[发明专利]基于机器学习原理的高速路安全车载智能系统及工作流程

权利要求书

1.基于机器学习原理的高速路安全车载智能系统，其特征在于，对已有高速路事故数据进行分析，总结事故相关车辆在事故发生时各自不同的行驶数据，建立事故目标函数；将所有事故按照标准统一量化为经济损失A，整合财产损失、人员受伤与财产损失和人员死亡与财产损失三类不同事故；

建立事故标签函数并将函数分为以下几类：

事故时间T，分为白天与夜晚两类；

事故发生时非正常驾驶行为B，分为突然加速、突然减速、危险变道三类；

事故发生时车辆运行速度S；

事故发生时天气状况W，分为路面干燥、雨、雪三类；

事故车辆行驶寿命V，分为行驶1-3年车、行驶3-10年车、行驶10年以上三类；

驾驶员状况D，分为连续行驶两小时以下、连续行驶2-5小时、连续行驶5小时以上三类；

事故发生地位置信息L。

所述模型的表现形式具体为：

A＝ε+ω_s(S)+ω_T(T_i)+ω_B(B_j)+ω_W(W_k)+ω_V(V_l)+ω_D(D_m)+ω_L(L_n)

其中，A为量化的经济损失，ε为模型余数；ω_λ为各个事故影响因素的权重；

2.根据权利要求1所述的基于机器学习原理的高速路安全车载智能系统，其特征在于，对事故数据进行训练，建立安全预测函数模型，包含以上事故因素的权重，对车辆在高速路上的实时行为进行预测，当预测目标函数超越阈值时，对驾驶员进行警示，所述训练的准备步骤如下，

步骤1、将已有事故数据进行分类，按照机器学习的应用经验惯例，将其中百分之七十分为训练集，百分之三十分为验证集，其中通过训练集数据中的训练，得到初步拥有各权重的模型，通过验证集数据进行各权重的微调；

步骤2、将模型中事故数据进行sigmoid函数转换，表示使用逻辑回归训练的模型的线性层的输出，生成一个介于(0，1)之间的值，

sigmoid函数为：

其中，z为代表文本的数字，y为输出值。

步骤3、运用TensorFlow或Pytorch对数据进行训练。

3.根据权利要求2所述的基于机器学习原理的高速路安全车载智能系统，其特征在于，安全模型训练的过程如下，

a、根据第一组事故数据，默认其各权重ω_λ为零，通过实际值A1与训练值ε之间差值，得到第一个模型损失loss₁；

b、通过第一个模型损失，通过梯度下降法指定一个学习速率步长p，自动形成各事故因素权重，得到第一个事故初步预测函数，按照机器学习的经验，学习速率p的惯例值为0.3；

c、训练第二组数据，通过实际值A2与模型预测值之间差值，得到第二个模型损失loss₂；

d、比较loss₁与loss₂，如后者大，则调整步长p，如前者大，则不作调整；

e、训练第三组数据，计算实际值与训练值的差，判断是否需要调整梯度下降法步长；

f、如现有数据训练结果持续显示近似值或持续变小，判定模型预测结果收敛，表示模型具有一定的预测可信度。

4.根据权利要求1所述的基于机器学习原理的高速路安全车载智能系统，其特征在于，将已有事故数据的经济损失量化，以财产损失、人员受伤与财产损失、人员死亡与财产损失为标准分为三类，以互相的平均经济损失为标准，设定模型合理阈值A1，A2，A3，作为提醒标准。