[發明專利]基于機器學習原理的高速路安全車載智能系統及工作流程

在審

• 申請號: 202010624984.6
• 申請日: 2020-07-01
• 公開（公告）號: CN111784873A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 董明峰;成佳磊;危夢妮;黃鳴;萬鵬;俞雪雷;朱鯉;陳琛
• 申請（專利權）人: 上海城市交通設計院有限公司
• 主分類號: G07C5/08
• 分類號: G07C5/08;G06N20/00
• 代理公司: 上海世圓知識產權代理有限公司 31320
• 代理人: 陳穎潔

1.基于機器學習原理的高速路安全車載智能系統，其特征在于，對已有高速路事故數據進行分析，總結事故相關車輛在事故發生時各自不同的行駛數據，建立事故目標函數；將所有事故按照標準統一量化為經濟損失A，整合財產損失、人員受傷與財產損失和人員死亡與財產損失三類不同事故；

建立事故標簽函數并將函數分為以下幾類：

事故時間T，分為白天與夜晚兩類；

事故發生時非正常駕駛行為B，分為突然加速、突然減速、危險變道三類；

事故發生時車輛運行速度S；

事故發生時天氣狀況W，分為路面干燥、雨、雪三類；

事故車輛行駛壽命V，分為行駛1-3年車、行駛3-10年車、行駛10年以上三類；

駕駛員狀況D，分為連續行駛兩小時以下、連續行駛2-5小時、連續行駛5小時以上三類；

事故發生地位置信息L。

所述模型的表現形式具體為：

A＝ε+ω_s(S)+ω_T(T_i)+ω_B(B_j)+ω_W(W_k)+ω_V(V_l)+ω_D(D_m)+ω_L(L_n)

其中，A為量化的經濟損失，ε為模型余數；ω_λ為各個事故影響因素的權重；

2.根據權利要求1所述的基于機器學習原理的高速路安全車載智能系統，其特征在于，對事故數據進行訓練，建立安全預測函數模型，包含以上事故因素的權重，對車輛在高速路上的實時行為進行預測，當預測目標函數超越閾值時，對駕駛員進行警示，所述訓練的準備步驟如下，

步驟1、將已有事故數據進行分類，按照機器學習的應用經驗慣例，將其中百分之七十分為訓練集，百分之三十分為驗證集，其中通過訓練集數據中的訓練，得到初步擁有各權重的模型，通過驗證集數據進行各權重的微調；

步驟2、將模型中事故數據進行sigmoid函數轉換，表示使用邏輯回歸訓練的模型的線性層的輸出，生成一個介于(0，1)之間的值，

sigmoid函數為：

其中，z為代表文本的數字，y為輸出值。

步驟3、運用TensorFlow或Pytorch對數據進行訓練。

3.根據權利要求2所述的基于機器學習原理的高速路安全車載智能系統，其特征在于，安全模型訓練的過程如下，

a、根據第一組事故數據，默認其各權重ω_λ為零，通過實際值A1與訓練值ε之間差值，得到第一個模型損失loss₁；

b、通過第一個模型損失，通過梯度下降法指定一個學習速率步長p，自動形成各事故因素權重，得到第一個事故初步預測函數，按照機器學習的經驗，學習速率p的慣例值為0.3；

c、訓練第二組數據，通過實際值A2與模型預測值之間差值，得到第二個模型損失loss₂；

d、比較loss₁與loss₂，如后者大，則調整步長p，如前者大，則不作調整；

e、訓練第三組數據，計算實際值與訓練值的差，判斷是否需要調整梯度下降法步長；

f、如現有數據訓練結果持續顯示近似值或持續變小，判定模型預測結果收斂，表示模型具有一定的預測可信度。

4.根據權利要求1所述的基于機器學習原理的高速路安全車載智能系統，其特征在于，將已有事故數據的經濟損失量化，以財產損失、人員受傷與財產損失、人員死亡與財產損失為標準分為三類，以互相的平均經濟損失為標準，設定模型合理閾值A1，A2，A3，作為提醒標準。