一种基于联邦学习的驾驶行为路况预警方法技术

本申请提供一种基于联邦学习的驾驶行为路况预警方法，包括：自动识别司机身份并且采集司机驾驶行为信息；基于差分隐私算法结合联邦学习进行司机信息采集传输和使用中隐私保护；基于深度学习方法进行司机驾驶习惯和性格分析；基于图像处理算法分析行驶过程中的道路危险因素；基于周围司机的不良驾驶习惯数据和性格画像以及路况分析数据计算各类交通事故概率；根据当前潜在的交通事故概率规划驾驶操作方案，具体包括:建立驾驶操作规划模型，规划驾驶操作方案。驾驶操作方案。驾驶操作方案。

【技术实现步骤摘要】
一种基于联邦学习的驾驶行为路况预警方法


[0001]本专利技术涉及信息
，尤其涉及一种基于联邦学习的驾驶行为路况预警方法。

技术介绍

[0002]当汽车在行驶途中，往往会遇到各种各样的交通事故，而其中的事故原因通常是司机的疏忽大意和不良驾驶习惯。所以很多时候，驾驶汽车，即使是一个驾驶习惯良好，驾驶技术高，认真负责的司机，也难以避免与路上的其他不合格的司机产生碰撞，剐蹭等交通事故。因此，如果在驾驶途中能够获取周围司机的性格特点和驾驶习惯，就能为当前的驾驶操作提供参考，避开周围那些可能与自己产生交通摩擦和纠纷的司机。

