CN110837979B - 基于随机森林的安全驾驶风险预测方法及装置 - Google Patents

Abstract

本申请实施例提供一种基于随机森林的安全驾驶风险预测方法及装置，方法包括：接收车载终端发送的驾驶风险因子原始数据；根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型；根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值；本申请能够将驾驶风险进行详细地划分与定义，根据驾驶风险因子的不同类型分别对其进行数学建模，这使得驾驶风险因子可以量化，提高了风险预测的准确性。

Description

基于随机森林的安全驾驶风险预测方法及装置

技术领域

本申请涉及智能驾驶领域，具体涉及一种基于随机森林的安全驾驶风险预测方法及装置。

背景技术

现有技术通常聚焦于数据采集模块与数据采集方法等，基于传统硬件采集到的驾驶数据比较粗糙，由于这类数据不太具有代表性，采用这类数据进行驾驶风险预测时准确率较低，而且，这类数据通过不能很好地定义驾驶风险的累积，用于统计模型优化的效果较差。

发明内容

针对现有技术中的问题，本申请提供一种基于随机森林的安全驾驶风险预测方法及装置，能够提升驾驶风险预测的准确性。

为了解决上述问题中的至少一个，本申请提供以下技术方案：

第一方面，本申请提供一种基于随机森林的安全驾驶风险预测方法，包括：

接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据；

根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型；

根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值。

进一步地，所述驾驶行为风险预测模块包括：

打哈欠模型，其具体为：

Y(t)＝a,t∈[0,t₀],a∈[0,t₀]，

式中，Y(t)表示驾驶过程中驾驶员在单位时间t₀内打哈欠的次数，a表示其具体值；

闭眼模型，其具体为：

C(t)＝b,t∈[0,t₀],b∈[0,60t₀],t₀＝1minute，

式中，C(t)表示驾驶过程中驾驶员在单位时间t₀内闭眼的次数，b表示其具体值，当单位时间t₀为1分钟时，其极限值为60次；

抽烟模型，其具体为：

式中，S(t)表示抽烟事件在驾驶过程中单位时间t₀内的累积风险值，s(t)表示抽烟事件导致交通事故的风险函数，该函数可以通过采用大量交通事故数据插值拟合得到；

打电话模型，其具体为：

式中，P(t)表示驾驶过程中单位时间t₀内打电话事件导致交通事故的累积风险值，p(t)表示打电话事件的瞬时风险函数，该函数可以通过采用大量交通事故数据插值拟合得到；

左顾右盼模型，其具体为：

L(t)＝c,t∈[0,t₀],c∈[0,60t₀],t₀＝1minute，

式中，L(t)表示驾驶过程中驾驶员在单位时间t₀左顾右盼的次数，c表示其具体值，当单位时间t₀为1分钟时，其极限值为60次。

进一步地，所述车辆状况风险预测模型包括：

碰撞风险模型，其具体为：

式中，F(t)表示两辆车在行驶过程中发生碰撞的风险值。e^-f(t)表示车辆在行驶过程中发生碰撞的瞬时风险函数，该函数可以通过采用历史数据拟合得到，s_fb表示前后两车之间的实时距离，v_b表示后车的行驶速度，v_f表示前车的行驶速度，当前车行驶速度大于或等于后车行驶速度时t_f＜0，前后两车发生碰撞的风险值为：F(t)＝0，反之，两车发生碰撞的风险值为：

车距风险模型，其具体为：

式中，H(t)表示两车行驶过程中前车停止时，后车发生追尾的风险值，s_fb表示前后两车之间的实时距离，v_b表示后车的行驶速度，t_d表示可能的碰撞时间，s_r表示实际距离，s_f表示安全距离，ε(t)为单位阶跃函数；

