[發明專利]車輛駕駛預測方法、系統、計算機設備及可讀存儲介質

有效

• 申請號: 202011038208.4
• 申請日: 2020-09-28
• 公開（公告）號: CN112149908B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 蔣磊
• 申請（專利權）人: 深圳壹賬通智能科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F18/214;G06N3/0464;G06N3/0442;G06Q10/0639;B60W50/00;B60W40/10;G06N3/045
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 王勇;鄧小玲

1.一種車輛駕駛預測方法，其特征在于，所述方法包括：

監測用戶駕駛車輛時的車輛運行數據；

將所述車輛運行數據轉換為用于描述用戶行為習慣的參數指標；

根據所述參數指標生成參數向量，并將所述參數向量輸入訓練好的用戶駕駛行為習慣模型中；

通過所述用戶駕駛行為習慣模型基于所述參數向量輸出預測結果，該預測結果包括各個行為的出現概率；及

根據所述用戶駕駛行為習慣模型輸出的預測結果，預測事故概率；

其中，所述將所述參數向量輸入訓練好的用戶駕駛行為習慣模型中的步驟包括：

S1：創建主線程、第一副線程和第二副線程；所述第一副線程加載有第一用戶駕駛行為習慣模型，所述第二副線程加載有第二用戶駕駛行為習慣模型，所述第一用戶駕駛行為習慣模型和所述第二用戶駕駛行為模塊均為所述用戶駕駛行為習慣模型；

S2：通過所述主線程獲取當前周期的車輛運行數據，并根據所述當前周期的車輛運行數據生成相應的當前周期的參數指標；

S3：通過所述主線程將所述當前周期的參數指標傳送至所述第一副線程中；

S4：通過所述第一副線程根據所述當前周期的參數指標生成當前周期的參數向量，將所述當前周期的參數向量輸入到所第一用戶駕駛行為習慣模型，并根據所述第一用戶駕駛行為習慣模型輸出預測結果；

S5：通過所述主線程獲取所述當前周期的實際結果以及從所述第一副線程中獲取所述當前周期對應的預測結果，將所述當前周期的參數指標、所述當前周期的預測結果和實際結果輸入到所述第二副線程中；

S6：通過所述第二副線程根據所述當前周期的參數指標、所述當前周期的預測結果和實際結果，修改所述第二用戶駕駛行為習慣模型的模型參數；

重復執行步驟S2至步驟S6直至到達預設時間長度之后，通過所述主線程獲取所述第二副線程中的更新后的第二用戶駕駛行為習慣模型，并將所述更新后的第二用戶駕駛行為習慣模型加載到所述第一副線程中，以替換所述第一用戶駕駛行為習慣模型，以使所述第一副線程基于所述更新后的第二用戶駕駛習慣模型進行預測操作。

2.根據權利要求1所述的車輛駕駛預測方法，其特征在于，在所述步驟S1之后，所述方法還包括：

維持所述第一副線程處于工作狀態；

檢測所述車輛是否處于穩定路段；及

若所述車輛處于所述穩定路段，則啟動所述第二副線程，否則暫停所述第二副線程。

3.根據權利要求1所述的車輛駕駛預測方法，其特征在于，在所述步驟S6之后，所述方法還包括：將修改后的模型參數上傳至區塊鏈中。

4.根據權利要求1所述的車輛駕駛預測方法，其特征在于，所述用戶駕駛行為習慣模型為基于LSTM-CNN的深度神經網絡；所述將所述參數向量輸入訓練好的用戶駕駛行為習慣模型中的步驟，包括：

將所述參數向量輸入到所述用戶駕駛行為習慣模型中的LSTM模塊中，以通過所述LSTM模塊得到輸出向量；及

將該輸出向量輸入至所述用戶駕駛行為習慣模型中的CNN模塊中，以通過所述CNN模塊輸出預測結果。

5.根據權利要求1所述的車輛駕駛預測方法，其特征在于，在所述根據所述用戶駕駛行為習慣模型輸出的預測結果，預測事故概率的步驟之后，所述方法還包括：

根據預測出的所述事故概率，對用戶行為習慣進行校正。

6.根據權利要求5所述的車輛駕駛預測方法，其特征在于，所述根據預測出的所述事故概率，對用戶行為習慣進行校正包括：當檢測到所述事故概率處于預定等級時，將所述運行數據輸入到最優行為模型中，以通過所述最優行為模型得到最優行為；及

將所述最優行為提供給所述用戶，以便用戶根據所述最優行為糾正駕駛行為。