[發明專利]預測模型的構建方法、車輛事故預測方法及裝置

有效

• 申請號: 202110644958.4
• 申請日: 2021-06-10
• 公開（公告）號: CN113096405B
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 徐顯杰;付成祥
• 申請（專利權）人: 天津所托瑞安汽車科技有限公司;浙江所托瑞安科技集團有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06K9/62;G06Q10/04;G06Q50/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種預測模型的構建方法，其特征在于，包括以下步驟：

根據第一數據，確定僅包含核心特征的訓練集；所述第一數據為歷史事故記錄信息中，第一設定時間內的司機行為信息、車輛行駛信息、車輛報警信息和環境信息；

采用所述僅包含核心特征的訓練集對聚類分析模型進行訓練；

根據車輛事故的預測結果，優化聚類分析模型，確定優化后的聚類分析模型為預測模型；

其中，所述車輛事故的預測結果是所述訓練后的聚類分析模型對第二數據進行預測得到，所述第二數據為第二設定時間內的司機行為信息、車輛行駛信息、車輛報警信息和環境信息；

所述核心特征是指在歷史事故記錄信息中所出現的所有特征中，出現的百分比超出設定百分比的特征；

所述根據第一數據，確定僅包含核心特征的訓練集，包括：

根據第一數據與第一因素，確定第三數據；所述第一因素用于將第一數據中的各個特征的數值處理為處于同一量綱下的數值；

根據第三數據，確定包含所有特征的訓練集；

根據所述包含所有特征的訓練集，確定所述僅包含核心特征的訓練集；

所述根據所述包含所有特征的訓練集，確定所述僅包含核心特征的訓練集，包括：

采用所述包含所有特征的訓練集對隨機森林模型進行訓練，確定所有特征的權重，根據所述權重，確定車輛事故相關特征；

對所述車輛事故相關特征進行特征降維，確定所述僅包含核心特征的訓練集。

2.根據權利要求1所述的預測模型的構建方法，其特征在于，所述根據第三數據，確定包含所有特征的訓練集，包括：

對第三數據進行標準化處理，確定所述包含所有特征的訓練集。

3.根據權利要求1或2所述的預測模型的構建方法，其特征在于，在所述采用所述僅包含核心特征的訓練集對聚類分析模型進行訓練之后，還包括：

采用驗證集對訓練后的聚類分析模型進行驗證，所述驗證集為第四數據，所述第四數據為所述第一數據經特征降維得到的數據。

4.一種車輛事故預測方法，其特征在于，包括以下步驟：

對待測試數據進行特征降維，確定測試集；所述待測試數據為待測試時間段內的司機行為信息、車輛行駛信息、車輛報警信息和環境信息；

根據所述測試集和權利要求1-3任一項所述的預測模型的構建方法得到的預測模型，確定車輛事故預測結果。

5.一種預測模型的構建裝置，其特征在于，包括：

僅包含核心特征的訓練集確定模塊，用于根據第一數據，確定僅包含核心特征的訓練集；所述第一數據為歷史事故記錄信息中，第一設定時間內的司機行為信息、車輛行駛信息、車輛報警信息和環境信息；

聚類分析模型訓練模塊，用于采用所述僅包含核心特征的訓練集對聚類分析模型進行訓練；

預測模型確定模塊，用于根據車輛事故的預測結果，優化聚類分析模型，確定優化后的聚類分析模型為預測模型；其中，所述車輛事故的預測結果是所述訓練后的聚類分析模型對第二數據進行預測得到，所述第二數據為第二設定時間內的司機行為信息、車輛行駛信息、車輛報警信息和環境信息；

所述核心特征是指在歷史事故記錄信息中所出現的所有特征中，出現的百分比超出設定百分比的特征；

所述根據第一數據，確定僅包含核心特征的訓練集，包括：

根據第一數據與第一因素，確定第三數據；所述第一因素用于將第一數據中的各個特征的數值處理為處于同一量綱下的數值；

根據第三數據，確定包含所有特征的訓練集；

根據所述包含所有特征的訓練集，確定所述僅包含核心特征的訓練集；

所述根據所述包含所有特征的訓練集，確定所述僅包含核心特征的訓練集，包括：

采用所述包含所有特征的訓練集對隨機森林模型進行訓練，確定所有特征的權重，根據所述權重，確定車輛事故相關特征；

對所述車輛事故相關特征進行特征降維，確定所述僅包含核心特征的訓練集。