[發明專利]一種疲勞檢測模型的訓練方法、疲勞駕駛檢測方法及裝置

有效

• 申請號: 202010936728.0
• 申請日: 2020-09-08
• 公開（公告）號: CN112036352B
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 韓福波;劉亞書
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G08B21/06;G08B21/24;G08B21/18
• 代理公司: 北京超成律師事務所 11646
• 代理人: 裴素英

1.一種疲勞檢測模型的訓練方法，其特征在于，所述訓練方法包括：

基于歷史訂單構造訓練樣本，所述訓練樣本中包括疲勞特征和所述疲勞特征對應的是否發生交通事故的事故結果；

將所述疲勞特征作為決策樹模型的輸入，將疲勞規則作為所述決策樹模型的輸出；根據所述決策樹模型基于輸入的疲勞特征得到的輸出結果和所述疲勞特征對應的事故結果，訓練決策樹模型，得到訓練好的疲勞檢測模型和所述疲勞檢測模型對應的疲勞規則；其中，在所述決策樹模型的訓練過程中，輸入的疲勞特征得到的輸出結果和所述疲勞特征對應的事故結果用于確定所述決策樹模型的損失；

根據所述疲勞檢測模型對應的疲勞規則，建立所述疲勞特征和疲勞程度的映射關系；其中，所述映射關系用于基于所述疲勞檢測模型基于目標訂單對應的目標疲勞特征的輸出結果，確定所述目標訂單對應的目標疲勞程度。

2.根據權利要求1所述的疲勞檢測模型的訓練方法，其特征在于，所述疲勞特征包括以下至少之一：服務提供方的基本動作特征；服務提供方的連續疲勞特征；訂單特征；

其中，所述服務提供方的基本動作特征至少包括：服務提供方在最近時間段內的睜閉眼次數、睜閉眼時長、張閉嘴次數、張閉嘴時長；所述服務提供方的連續疲勞特征至少包括：服務提供方在一段時間段內連續觸發基本動作的次數、每兩次基本動作之間的時間間隔、每一次基本動作在對應時間段內的時長占比；其中，所述一段時間段內連續觸發的每兩次基本動作之間的時間間隔小于第一預設閾值；所述訂單特征至少包括訂單時間、訂單距離。

3.根據權利要求2所述的疲勞檢測模型的訓練方法，其特征在于，所述基于歷史訂單構造訓練樣本，包括：

基于服務提供方對應的歷史訂單構造初始訓練樣本，所述初始訓練樣本中包括初始疲勞特征和所述初始疲勞特征對應的是否發生交通事故的事故結果；

針對所述決策樹模型的每一節點，獲取該節點對應的初始訓練樣本；針對所述初始訓練樣本中的每一初始疲勞特征，將該初始疲勞特征作為該節點的輸入，得到該節點對應的決策結果；

若該決策結果不符合預設條件，則從所述初始訓練樣本中刪除該初始疲勞特征，得到訓練樣本。

4.根據權利要求1所述的疲勞檢測模型的訓練方法，其特征在于，根據所述決策樹模型基于輸入的疲勞特征得到的輸出結果和所述疲勞特征對應的事故結果，訓練決策樹模型，得到所述疲勞檢測模型對應的疲勞規則，包括：

基于每一個疲勞特征對所述疲勞檢測模型的輸出結果的影響，確定當所述疲勞檢測模型基于輸入的疲勞特征得到的輸出結果和所述疲勞特征對應發生事故相匹配時，對應的準確率滿足第二預設閾值的疲勞規則。

5.根據權利要求1所述的疲勞檢測模型的訓練方法，其特征在于，所述根據所述疲勞檢測模型對應的疲勞規則，建立所述疲勞特征和疲勞程度的映射關系，包括：

當所述訓練樣本對應的疲勞程度為輕度疲勞時，所述疲勞檢測模型基于所述訓練樣本中的疲勞特征得到單條疲勞規則；其中，不同的疲勞特征對應的單條疲勞規則不同；

當所述訓練樣本對應的疲勞程度為重度疲勞時，所述疲勞檢測模型基于所述訓練樣本中的疲勞特征得到組合疲勞規則；其中，不同的疲勞特征對應的組合疲勞規則不同。

6.根據權利要求5所述的疲勞檢測模型的訓練方法，其特征在于，確定所述組合疲勞規則包括：

根據每一個所述單條疲勞規則在每一個訓練正樣本中的疲勞特征命中信息，確定該單條疲勞規則在該訓練正樣本下的時間權重值；其中，所述訓練正樣本為對應的事故結果為發生交通事故的訓練樣本；

根據該單條疲勞規則在多個訓練正樣本下的時間權重值，確定該單條疲勞規則對應的綜合時間權重值；

根據每一個單個疲勞規則對應的綜合時間權重值，從所述單條疲勞規則中選取第一候選疲勞規則和第二候選疲勞規則；其中，所述第一候選疲勞規則對應的綜合時間權重值的小于第一閾值，所述第二候選疲勞規則對應的綜合時間權重值大于第二閾值；其中，所述第二閾值大于或者等于所述第一閾值；

將所述第一候選疲勞規則和所述第二候選疲勞規則確定為所述組合疲勞規則。