[发明专利]一种危险驾驶场景数据随机生成方法及系统

权利要求书

1.一种危险驾驶场景数据随机生成方法，其特征在于，所述方法包括：

获取诱发交通事故的危险驾驶场景属性，建立危险驾驶场景属性集；

基于Keras深度学习框架搭建VAE网络；

将所述危险驾驶场景属性集作为所述VAE网络的输入，结合反向传播算法对所述VAE网络进行训练优化，得到训练好的VAE网络；

提取所述训练好的VAE网络中的解码器，并从标准正态分布中采样若干随机数据，将所述随机数据输入所述解码器中，得到所述解码器输出的若干危险驾驶场景数据。

2.根据权利要求1所述的一种危险驾驶场景数据随机生成方法，其特征在于，所述建立危险驾驶场景属性集后，还包括利用One-hot编码对所述危险驾驶场景属性集中的属性数据进行预处理。

3.根据权利要求1所述的一种危险驾驶场景数据随机生成方法，其特征在于，所述VAE网络包括编码器与解码器，所述编码器用于将所述危险驾驶场景属性集编码成符合先验分布的隐变量，所述解码器用于将所述隐变量解码成为危险驾驶场景属性集。

4.根据权利要求3所述的一种危险驾驶场景数据随机生成方法，其特征在于，将所述危险驾驶场景属性集编码成符合先验分布的隐变量包括：

通过输入层输入危险驾驶属性数据；

通过第一隐藏层和第二隐藏层根据所述危险驾驶属性数据得到隐变量并计算得到隐变量的均值；

通过所述第一隐藏层和第三隐藏层根据所述危险驾驶属性数据得到隐变量计算得到隐变量的方差；

根据重参数技巧通过输出层输出隐变量。

5.根据权利要求3所述的一种危险驾驶场景数据生成方法，其特征在于，所述将所述隐变量解码成为危险驾驶场景属性集包括：

通过输入层输入编码器输出的隐变量；

通过第四隐藏层将所述隐变量转换为危险驾驶属性数据；

通过输出层将所述危险驾驶属性数据进行输出。

6.根据权利要求1所述的一种危险驾驶场景数据随机生成方法，其特征在于，所述结合反向传播算法对所述VAE网络进行训练优化包括：

引入随机变量更新所述VAE网络的隐变量表达式，根据新的隐变量表达式采用adam优化器对所述VAE网络进行迭代训练；所述随机变量为符合正态分布的随机变量。

7.根据权利要求6所述的一种危险驾驶场景数据随机生成方法，其特征在于，所述采用adam优化器对所述VAE网络进行迭代训练包括：

设定所述VAE网络的损失函数；

采用反向传播算法迭代优化所述VAE网络的参数，选择所述损失函数最小时对应的参数作为优化好的参数。

8.根据权利要求7所述的一种危险驾驶场景数据随机生成方法，其特征在于，所述损失函数为：

max ELBO(q,x；θ,φ)＝E_q(z|x；φ)[logp(x|z；θ)]-KL(q(z|x；φ)||p(z；θ)))

其中，q为隐变量的先验分布，x为危险驾驶场景样本，z为隐变量，θ为解码器网络参数，φ为编码器参数，E_q(z|x；φ)[logp(x|z；θ)]表示损失函数的重构项，KL(q(z|x；φ)||p(z；θ))表示损失函数的正则项；q(z|x；φ)表示在样本条件下隐变量z的条件分布，p(z；θ)表示隐变量的先验分布。

9.根据权利要求6所述的一种危险驾驶场景数据随机生成方法，其特征在于，更新所述VAE网络的隐变量表达式为z＝μ+σ²*ε；

其中，z表示隐变量，μ表示隐变量的均值，σ²表示隐变量的方差，ε为随机变量，ε～N(0,1)。

10.一种危险驾驶场景数据随机生成系统，其特征在于，所述系统包括：

样本构建模块，用于获取诱发交通事故的危险驾驶场景属性，建立危险驾驶场景属性集；

网络搭建模块，用于基于Keras深度学习框架搭建VAE网络；

网络训练模块，用于将所述危险驾驶场景属性集作为所述VAE网络的输入，结合反向传播对所述VAE网络进行训练优化，得到训练好的VAE网络；

数据生成模块，用于提取所述训练好的VAE网络中的解码器，并从标准正态分布中采样若干随机数据，将所述随机数据输入所述解码器中，得到所述解码器输出的若干危险驾驶场景数据。