车道偏离模型，其具体为：

式中，D(t)表示车道偏离风险值，v为车辆行驶的实际速度，s_d为车身质心距离车道中位线的距离；

急刹车模型，其具体为：

F₁(t)＝0&&1，

式中，F₁(t)表示有无急刹车事件，0表示无，1表示有；

车速模型，其具体为：

式中，V(t)为车辆超速的风险值，v_r为实际车速，v_s为限制车速，e^v(t)为车辆超速行驶的风险函数，该函数通过采用历史数据拟合得到；

油门模型，其具体为：

式中，A(t)表示踩踏油门事件的风险值，d₀为油门的最大开合程度，e^a(t)为踩踏油门事件的风险函数，该函数采用历史数据拟合得到。

进一步地，所述自然环境风险预测模型包括：

十字路模型，其具体为：

F₂(t)＝0&&1，

式中，0表示事件无，1表示事件有；

岔道模型，其具体为：

F₃(t)＝0&&1，

式中，0表示事件无，1表示事件有；

雨模型，其具体为：

F₄(t)＝0&&1，

式中，0表示事件无，1表示事件有；

雪模型，其具体为：

F₅(t)＝0&&1，

式中，0表示事件无，1表示事件有；

雾模型，其具体为：

F₆(t)＝0&&1，

式中，0表示事件无，1表示事件有。

第二方面，本申请提供一种基于随机森林的安全驾驶风险预测装置，包括：

第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于随机森林的安全驾驶风险预测方法的步骤。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于随机森林的安全驾驶风险预测方法的步骤。

由上述技术方案可知，本申请提供一种基于随机森林的安全驾驶风险预测方法及装置，通过接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据；根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型；根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值，本申请能够将驾驶风险进行详细地划分与定义，根据驾驶风险因子的不同类型分别对其进行数学建模，这使得驾驶风险因子可以量化，提高了风险预测的准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中的基于随机森林的安全驾驶风险预测方法的流程示意图；

图2为本申请实施例中的基于随机森林的安全驾驶风险预测装置的结构图；

图3为本申请实施例中的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

考虑到现有技术通常聚焦于数据采集模块与数据采集方法等，基于传统硬件采集到的驾驶数据比较粗糙，由于这类数据不太具有代表性，采用这类数据进行驾驶风险预测时准确率较低，而且，这类数据通过不能很好地定义驾驶风险的累积，用于统计模型优化的效果较差的问题，本申请提供一种基于随机森林的安全驾驶风险预测方法及装置，通过接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据；根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型；根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值，本申请能够将驾驶风险进行详细地划分与定义，根据驾驶风险因子的不同类型分别对其进行数学建模，这使得驾驶风险因子可以量化，提高了风险预测的准确性。

为了能够提升驾驶风险预测的准确性，本申请提供一种基于随机森林的安全驾驶风险预测方法的实施例，参见图1，所述基于随机森林的安全驾驶风险预测方法具体包含有如下内容：

步骤S101：接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据。

步骤S102：根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型。

步骤S103：根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值。

从上述描述可知，本申请实施例提供的基于随机森林的安全驾驶风险预测方法，能够通过接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据；根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型；根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值，本申请能够将驾驶风险进行详细地划分与定义，根据驾驶风险因子的不同类型分别对其进行数学建模，这使得驾驶风险因子可以量化，提高了风险预测的准确性。

为了能够提升驾驶风险预测的准确性，在本申请的基于随机森林的安全驾驶风险预测方法的一实施例中，还可以具体包含有如下内容：

所述驾驶行为风险预测模型包括：

打哈欠模型，其具体为：

Y(t)＝a,t∈[0,t₀],a∈[0,t₀]，

式中，Y(t)表示驾驶过程中驾驶员在单位时间t₀内打哈欠的次数，a表示其具体值；

闭眼模型，其具体为：

C(t)＝b,t∈[0,t₀],b∈[0,60t₀],t₀＝1minute，

式中，C(t)表示驾驶过程中驾驶员在单位时间t₀内闭眼的次数，b表示其具体值，当单位时间t₀为1分钟时，其极限值为60次；

抽烟模型，其具体为：

式中，S(t)表示抽烟事件在驾驶过程中单位时间t₀内的累积风险值，s(t)表示抽烟事件导致交通事故的风险函数，该函数可以通过采用大量交通事故数据插值拟合得到；

打电话模型，其具体为：

式中，P(t)表示驾驶过程中单位时间t₀内打电话事件导致交通事故的累积风险值，p(t)表示打电话事件的瞬时风险函数，该函数可以通过采用大量交通事故数据插值拟合得到；

左顾右盼模型，其具体为：

L(t)＝c,t∈[0,t₀],c∈[0,60t₀],t₀＝1minute，

式中，L(t)表示驾驶过程中驾驶员在单位时间t₀左顾右盼的次数，c表示其具体值，当单位时间t₀为1分钟时，其极限值为60次。

为了能够提升驾驶风险预测的准确性，在本申请的基于随机森林的安全驾驶风险预测方法的一实施例中，还可以具体包含有如下内容：

所述车辆状况风险预测模型包括：

碰撞风险模型，其具体为：

式中，F(t)表示两辆车在行驶过程中发生碰撞的风险值。e^-f(t)表示车辆在行驶过程中发生碰撞的瞬时风险函数，该函数可以通过采用历史数据拟合得到，s_fb表示前后两车之间的实时距离，v_b表示后车的行驶速度，v_f表示前车的行驶速度，当前车行驶速度大于或等于后车行驶速度时t_f＜0，前后两车发生碰撞的风险值为：F(t)＝0，反之，两车发生碰撞的风险值为：

