[发明专利]长大连续纵坡路段驾驶员危险感知能力预测模型构建方法

说明书

本发明属于道路安全检测领域。本发明提供长大连续纵坡路段驾驶员危险感知能力预测模型构建方法，首先，选择训练数据,构造安全训练集以及不安全训练集；其次，构建HMM模型，并对其模型参数进行初始化；然后，采用安全训练集对HMM模型进行训练，直至预测性能达到预设值后停止训练，得到安全型HMM模型；采用不安全训练集对HMM模型进行训练，直至预测性能达到预设值后停止训练，得到不安全型HMM模型；则针对长大连续纵坡路段驾驶员危险感知能力预测模型构建完成。实现对驾驶员的驾驶状态是否处于安全状态进行实时检测。

技术领域

本发明属于道路安全检测领域，具体涉及一种长大连续纵坡路段驾驶员危险感知能力预测模型构建方法。

背景技术

Wilde提出的风险平衡理论中表明了驾驶员主观风险和客观风险值之间存在着某种平衡，即驾驶员会调整自己的驾驶行为来维持这种平衡。因此驾驶员的主观危险感知对驾驶安全有着非常重要的作用。客观危险和主观危险是危险感知的两种水平。客观危险，是指驾驶员在驾驶过程中遇到的各种不同的，具体的障碍，例如复杂的气候条件，不良的道路线形，其他道路参与者的干扰等。金会庆认为，客观危险通常以危险出现的距离、年死亡数等来表示。主观风险是指行驶过程中驾驶员主观感受值，可由驾驶员自我判定。

危险感知能力可理解为驾驶员对道路危险程度的感知水平。驾驶员通过获取外界行车信息并进而对道路情况进行判断，做出合理的驾驶行为预判，最终执行实现对车辆的操控。

隐马尔科夫模型（Hidden Markov Model，HMM）是基于语音识别领域被提出的概念，简称为HMM。一方面，HMM在声学领域应用时，用隐含序列表示各稳定的发音单位，声音的变化用状态转移和驻留来呈现；另一方面，HMM在输出概率计算中引入概率统计模型，采取概率密度函数对语音参数展开分析，进而确定最为合理的状态转移序列，得出最大后验概率，对其进行识别。

HMM模型的理论基础为马尔科夫理论，模型中的“链”对应状态变化趋势，HMM状态不具有可测性，但是可通过量化指标将其状态呈现出来。指标会根据状态的变化而改变，所以可通过指标变化确实来了解其不同时刻的状态情况。

如何利用隐马尔可夫模型构建驾驶员危险感知能力预测模型，实现对驾驶状态的不确定性、不可见性进行评估是本发明要解决的技术问题。

发明内容

本发明的目的是针对在驾驶过程中驾驶状态具有不确定性，不可见性的问题提出一种长大连续纵坡路段驾驶员危险感知能力预测模型构建方法，实现对驾驶员的驾驶状态是否处于安全状态进行实时检测。

为达到上述发明目的，本发明提供一种长大连续纵坡路段驾驶员危险感知能力预测模型构建方法，包括以下步骤：

步骤1、选择训练数据,构造安全训练集以及不安全训练集；所述安全训练集中包含驾驶员危险感知值大于等于1时对应的注视时间百分比、扫视时间百分比、心率变化率以及车辆速度；所述不安全训练集中包含驾驶员危险感知值小于1时对应的注视时间百分比、扫视时间百分比、心率变化率以及车辆速度；

步骤2、构建HMM模型，并对其模型参数进行初始化；

步骤3、采用安全训练集对HMM模型进行训练，直至预测性能达到预设值后停止训练，得到安全型HMM模型；采用不安全训练集对HMM模型进行训练，直至预测性能达到预设值后停止训练，得到不安全型HMM模型；则针对长大连续纵坡路段驾驶员危险感知能力预测模型构建完成。

具体的，所述步骤1中，驾驶员危险感知值的计算公式如下：

式中，为驾驶员危险感知值；为驾驶员主观危险度，采用10分制，分值越高代表驾驶员的主观危险感知度越高；为道路客观危险度，采用10分制，分值越高代表路段的客观危险度越高；i 为路段编号；j为驾驶人编号。

进一步的，道路客观危险度由道路事故率的累积频率确定。

进一步的，所述步骤2中，HMM模型为左-右链型结构。