技术实现思路

[0003]本专利技术提供了一种基于联邦学习的驾驶行为路况预警方法，主要包括：自动识别司机身份并且采集司机驾驶行为信息；基于差分隐私算法结合联邦学习进行司机信息采集传输和使用中隐私保护；基于深度学习方法进行司机驾驶习惯和性格分析；基于图像处理算法分析行驶过程中的道路危险因素；基于周围司机的不良驾驶习惯数据和性格画像以及路况分析数据计算各类交通事故概率；根据当前潜在的交通事故概率规划驾驶操作方案；进一步可选地，所述自动识别司机身份并且采集司机驾驶行为信息包括：使用车内摄像头在司机进入驾驶室时采集司机的人脸图像，通过人脸识别技术确定司机的身份；确定身份后针对当前司机进行驾驶行为信息采集，首先通过调用交管局的查询接口，获取司机的交通违规处罚记录；然后通过车内摄像头和行车记录仪，采集司机当前的各种车内活动记录；最后将采集到的交通违规处罚记录和车内活动记录到当前司机的账号下，如果当前司机没有账号，表明其首次使用本系统，那么先新建一个账号再记录信息。
[0004]进一步可选地，所述基于差分隐私算法结合联邦学习进行司机信息采集传输和使用中隐私保护包括：通过差分隐私算法结合联邦学习对驾驶中采集的司机驾驶行为信息和交通违规记录进行隐私保护；基于联邦学习方法训练各个神经网络模型；首先在客户端本地训练数神经网络模型得到局部模型参数；然后基于差分隐私算法对训练后得到的局部模型参数加入随机噪音；服务器聚合从客户端收到的局部模型参数得到新的全局模型参数；最后服务器将新的全局模型参数广播给每个客户端，客户端接受新的全局模型参数，重新进行本地计算；包括：基于联邦学习训练神经网络模型；基于差分隐私算法在客户端模型参数加入噪声；所述基于联邦学习训练神经网络模型，具体包括：基于联邦学习方法训练各个神经网络模型，所述神经网络模型包括：司机驾驶习
惯和性格分析的神经网络模型，路况分析模型，交通事故分析模型，驾驶操作规划模型。首先，服务器端将各个初始神经网络模型广播到各个车辆的本地客户端；然后本地客户端基于本地采集的司机的个人信息和驾驶数据来训练各个初始神经网络模型，并且将训练后得到的局部模型参数反馈给服务器；然后服务器使用FedAVG算法聚合从本地客户端收到的局部模型参数得到新的全局模型参数；最后服务器将新的全局模型参数广播给每个本地客户端；本地客户端接受新的全局模型参数并更新各个初始神经网络模型，重新进行本地计算和下一轮的模型迭代。
[0005]所述基于差分隐私算法在客户端模型参数加入噪声，具体包括：基于联邦学习在客户端本地训练神经网络模型得到模型参数之后，利用差分隐私算法对训练后得到的局部模型参数加入随机噪声。针对局部模型参数中的数值型数据，通过拉普拉斯机制对数据添加随机动态扰动噪声；针对非数值型的，离散型的数据，而是采用指数机制确定输出结果的概率，根据离散型数据的比例决定输出概率，比例越高，对应的离散型数据输出概率越高。
[0006]进一步可选地，所述基于深度学习方法进行司机驾驶习惯和性格分析包括：基于深度学习方法建立司机驾驶习惯和性格分析的初始神经网络模型，所述初始神经网络模型包括：不良驾驶习惯识别模型和司机性格分析模型；然后将上述两个模型广播到用户车辆的本地客户端，基于本地数据计算各个司机与驾驶相关的性格特征和驾驶习惯；然后基于计算结果调整模型参数，并且将更新后的模型反馈给服务器端；最后服务器端聚合从本地客户端收到的本地模型得到新的全局模型参数，再次广播到本地客户端；包括：基于交通违规记录训练不良驾驶习惯识别模型；基于深度学习方法建立司机性格分析模型；实时分析车辆周围的司机的不良驾驶习惯和性格画像；所述基于交通违规记录训练不良驾驶习惯识别模型，具体包括：基于当前司机的历史交通违规记录和深度学习方法训练不良驾驶习惯识别模型。首先，采集大量各类司机的交通违规记录作为训练集和测试集；然后对训练集进行数据清洗、数据转换和特征提取，提取的特征包括：违规因素、处罚类型、罚款类型、是否扣分、扣分值、违规次数；然后对样本进行标签分类，将样本标记上各类不良驾驶习惯标签，所述不良驾驶习惯标签标签包括：逆向行驶、闯红灯、违规变道、超速行驶、违章停车、压线越线、不系安全带、酒驾、驾驶中打电话、抽烟和故意遮挡号牌；然后将训练集输入不良驾驶习惯识别模型训练神经网络，建立起分类决策规则；最后输入测试集来测试不良驾驶习惯识别模型识别的准确度，根据测试结果调整不良驾驶习惯识别模型的参数，提高模型识别的准确率。
