【技术实现步骤摘要】
本专利技术涉及心理健康风险识别，具体涉及一种驾驶员心理健康风险识别网络训练方法及应用方法。
技术介绍
1、公交驾驶员心理健康是保证公共交通安全的重要因素之一，对驾驶员心理健康筛查的传统做法是定期安排驾驶员进行心理测评，但该方式得到的测评结果并不能与驾驶员是否存在事故风险直接关联。随着神经网络的发展，人工智能与机器学习被应用于各个领域。在公交驾驶员心理健康研究领域，不少研究都用到了随机森林、逻辑回归及支持向量机等机器学习研究心理因子与公交驾驶员发生事故风险的关系。
2、然而由于公交驾驶员事故数据集是一个不平衡数据集，这会导致模型在预测时倾向于将驾驶员预测为占比较大的一类，得到的模型泛化能力较差。同时由于心理健康风险识别中，驾驶员存在心理风险的情况多且复杂，对模型的泛化能力存在一定要求，而现有技术难以兼顾模型的精确率和召回率，得到的模型泛用性较差，对风险驾驶员的识别能力难以满足需求。
3、因此，现有技术存在着难以兼顾模型的精确率和召回率，得到模型的泛用性较差，对风险驾驶员的识别能力难以满足需求的技术问题。
技术实现思路
1、有鉴于此，有必要提供一种驾驶员心理健康风险识别网络训练方法及应用方法，用于解决现有技术中，难以兼顾模型的精确率和召回率，得到模型的精确率和召回率均较差，对风险驾驶员的识别能力难以满足需求的技术问题。
2、一方面，本专利技术提供了一种驾驶员心理健康风险识别网络训练方法，包括：
3、获取加权样本数据集、应用场景与应用场景对
4、构建初始心理健康风险识别网络，基于加权样本数据集和优化指标迭代训练初始心理健康风险识别网络，得到心理健康风险识别网络；
5、确定心理健康风险识别网络在不同优化指标权重比下的评价分数，根据评价分数确定最佳优化指标权重比；
6、根据最佳优化指标权重比确定心理健康风险识别网络的投票阈值。
7、在一种可能的实现方式中，获取加权样本数据集，包括：
8、获取心理健康量表数据，所述心理健康量表数据包括心理因子和事故数据；
9、对心理因子和事故数据进行显著性分析得到心理因子的相关性评分，根据相关性评分和预设相关性阈值对心理因子进行特征筛选得到初步样本数据集；
10、根据总样本数量和各类别样本数量对初步样本数据集进行加权操作得到加权样本数据集。
11、在一种可能的实现方式中，样本加权操作的权重设置公式为：
12、
13、其中，表示样本权重，1和0表示样本类别，表示样本类别0的样本数量，表示样本类别1的样本数量。
14、在一种可能的实现方式中，应用场景包括精准识别场景和全面覆盖场景，精准识别场景的优化指标为精确率，全面覆盖场景的优化指标为召回率。
15、在一种可能的实现方式中，基于加权样本数据集和优化指标迭代训练初始心理健康风险识别网络，包括：
16、以优化指标作为优化目标，基于贝叶斯优化迭代训练初始心理健康风险识别网络直至损失函数收敛。
17、在一种可能的实现方式中，确定心理健康风险识别网络在不同优化指标权重比下的评价分数，根据评价分数确定最佳优化指标权重比，包括：
18、设置不同优化指标权重比，并确定各优化指标权重比下的精确率、召回率和，根据精确率、召回率和确定最佳优化指标权重比。
19、在一种可能的实现方式中，根据最佳优化指标权重比确定心理健康风险识别网络的投票阈值，包括：
20、根据最佳优化指标权重比确定心理健康风险识别网络在不同投票阈值下的分数；
21、根据不同投票阈值下的分数建立投票阈值评分曲线，以投票阈值评分曲线极值点的横坐标作为心理健康风险识别网络的投票阈值。
22、另一方面，本专利技术还提供了一种驾驶员心理健康风险识别网络应用方法，包括：
23、获取待检测驾驶员心理健康量化数据；
24、将待检测驾驶员心理健康量化数据输入到训练完备的驾驶员心理健康风险识别网络中，得到驾驶员心理健康风险识别结果；
25、其中，训练完备的驾驶员心理健康风险识别网络根据上述的驾驶员心理健康风险识别网络训练方法确定。