车距风险模型，其具体为：

式中，H(t)表示两车行驶过程中前车停止时，后车发生追尾的风险值，s_fb表示前后两车之间的实时距离，v_b表示后车的行驶速度，t_d表示可能的碰撞时间，s_r表示实际距离，s_f表示安全距离，ε(t)为单位阶跃函数；

车道偏离模型，其具体为：

式中，D(t)表示车道偏离风险值，v为车辆行驶的实际速度，s_d为车身质心距离车道中位线的距离；

急刹车模型，其具体为：

F₁(t)＝0&&1，

式中，F₁(t)表示有无急刹车事件，0表示无，1表示有；

车速模型，其具体为：

式中，V(t)为车辆超速的风险值，v_r为实际车速，v_s为限制车速，e^v(t)为车辆超速行驶的风险函数，该函数通过采用历史数据拟合得到；

油门模型，其具体为：

式中，A(t)表示踩踏油门事件的风险值，d₀为油门的最大开合程度，e^a(t⁾为踩踏油门事件的风险函数，该函数采用历史数据拟合得到。

为了能够提升驾驶风险预测的准确性，在本申请的基于随机森林的安全驾驶风险预测方法的一实施例中，还可以具体包含有如下内容：

所述自然环境风险预测模型包括：

十字路模型，其具体为：

F₂(t)＝0&&1，

式中，0表示事件无，1表示事件有；

岔道模型，其具体为：

F₃(t)＝0&&1，

式中，0表示事件无，1表示事件有；

雨模型，其具体为：

F₄(t)＝0&&1，

式中，0表示事件无，1表示事件有；

雪模型，其具体为：

F₅(t)＝0&&1，

式中，0表示事件无，1表示事件有；

雾模型，其具体为：

F₆(t)＝0&&1，

式中，0表示事件无，1表示事件有。

为了能够提升驾驶风险预测的准确性，本申请提供一种用于实现所述基于随机森林的安全驾驶风险预测方法的全部或部分内容的基于随机森林的安全驾驶风险预测装置的实施例，参见图2，所述基于随机森林的安全驾驶风险预测装置具体包含有如下内容：

原始数据采集模块10，用于接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据。

模型训练模块20，用于根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型。

风险预测模块30，用于根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值。

从上述描述可知，本申请实施例提供的基于随机森林的安全驾驶风险预测装置，能够通过接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据；根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型；根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值，本申请能够将驾驶风险进行详细地划分与定义，根据驾驶风险因子的不同类型分别对其进行数学建模，这使得驾驶风险因子可以量化，提高了风险预测的准确性。

基于部标交通事故等级划分标准，本申请还提出4种驾驶事件的风险类型，各类驾驶风险类型的具体定义如下：

①正常行驶：R(t)＝0，指未发生异常事件、车辆正常行驶；

②一般危险：R(t)＝1，指发生了低风险事件、经济损失在10万元之内；

③高度危险：R(t)＝2，指发生了高风险事件、经济损失在10万到100万元之间；

④严重危险：R(t)＝3，指发生了致命事件、经济损失在100万元之上。

为了更进一步说明本方案，本申请还提供一种应用上述基于随机森林的安全驾驶风险预测装置实现基于随机森林的安全驾驶风险预测方法的具体应用实例，具体包含有如下内容：

步骤1，采集驾驶风险数据：

通过利用智能硬件设备包括：摄像头、毫米波雷达、车身传感器等采集本专利定义的16种驾驶风险因子数据。这些实时数据可以通过车载5G模块传输到后端运营服务平台。

步骤2，驾驶风险因子建模：

采集到车载终端传入的驾驶风险因子原始数据后，通过后端应用接口程序调用前述所提出的各种驾驶风险因子的数学模型，计算各类驾驶风险因子导致交通事故产生的风险值。

步骤3，驾驶风险评估模型优化：

基于前述带有标签(已发生交通事故)的驾驶风险因子数据，对随机森林模型进行优化。

步骤4，驾驶风险预测：

采用驾驶风险因子的数学模型计算得到的风险值作为随机森林的输入数据，采用优化后的随机森林模型预测某一时刻输入驾驶风险因子数据导致交通事故产生的风险值。

由上述描述可知，本申请还可以实现如下技术效果：

1、本申请针对现有专利提出的驾驶风险数据定义不明确、稳定性差且粗糙等缺点提出了一种全新的驾驶风险因子定义。这类数据分别从驾驶员驾驶行为、车辆行驶状况与自然环境因素等入手，分类考虑不同的驾驶风险因子。此外，本申请针对上述自定义的驾驶风险因子进行精确的数学建模，主要为了能够对各类驾驶风险因素进行量化表征。