[0007]所述基于深度学习方法建立司机性格分析模型，具体包括：建立司机性格分析模型，结合车内活动记录和司机个人信息，自动对司机进行性格画像，分析司机的驾驶性格特征。首先，基于深度学习方法建立司机性格分析模型；从各类司机的个人相关信息中提取与其性格相关的特征值，包括：性别、年龄、职业、受教育程度、驾龄和不良驾驶习惯，结合行车记录仪数据以及车内活动记录中的语音数据情绪关键词提取，作为特征值输入司机性格分析神经网络进行模型训练，然后输出司机性格画像，所述性格画像包括多个维度：驾驶经验、驾驶偏好、驾驶谨慎度、驾驶专注度和驾驶耐心度。
[0008]所述实时分析车辆周围的司机的不良驾驶习惯和性格画像，具体包括：将不良驾驶习惯识别模型和司机性格分析模型广播到各个用户车辆的本地客户
端，基于本地实时采集的当前各个司机交通违规记录、车内活动记录和个人信息计算各个司机的性格画像和不良驾驶习惯。然后本地客户端将各个司机的性格画像和不良驾驶习惯反馈至服务器端。服务器端基于各个车辆的定位计算出各个车辆在道路上的空间分布，然后根据空间分布数据将与当前车辆有相邻关系的其他车辆上的司机的性格画像和不良驾驶习惯反馈给本地客户端。
[0009]进一步可选地，所述基于图像处理算法分析行驶过程中的道路危险因素包括：基于目标识别算法建立路况分析模型，对车辆视野中物体进行识别和分类，得到当前道路的路况分析数据；包括：基于目标识别算法建立路况分析模型；实时识别车辆周围环境的交通状况影响因素；所述基于目标识别算法建立路况分析模型，具体包括：首先，通过车载摄像头采集大量的车外道路环境的图像来作为训练数据，将其划分为训练集和测试集；然后对训练集的进行图像预处理来减少图像中的无效和干扰信息，所述图像预处理包括：灰度化处理和直方图均衡。然后基于简单线性迭代聚类SLIC算法对预处理后的图像进行图像分割，根据图像中各类物体所占的区域将图像分割成多个超像素。对图像分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的驾驶行为路况预警方法，其特征在于，所述方法包括：自动识别司机身份并且采集司机驾驶行为信息；基于差分隐私算法结合联邦学习进行司机信息采集传输和使用中隐私保护，所述基于差分隐私算法结合联邦学习进行司机信息采集传输和使用中隐私保护，具体包括：基于联邦学习训练神经网络模型，基于差分隐私算法在客户端模型参数加入噪声；基于深度学习方法进行司机驾驶习惯和性格分析，所述基于深度学习方法进行司机驾驶习惯和性格分析，具体包括：基于交通违规记录训练不良驾驶习惯识别模型，基于深度学习方法建立司机性格分析模型，实时分析车辆周围的司机的不良驾驶习惯和性格画像；基于图像处理算法分析行驶过程中的道路危险因素，所述基于图像处理算法分析行驶过程中的道路危险因素，具体包括：基于目标识别算法建立路况分析模型，实时识别车辆周围环境的交通状况影响因素；基于周围司机的不良驾驶习惯数据和性格画像以及路况分析数据计算各类交通事故概率，所述基于周围司机的不良驾驶习惯数据和性格画像以及路况分析数据计算各类交通事故概率，具体包括：建立交通事故案例库，建立交通事故概率预测模型，实时计算各类交通事故发生的概率；根据当前潜在的交通事故概率规划驾驶操作方案，所述根据当前潜在的交通事故概率规划驾驶操作方案，具体包括：建立驾驶操作规划模型，规划驾驶操作方案。2.根据权利要求1所述的方法，其中，所述自动识别司机身份并且采集司机驾驶行为信息，包括:使用车内摄像头在司机进入驾驶室时采集司机的人脸图像，通过人脸识别技术确定司机的身份；确定身份后针对当前司机进行驾驶行为信息采集，首先通过调用交管局的查询接口，获取司机的交通违规处罚记录；然后通过车内摄像头和行车记录仪，采集司机当前的各种车内活动记录；最后将采集到的交通违规处罚记录和车内活动记录到当前司机的账号下，如果当前司机没有账号，表明其首次使用本系统，那么先新建一个账号再记录信息。3.根据权利要求1所述的方法，其中，所述基于差分隐私算法结合联邦学习进行司机信息采集传输和使用中隐私保护，包括:通过差分隐私算法结合联邦学习对驾驶中采集的司机驾驶行为信息和交通违规记录进行隐私保护；基于联邦学习方法训练各个神经网络模型；首先在客户端本地训练数神经网络模型得到局部模型参数；然后基于差分隐私算法对训练后得到的局部模型参数加入随机噪音；服务器聚合从客户端收到的局部模型参数得到新的全局模型参数；最后服务器将新的全局模型参数广播给每个客户端，客户端接受新的全局模型参数，重新进行本地计算；包括：基于联邦学习训练神经网络模型；基于差分隐私算法在客户端模型参数加入噪声；所述基于联邦学习训练神经网络模型，具体包括:基于联邦学习方法训练各个神经网络模型，所述神经网络模型包括：司机驾驶习惯和性格分析的神经网络模型，路况分析模型，交通事故分析模型，驾驶操作规划模型；首先，服务器端将各个初始神经网络模型广播到各个车辆的本地客户端；然后本地客户端基于本地采集的司机的个人信息和驾驶数据来训练各个初始神经网络模型，并且将训练后得到的局部模型参数反馈给服务器；然后服务器使用FedAVG算法聚合从本地客户端收到的局部模型参数得到新的全局模型参数；最后服务器将新的全局模型参数广播给每个本地客户端；本地客户端接受新的全局模型参数并更新各个初始神经网络模型，重新进行本地计算和下一轮的模型迭代；
所述基于差分隐私算法在客户端模型参数加入噪声，具体包括:基于联邦学习在客户端本地训练神经网络模型得到模型参数之后，利用差分隐私算法对训练后得到的局部模型参数加入随机噪声；针对局部模型参数中的数值型数据，通过拉普拉斯机制对数据添加随机动态扰动噪声；针对非数值型的，离散型的数据，而是采用指数机制确定输出结果的概率，根据离散型数据的比例决定输出概率，比例越高，对应的离散型数据输出概率越高。4.根据权利要求1所述的方法，其中，所述基于深度学习方法进行司机驾驶习惯和性格分析，包括:基于深度学习方法建立司机驾驶习惯和性格分析的初始神经网络模型，所述初始神经网络模型包括：不良驾驶习惯识别模型和司机性格分析模型；然后将上述两个模型广播到用户车辆的本地客户端，基于本地数据计算各个司机与驾驶相关的性格特征和驾驶习惯；然后基于计算结果调整模型参数，并且将更新后的模型反馈给服务器端；最后服务器端聚合从本地客户端收到的本地模型得到新的全局模型参数，再次广播到本地客户端；包括：基于交通违规记录训练不良驾驶习惯识别模型；基于深度学习方法建立司机性格分析模型；实时分析车辆周围的司机的不良驾驶习惯和性格画像；所述基于交通违规记录训练不良驾驶习惯识别模型，具体包括:基于当前司机的历史交通违规记录和深度学习方法训练不良驾驶习惯识别模型；首先，采集大量各类司机的交通违规记录作为训练集和测试集；然后对训练集进行数据清洗、数据转换和特征提取，提取的特征包括：违规因素、处罚类型、罚款类型、是否扣分、扣分值、违规次数；然后对样本进行标签分类，将样本标记上各类不良驾驶习惯标签，所述不良驾驶习惯标签标签包括：逆向行驶、闯红灯、违规变道、超速行驶、违章停车、压线越线、不系安全带、酒驾、驾驶中打电话、抽烟和故意遮挡号牌；然后将训练集输入不良驾驶习惯识别模型训练神经网络，建立起分类决策规则；最后输入测试集来测试不良驾驶习惯识别模型识别的准确度，根据测试结果调整不良驾驶习惯识别模型的参数，提高模型识别的准确率；所述基于深度学习方法建立司机性格分析模型，具体包括:建立司机性格分析模型，结合车内活动记录和司机个人信息，自动对司机进行性格画像，分析司机的驾驶性格特征；首先，基于深度学习方法建立司机性格分析模型；从各类司机的个人相关信息中提取与其性格相关的特征值，包括：性别、年龄、职业、受教育程度、驾龄和不良驾驶习惯，结合行车记录仪数据以及车内活动记录中的语音数据情绪关键词提取，作为特征值输入司机性格分析神经网络进行模型训练，然后输出司机性格画像，所述性格画像包...

【专利技术属性】
技术研发人员：熊常春，王敬贵，李国元，沈之锐，吴江川，李苗，熊桥峰，张富耕，
申请(专利权)人：深圳季连科技有限公司，
类型：发明
国别省市：