申请/专利权人：西安电子科技大学

申请日：2022-06-27

公开（公告）日：2024-06-21

公开（公告）号：CN115346363B

主分类号：G08G1/01

分类号：G08G1/01;G06F16/2458;G06N3/0464;G06N3/0475;G06N3/094;G06N3/045;G06Q50/40

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.12.02#实质审查的生效;2022.11.15#公开

摘要：本发明公开了一种基于神经网络的驾驶员违规预测方法，涉及违规预测技术领域，包括：获取原始数据；对原始数据进行处理，得到第一数据；采用第一数据对预设的第一模型进行训练，得到违规时间间隔预测模型，并对违规时间间隔预测模型进行评价；采用第一数据对预设的第二模型进行训练，对抗生成第二数据；将第一数据和第二数据进行综合，得到综合数据；采用综合数据对预设的第三模型进行训练，得到违规类型预测模型，并对违规类型预测模型进行评价；采用违规时间间隔预测模型和违规类型预测模型分别进行违规时间间隔和违规类型进行预测。本申请能够以较高的准确率对驾驶员违规进行预测。

主权项：1.一种基于神经网络的驾驶员违规预测方法，其特征在于，包括：获取原始数据；其中，所述原始数据包括公交公司数据，所述公交公司数据包括员工信息、违规信息、处罚信息、培训信息线路、车队信息和车辆信息；对所述原始数据进行处理，得到第一数据；其中，对所述原始数据处理的方法包括属性融合、特征构造、缺失值填充、特征编码和数据归一化；采用所述第一数据对预设的第一模型进行训练，得到违规时间间隔预测模型，并对所述违规时间间隔预测模型进行评价；其中，所述预设的第一模型的结构包括输入层、卷积层、密集结构块、过渡层、池化层、全连接层和输出层；所述密集结构块依次包括FRN层、TLU激活函数、1*1卷积和3*3卷积；所述过渡层依次包括FRN层、TLU激活函数、1*1卷积和2*2平均池化；所述FRN层的表达式为： 其中，N为批样本数，xi为H*W*C的特征矩阵，H为特征矩阵的高，W为特征矩阵的宽，C为特征矩阵的通道数，V2为x的二次范数的平均值；引入可学习参数γ和β对FRN层的特征进行缩放和平移变换， 其中，Oi为经处理后的特征，ε为避免除数为0时所使用的微小正数；TLU激活函数的表达式为：z＝maxy,τ＝maxy-τ,0+τ＝ReLUy-τ+τ；其中，τ为可以学习的参数，y为输入，z为经TLU激活函数后的输出；采用所述第一数据对预设的第二模型进行训练，对抗生成第二数据；将所述第一数据和所述第二数据进行综合，得到综合数据；采用所述综合数据对预设的第三模型进行训练，得到违规类型预测模型，并对所述违规类型预测模型进行评价；采用所述违规时间间隔预测模型和所述违规类型预测模型分别进行违规时间间隔和违规类型进行预测。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于神经网络的驾驶员违规预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD