【技术实现步骤摘要】
本专利技术属于驾驶培训，具体涉及一种基于大数据人工智能的驾驶员理论培训技术。
技术介绍
1、随着中国经济持续较快增长，居民消费水平提高，产业政策扶持等，我国汽车行业整体呈现快速增长态势，因此也有越来越多的人参加机动车驾驶技术考试。机动车驾驶技术考试中，理论考试是第一道门槛。通过理论考试可以增加学员的安全意识，掌握交通安全相关的法律法规，形成良好的操作习惯，为后面的实操考试打下良好的基础。但是目前理论考试培训，仍停留在应试阶段，即大部分学员仍是通过重复刷题的学习方式进行学习，这样针对性不强，学习效率低下，也不利于学员真正的掌握驾驶知识。
技术实现思路
1、为解决上述问题，本专利技术公开一种基于大数据人工智能的驾驶员理论培训方法、电子设备及计算机可读存储介质，能根据学员的做题情况个性化为学员推荐驾驶理论考试题目，做到千人千面、因材施材，使学员能高效率掌握驾驶理论知识。
2、本专利技术的第一方面公开一种基于大数据人工智能的驾驶员理论培训方法，包括：获取学员的三类信息，所述信息包括基本信息、行为信息和做题信息；将理论考试的题目按内容进行分类；统计各个学员对各个类别题目的掌握程度；制作训练数据；创建基于多层感知机的驾驶员理论考试培训模型；通过训练数据训练所述驾驶员理论考试培训模型，得到目标驾驶员理论考试培训模型；基于目标驾驶员理论考试培训模型，计算学员学员做题库内所有题目的预测得分，并按预测得分的顺序依次向学员推送题目。
3、作为一种可选方案，所述基本信息包括学员的年
4、作为一种可选方案，将所述理论考试的题目分为交通信号类、机动车驾驶操作类、事故处理类、救护常识类、机动车管理规定类。
5、作为一种可选方案，评估学员对各个类别题目的掌握程度，具体包括：
6、31)计算第s个学员理论考试的总体正确率；
7、
8、其中，pss表示第s个学员做的理论考试题目的总体正确率，as表示第s个学员做的所有题目中回答正确的数量，bs表示第s个学员做的所有题目中回答错误的数量，s＝1,2,...,s，s表示学生的总数量；
9、32)计算第s个学员做第t个类型题目的正确率；
10、
11、其中，pst表示第s个学员做第t类题目的正确率，est表示第s个学员做第t类题目回答正确的数量，fst表示第s个学员做第t类题目的回答错误的数量，t＝1,2,...,t，t表示题目类型的总数量；
12、33)将各个类型题目正确率除以总体正确率，得到学员对各个类型题目的掌握程度；
13、
14、其中，fsc表示第s个学员对第t个类型的题目的掌握程度。
15、作为一种可选方案，制作训练数据，具体包括：
16、41)将所述基本信息、行为信息、题目所属类型，以及学员对各个类别题目的掌握程度进行汇总，形成学员做题记录的特征向量x＝(x1,x2,...,xm)；
17、42)对所述学员做题记录的结果进行标记，形成特征向量的标签值；
18、43)构造训练数据(x1，y1)，(x2，y2)，…，(xn，yn)，其中xi∈rn，yi∈{0，1}；xi表示第i个学员的做题记录；yi表示第i个学员的做题记录对应的结果：正确或错误；rn表示整个的向量空间。
19、作为一种可选方案，步骤41)还包括：
20、对特征向量中的第i个数据xi进行标准化，得到均值为0且方差为1的标准化数据，标准化公式如下：
21、
22、其中，
23、
24、式中，xi表示第i个数据，表示整体数据的平均值，s表示整体数据的方差，m表示数据的个数。
25、作为一种可选方案，所述基于多层感知机的驾驶员理论考试培训模型的公式为：
26、
27、其中，q表示模型的预测结果，也即感知机的输出f(x)，w1，w2，b1，b2∈r是模型的参数，w1、w2分别表示输入层和隐藏层的权重，b1，b2分别表示输入层和隐藏层的偏差，g(·):r→r是激活函数，表示如下：
28、
29、其中，z表示g函数的自变量。
30、作为一种可选方案，对构建的驾驶员理论考试培训模型的训练具体包括：
31、61)使用平均交叉熵来计算损失函数，计算公式如下：
32、
33、其中，y表示真实结果，表示预测结果，w表示权重，n表示样本个数，表示第i个样本的预测结果，α表示非负超参量，是l2正则惩罚参数；
34、62)使用梯度下降法进行权重参数更新，更新公式如下：
35、
36、其中，wi表示上一次模型的权重系数，表示本次梯度下降计算的权重偏移量；
37、63)不断重复步骤62)，通过召回率和准确率进行评估，直至召回率和准确率达到预设固定阈值，训练结束，得到目标考试培训模型；
38、其中，评估方法如下：
39、准确率＝tp/(tp+fp)；
40、召回率＝tp/(tp+fn)；
41、式中，tp中：p是指预测的是正样本，t表示预测和label一样，即label也是正样本；fp中：p是指预测的是正样本，f表示预测和label相反，即label是负样本；tn中：n是指预测的是负样本，t表示预测和label一样，即label也是负样本；fn中：n是指预测的是负样本，f表示预测和label相反，即label是正样本；
42、当q≥预设阈值时，判定为p，反之判定为n。
43、本专利技术的第二方面公开一种电子设备，其包括处理器和存储器；所述处理器用于调用存储器中存储的计算机程序，执行本专利技术第一方面及其可选方案所述的基于大数据人工智能的驾驶员理论培训方法。
44、本专利技术的第三方面公开一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行本专利技术第一方面及其可选方案所述的基于大数据人工智能的驾驶员理论培训方法。
45、本专利技术具有以下技术效果：
46、本专利技术能根据学员的基本信息、驾驶行为和做题行为，智能化、个性化的为学员推送理论考试题目，做到千人千面，因材施教，能帮助学员快速的查漏补缺，加深对知识点的理解，提高学员的学习效率，也能提升理论考试的总体通过率。
本文档来自技高网...【技术保护点】
1.一种基于大数据人工智能的驾驶员理论培训方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基本信息包括学员的年龄和性别；所述行为信息包括学员车速控制情况、档位切换情况、方向盘掌握情况和灯光控制情况，所述行为信息中分为不合格和合格；所述做题信息包括理论培训题目的ID，以及该题目是否正确。
3.如权利要求1所述的方法，其特征在于，将所述理论考试的题目分为交通信号类、机动车驾驶操作类、事故处理类、救护常识类、机动车管理规定类。
4.如权利要求1所述的方法，其特征在于，评估学员对各个类别题目的掌握程度，具体包括：
5.如权利要求1所述的方法，其特征在于，制作训练数据，具体包括：
6.如权利要求5所述的方法，其特征在于，步骤41)还包括：
7.如权利要求1所述的方法，其特征在于，所述基于多层感知机的驾驶员理论考试培训模型的公式为：
8.如权利要求1所述的方法，其特征在于，对构建的驾驶员理论考试培训模型的训练具体包括：
9.一种电子设备，其特征在于，包括处理器和存储器；所述处
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1至8任意一项所述的基于大数据人工智能的驾驶员理论培训方法。
...【技术特征摘要】
1.一种基于大数据人工智能的驾驶员理论培训方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基本信息包括学员的年龄和性别；所述行为信息包括学员车速控制情况、档位切换情况、方向盘掌握情况和灯光控制情况，所述行为信息中分为不合格和合格；所述做题信息包括理论培训题目的id，以及该题目是否正确。
3.如权利要求1所述的方法，其特征在于，将所述理论考试的题目分为交通信号类、机动车驾驶操作类、事故处理类、救护常识类、机动车管理规定类。
4.如权利要求1所述的方法，其特征在于，评估学员对各个类别题目的掌握程度，具体包括：
5.如权利要求1所述的方法，其特征在于，制作训练数据，具体包括...
【专利技术属性】
技术研发人员：王新宇，张铁监，吴松，叶剑，姚伟，
申请(专利权)人：多伦科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。