[发明专利]基于神经网络的驾驶员违规预测方法

权利要求书

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；

对所述原始数据进行处理，得到第一数据；

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；

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。

2.根据权利要求1所述的基于神经网络的驾驶员违规预测方法，其特征在于，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；

其中，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。

3.根据权利要求2所述的基于神经网络的驾驶员违规预测方法，其特征在于，所述FRN层的表达式为：

其中，N为批样本数，x_i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，O_i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＝max(y,τ)＝max(y-τ,0)+τ＝ReLU(y-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。

4.根据权利要求1所述的基于神经网络的驾驶员违规预测方法，其特征在于，所述违规时间间隔预测模型的评价指标包括：MAE、RMSE和R²；

其中，n为样本数，i为样本的下标，y_i为模型的输出。

5.根据权利要求1所述的基于神经网络的驾驶员违规预测方法，其特征在于，所述预设的第二模型的结构包括：

生成模型和判别模型；

所述生成模型和所述判别模型达到纳什平衡的表达式为：

其中，D为所述生成模型，G为所述判别模型，G(z|y)和D(x|y)均为加入标签信息y之后得到的条件概率，P_data(x)为实际的样本数据，Pz(z)为生成的样本数据，E为数学期望。

6.根据权利要求1所述的基于神经网络的驾驶员违规预测方法，其特征在于，所述预设的第三模型的结果包括：

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；

其中，所述密集结构块包括BN层、ReLU函数、1*1卷积、3*3卷积和SEN层；

所述过渡层包括BN层、ReLU函数、1*1卷积和2*2平均池化。

7.根据权利要求6所述的基于神经网络的驾驶员违规预测方法，其特征在于，所述SEN层包括挤压操作、激励操作和重新加权操作。

8.根据权利要求1所述的基于神经网络的驾驶员违规预测方法，其特征在于，所述违规类型预测模型的评价指标包括：Accuracy，Precision，Recall，F1-Score；其中，

其中，n为样本数，i为样本的下标，N_ij为第i类样本预测成第j类的数量。