2、本申请对驾驶风险数据的建模能够在时间轴上累积风险因子的风险值，这主要为了准确地体现驾驶风险与驾驶行为、天气、车况与路况之间的因果关系。同时，采用驾驶风险因子的风险函数在时间轴上的积分来定义驾驶风险因子的风险值，这主要为了表明风险累积与事故率的正相关性。

3、本申请基于经济损失额度对驾驶风险事件进行类型划分，这主要为了量化定义驾驶事故的类别标签。采用随机森林模型对输入驾驶风险数据进行预测，这主要是为了使得用于驾驶风险评估的模型具有可学习性，能够利用现有的大量带标签的驾驶风险数据。采用这类数据训练的模型用于风险预测，其预测的准确率会更高。

本申请的实施例还提供能够实现上述实施例中的基于随机森林的安全驾驶风险预测方法中全部步骤的一种电子设备的具体实施方式，参见图3，所述电子设备具体包括如下内容：

处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604；

其中，所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信；所述通信接口603用于实现基于随机森林的安全驾驶风险预测装置、在线业务系统、客户端设备以及其他参与机构之间的信息传输；

所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的基于随机森林的安全驾驶风险预测方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤S101：接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据。

步骤S102：根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型。

步骤S103：根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值。

从上述描述可知，本申请实施例提供的电子设备，能够通过接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据；根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型；根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值，本申请能够将驾驶风险进行详细地划分与定义，根据驾驶风险因子的不同类型分别对其进行数学建模，这使得驾驶风险因子可以量化，提高了风险预测的准确性。

本申请的实施例还提供能够实现上述实施例中的基于随机森林的安全驾驶风险预测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于随机森林的安全驾驶风险预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤S101：接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据。

步骤S102：根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型。

步骤S103：根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值。

从上述描述可知，本申请实施例提供的计算机可读存储介质，能够通过接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据；根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型；根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值，本申请能够将驾驶风险进行详细地划分与定义，根据驾驶风险因子的不同类型分别对其进行数学建模，这使得驾驶风险因子可以量化，提高了风险预测的准确性。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。

本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (6)

1.一种基于随机森林的安全驾驶风险预测方法，其特征在于，所述方法包括：

接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据；

根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型，其中，所述驾驶行为风险预测模型包括：

打哈欠模型，其具体为：

Y(t)＝a,t∈[0,t₀],a∈[0,t₀]，

式中，Y(t)表示驾驶过程中驾驶员在单位时间t₀内打哈欠的次数，a表示其具体值；

闭眼模型，其具体为：

C(t)＝b,t∈[0,t₀],b∈[0,60t₀],t₀＝1minute，

式中，C(t)表示驾驶过程中驾驶员在单位时间t₀内闭眼的次数，b表示其具体值，当单位时间t₀为1分钟时，其极限值为60次；

抽烟模型，其具体为：

式中，S(t)表示抽烟事件在驾驶过程中单位时间t₀内的累积风险值，s(t)表示抽烟事件导致交通事故的风险函数，该函数可以通过采用大量交通事故数据插值拟合得到；

打电话模型，其具体为：

式中，P(t)表示驾驶过程中单位时间t₀内打电话事件导致交通事故的累积风险值，p(t)表示打电话事件的瞬时风险函数，该函数可以通过采用大量交通事故数据插值拟合得到；

左顾右盼模型，其具体为：

L(t)＝c,t∈[0,t₀],c∈[0,60t₀],t₀＝1minute，

式中，L(t)表示驾驶过程中驾驶员在单位时间t₀左顾右盼的次数，c表示其具体值，当单位时间t₀为1分钟时，其极限值为60次；

根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值。

2.根据权利要求1所述的基于随机森林的安全驾驶风险预测方法，其特征在于，所述车辆状况风险预测模型包括：

碰撞风险模型，其具体为：

式中，F(t)表示两辆车在行驶过程中发生碰撞的风险值，e^-f(t)表示车辆在行驶过程中发生碰撞的瞬时风险函数，该函数可以通过采用历史数据拟合得到，s_fb表示前后两车之间的实时距离，v_b表示后车的行驶速度，v_f表示前车的行驶速度，当前车行驶速度大于或等于后车行驶速度时t_f＜0，前后两车发生碰撞的风险值为：F(t)＝0，反之，两车发生碰撞的风险值为：

