[发明专利]基于神经网络的驾驶员违规预测方法

说明书

本发明公开了一种基于神经网络的驾驶员违规预测方法，涉及违规预测技术领域，包括：获取原始数据；对原始数据进行处理，得到第一数据；采用第一数据对预设的第一模型进行训练，得到违规时间间隔预测模型，并对违规时间间隔预测模型进行评价；采用第一数据对预设的第二模型进行训练，对抗生成第二数据；将第一数据和第二数据进行综合，得到综合数据；采用综合数据对预设的第三模型进行训练，得到违规类型预测模型，并对违规类型预测模型进行评价；采用违规时间间隔预测模型和违规类型预测模型分别进行违规时间间隔和违规类型进行预测。本申请能够以较高的准确率对驾驶员违规进行预测。

技术领域

本发明属于违规预测技术领域，具体涉及一种基于神经网络的驾驶员违规预测方法。

背景技术

随着我国机动车的保有量的不断攀升，交通事故发生数量也在随之增长。据统计，大多数交通事故的主要原因是驾驶员违规驾驶行为，驾驶员违规一直是交通领域的研究热点，为了减少驾驶员的违规驾驶行为，保障驾驶员的交通安全；部分学者从驾驶员的个人因素、环境因素、天气因素等方面出发，分析驾驶员违规驾驶行为背后机理；除此之外，基于驾驶员违规相关因素，使用不同的机器学习方法对驾驶员的违规类型、严重程度、频率等方面展开预测，也成为当前预防驾驶员违规驾驶行为造成交通事故的重要手段之一。交通事故的频发迫切的需要对驾驶员违规行为进行精准预测，以达到保障人们安全出行的目的。

相关技术中，国内外学者在驾驶员违规预测方面已经取得了一定的成果，现有技术多是在提取特征之后再利用支持向量机、随机森林、高斯朴素贝叶斯、决策树等传统的机器学习方法进行训练。传统的机器学习方法，在某些特定情景有不错的表现，但不能有效的提取驾驶员违规驾驶行为的深层次特征信息，在复杂情况下表现较差，模型的预测值和真实值的偏差较大，模型准确性较低；小部分学者将卷积神经网络应用于驾驶员违规预测中，提取深层次特征信息的能力增加了，但普通神经网络的固有问题也凸显了出来，在普通的神经网络模型训练中，容易出现网络梯度消失的问题，且依赖于训练集的数据分布，如果分布不均匀，训练出来的模型容易过拟合，在实际应用中的效果很差。

因此，亟需改善上述应用中存在的问题。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于神经网络的驾驶员违规预测方法。本发明要解决的技术问题通过以下技术方案实现：

第一方面，本申请提供一种基于神经网络的驾驶员违规预测方法，包括：

获取原始数据；

对原始数据进行处理，得到第一数据；

采用第一数据对预设的第一模型进行训练，得到违规时间间隔预测模型，并对违规时间间隔预测模型进行评价；

采用第一数据对预设的第二模型进行训练，对抗生成第二数据；

将第一数据和第二数据进行综合，得到综合数据；采用综合数据对预设的第三模型进行训练，得到违规类型预测模型，并对违规类型预测模型进行评价；

采用违规时间间隔预测模型和违规类型预测模型分别进行违规时间间隔和违规类型进行预测。

可选地，预设的第一模型的结构包括：

输入层、卷积层、密集结构块、过渡层、池化层、全连接层和输出层；

其中，密集结构块依次包括FRN层、TLU激活函数、1*1卷积和3*3卷积；所述过渡层依次包括FRN层、TLU激活函数、1*1卷积和2*2平均池化。

可选地，FRN层的表达式为：

其中，N为批样本数，x_i为H*W*C的特征矩阵，H为特征矩阵的高，W为特征矩阵的宽，C为特征矩阵的通道数，V²为x的二次范数的平均值；