[发明专利]一种疲劳驾驶预测模型的构建方法、装置及存储介质

说明书

本发明公开了一种疲劳驾驶预测模型的构建方法、装置及存储介质，其中所述构建方法包括:获取驾驶员的疲劳特征；建立基础疲劳驾驶预测模型；通过boruta特征选择算法和特征递归消除算法特征选择出最优特征子集；利用最优特征子集训练多个基分类器，并将多个基分类器的输出训练次级分类器得到分类结果；进行参数调优优化模型。优化训练流程，避免了训练集与测试集的重复计算和数据泄露问题；在训练好分类器后，聚合多个不同的分类器预测结果，使最终模型具有更好的泛化性和鲁棒性；使用贝叶斯优化算法进行模型超参数调优，通过更少的迭代来调整超参数，进一步提高模型性能。

技术领域

本发明涉及汽车驾驶领域，特别是一种疲劳驾驶预测模型的构建方法、装置及存储介质。

背景技术

从对各类交通事故数据的统计调查中发现，由于疲劳驾驶而造成的交通事故逐年增加。随着神经网络技术的发展和图像处理技术的发展，结合这两种技术实时对驾驶员的疲劳状态进行预测和监控，能有效预防疲劳驾驶。现有疲劳驾驶预测模型中存在两个技术难点亟需克服：(1)驾驶疲劳的特征与判别标准。由于疲劳的形成是一个随驾驶环境和时间延长而逐渐生成的过程，且在此过程中并非所有的特征均可引发交通事故。当可用的训练样本有限而特征维度过大时容易发生过拟合现象；当数据维数过大，必须采取措施来简化模型。若所有特征均用在疲劳驾驶预测中，容易导致疲劳驾驶预测模型的虚警率过高，给驾驶员造成过大的驾驶心理压力；(2)疲劳驾驶预测模型构建。分类模型的有效性受许多因素影响。例如，特征变量之间高度相关性、样本中有缺失值、过拟和导致模型泛化性能较差等问题。针对疲劳驾驶的特征信息具有模糊性和不确定性等问题，容易导致模型的鲁棒性降低。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种疲劳驾驶预测模型的构建方法、装置及存储介质。

本发明解决其问题所采用的技术方案是：

本发明的第一方面，一种疲劳驾驶预测模型的构建方法，包括以下步骤：

获取驾驶员的疲劳特征；

建立基础疲劳驾驶预测模型；

通过boruta特征选择算法从数据集中提取第一特征子集和通过特征递归消除算法从数据集中提取第二特征子集，根据分类性能从两者中选择其一作为最优特征子集，所述数据集由所述疲劳特征和疲劳标签组成；

利用所述最优特征子集分别训练所述基础疲劳驾驶预测模型中的多个不同的基分类器，并将多个基分类器的输出用于训练次级分类器；

验证优化采集函数的后验分布以确定所述基础疲劳驾驶预测模型中的最优参数值得到最终疲劳驾驶预测模型。

根据本发明的第一方面，一种疲劳驾驶预测模型的构建方法，还包括以下步骤：利用十折交叉验证法对所述最终疲劳驾驶预测模型进行评估。

根据本发明的第一方面，所述疲劳特征包括生理特征和视觉特征；所述生理特征包括心率、血压和体温，所述视觉特征包括眼睑平均闭合频率、眨眼次数、哈欠次数、哈欠所占帧数比、点头次数和点头所占帧数比。

根据本发明的第一方面，所述通过boruta特征选择算法从数据集中提取第一特征子集包括以下步骤：

将m行n列的数据集随机打乱顺序，再对每一列独立进行随机行变换，得到m行n列的阴影特征数据集；

将所述数据集和所述阴影特征数据集合并得到m行2n列的合并数据集；

计算所述数据集和所述阴影特征数据集的所有疲劳特征的Z_score；

将所述阴影特征数据集中最大的Z_score记为Z_max；

将所述数据集中大于Z_score的疲劳特征标记为“重要”，小于Z_score的疲劳特征标记为“不重要”，并删除；