车距风险模型，其具体为：

式中，H(t)表示两车行驶过程中前车停止时，后车发生追尾的风险值，s_fb表示前后两车之间的实时距离，v_b表示后车的行驶速度，t_d表示可能的碰撞时间，s_r表示实际距离，s_f表示安全距离，ε(t)为单位阶跃函数；

车道偏离模型，其具体为：

式中，D(t)表示车道偏离风险值，v为车辆行驶的实际速度，s_d为车身质心距离车道中位线的距离；

急刹车模型，其具体为：

F₁(t)＝0&&1，

式中，F₁(t)表示有无急刹车事件，0表示无，1表示有；

车速模型，其具体为：

式中，V(t)为车辆超速的风险值，v_r为实际车速，v_s为限制车速，e^v(t)为车辆超速行驶的风险函数，该函数通过采用历史数据拟合得到；

油门模型，其具体为：

式中，A(t)表示踩踏油门事件的风险值，d₀为油门的最大开合程度，e^a(t)为踩踏油门事件的风险函数，该函数采用历史数据拟合得到。

3.根据权利要求1所述的基于随机森林的安全驾驶风险预测方法，其特征在于，所述自然环境风险预测模型包括：

十字路模型，其具体为：

F₂(t)＝0&&1，

式中，0表示事件无，1表示事件有，&&表示逻辑条件与；

岔道模型，其具体为：

F₃(t)＝0&&1，

式中，0表示事件无，1表示事件有，&&表示逻辑条件与；

雨模型，其具体为：

F₄(t)＝0&&1，

式中，0表示事件无，1表示事件有，&&表示逻辑条件与；

雪模型，其具体为：

F₅(t)＝0&&1，

式中，0表示事件无，1表示事件有，&&表示逻辑条件与；

雾模型，其具体为：

F₆(t)＝0&&1，

式中，0表示事件无，1表示事件有，&&表示逻辑条件与。

4.一种基于随机森林的安全驾驶风险预测装置，其特征在于，包括：

原始数据采集模块，用于接收车载终端发送的驾驶风险因子原始数据，其中，所述驾驶风险因子原始数据包括驾驶行为数据、车辆状况数据和自然环境数据；

模型训练模块，用于根据所述驾驶风险因子原始数据对对应的预设驾驶风险因子预测模型进行模型训练，得到训练后的预设驾驶风险因子预测模型，其中，所述驾驶风险因子预测模型包括驾驶行为风险预测模型、车辆状况风险预测模型和自然环境风险预测模型，其中，所述驾驶行为风险预测模型包括：

打哈欠模型，其具体为：

Y(t)＝a,t∈[0,t₀],a∈[0,t₀]，

式中，Y(t)表示驾驶过程中驾驶员在单位时间t₀内打哈欠的次数，a表示其具体值；

闭眼模型，其具体为：

C(t)＝b,t∈[0,t₀],b∈[0,60t₀],t₀＝1minute，

式中，C(t)表示驾驶过程中驾驶员在单位时间t₀内闭眼的次数，b表示其具体值，当单位时间t₀为1分钟时，其极限值为60次；

抽烟模型，其具体为：

式中，S(t)表示抽烟事件在驾驶过程中单位时间t₀内的累积风险值，s(t)表示抽烟事件导致交通事故的风险函数，该函数可以通过采用大量交通事故数据插值拟合得到；

打电话模型，其具体为：

式中，P(t)表示驾驶过程中单位时间t₀内打电话事件导致交通事故的累积风险值，p(t)表示打电话事件的瞬时风险函数，该函数可以通过采用大量交通事故数据插值拟合得到；

左顾右盼模型，其具体为：

L(t)＝c,t∈[0,t₀],c∈[0,60t₀],t₀＝1minute，

式中，L(t)表示驾驶过程中驾驶员在单位时间t₀左顾右盼的次数，c表示其具体值，当单位时间t₀为1分钟时，其极限值为60次；

风险预测模块，用于根据训练后的预设驾驶风险因子预测模型，确定与各驾驶风险因子原始数据对应的事故风险预测值。

5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至3任一项所述的基于随机森林的安全驾驶风险预测方法的步骤。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至3任一项所述的基于随机森林的安全驾驶风险预测方法的步骤。

Images