26、另一方面，本专利技术还提供了一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述的驾驶员心理健康风险识别网络训练方法和/或上述的驾驶员心理健康风险识别网络应用方法。
27、另一方面，本专利技术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，计算机程序被处理器执行时，实现上述的驾驶员心理健康风险识别网络训练方法和/或上述的驾驶员心理健康风险识别网络应用方法。
28、本专利技术的有益效果是：在本专利技术提供的驾驶员心理健康风险识别网络训练方法中，对不同应用场景采用对应优化指标进行模型训练，使得模型在不同场景下具有更高的精确率或召回率，并通过重新调整投票阈值以平衡不同的优化指标，兼顾模型的精确率和召回率。
本文档来自技高网...【技术保护点】
1.一种驾驶员心理健康风险识别网络训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的驾驶员心理健康风险识别网络训练方法，其特征在于，所述获取加权样本数据集，包括：
3.根据权利要求2所述的驾驶员心理健康风险识别网络训练方法，其特征在于，所述样本加权操作的权重设置公式为：
4.根据权利要求1所述的驾驶员心理健康风险识别网络训练方法，其特征在于，所述应用场景包括精准识别场景和全面覆盖场景，所述精准识别场景的优化指标为精确率，所述全面覆盖场景的优化指标为召回率。
5.根据权利要求1所述的驾驶员心理健康风险识别网络训练方法，其特征在于，所述基于所述加权样本数据集和所述优化指标迭代训练所述初始心理健康风险识别网络，包括：
6.根据权利要求1所述的驾驶员心理健康风险识别网络训练方法，其特征在于，所述确定所述心理健康风险识别网络在不同优化指标权重比下的评价分数，根据所述评价分数确定最佳优化指标权重比，包括：
7.根据权利要求1所述的驾驶员心理健康风险识别网络训练方法，其特征在于，所述根据所述最佳优化指标权重比确
8.一种驾驶员心理健康风险识别网络应用方法，其特征在于，包括：
9.一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序时，实现根据权利要求1至7任一项所述的驾驶员心理健康风险识别网络训练方法和/或根据权利要求8所述的驾驶员心理健康风险识别网络应用方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现根据权利要求1至7任一项所述的驾驶员心理健康风险识别网络训练方法和/或根据权利要求8所述的驾驶员心理健康风险识别网络应用方法。
...【技术特征摘要】
1.一种驾驶员心理健康风险识别网络训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的驾驶员心理健康风险识别网络训练方法，其特征在于，所述获取加权样本数据集，包括：
3.根据权利要求2所述的驾驶员心理健康风险识别网络训练方法，其特征在于，所述样本加权操作的权重设置公式为：
4.根据权利要求1所述的驾驶员心理健康风险识别网络训练方法，其特征在于，所述应用场景包括精准识别场景和全面覆盖场景，所述精准识别场景的优化指标为精确率，所述全面覆盖场景的优化指标为召回率。
5.根据权利要求1所述的驾驶员心理健康风险识别网络训练方法，其特征在于，所述基于所述加权样本数据集和所述优化指标迭代训练所述初始心理健康风险识别网络，包括：
6.根据权利要求1所述的驾驶员心理健康风险识别网络训练方法，其特征在于，所述确定所述心理健康风险识别网络在不同优化...
【专利技术属性】
技术研发人员：余杰，陈国俊，周佳尔，程歆，谢俊杰，
申请(专利权)人：武汉理工大学，
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。