。4.根据权利要求3所述的构建方法，其特征在于，根据所述运行数据和所述第一数据，计算第一损失，包括：利用解码器对所述第一数据进行解码，得到第二数据；根据所述运行数据和所述第二数据，计算第一损失；根据每个维度的权重，对所述对应于每个维度的损失进行加权，包括：根据每个维度的运行数据和第二数据，确定每个维度的权重。5.根据权利要求1所述的构建方法，其特征在于，利用训练好的自编码器和聚类识别器，构建异常驾驶行为识别模型之后，还包括：将多个时刻的运行数据划分为多组，每组包括至少两个时刻的运行数据；利用划分得到的多组运行数据对所述异常驾驶行为识别模型进行训练；将训练好的异常驾驶行为识别模型作为最终的异常驾驶行为识别模型；其中，在训练过程中包括如下操作：从所述多组运行数据中选取一组运行数据；将所述一组运行数据...

【专利技术属性】
技术研发人员：杨亮，王铁，王亚飞，王文斌，王军雷，王华珺，张衡，韩少军，
申请(专利权)人：中汽信息科技天津有限公司，
类型：发明
国别省市：