原文传递
基于神经网络的驾驶员违规预测研究
| 论文题名： | 基于神经网络的驾驶员违规预测研究 |
| 关键词： | 驾驶员;违规预测;卷积神经网络;条件生成式对抗网络 |
| 摘要： | 随着我国机动车的保有量的不断攀升，交通事故发生数量也在随之增长。据统计，大多数交通事故的主要原因是驾驶员违规驾驶行为。驾驶员违规一直是交通领域的研究热点，迫切的需要对驾驶员违规进行精准预测，以达到保障人们安全出行的目的。在以往的驾驶员违规研究中，绝大部分使用传统的机器学习从驾驶员违规类型、严重程度、频率三个方面展开预测，不能有效地提取驾驶员违规行为中更深层次的特征信息，从而很难保证预测结果的准确性。卷积神经网络具有较强的特征提取能力，将其运用到驾驶员违规预测中，可以提高驾驶员安全管理水平，减少违规的发生。 基于某公交公司近年来驾驶员的违规驾驶记录，本文研究了驾驶员违规时间间隔预测与违规类型预测。利用属性融合关联违规驾驶记录与天气、车辆、线路等影响因素，生成违规时间间隔与违规类型的基础特征与趋势特征并进行数据预处理，构建驾驶员违规时间间隔数据集与违规类型数据集。针对DenseNet中密集结构块与过渡层的批量归一化BN依赖于训练批处理样本数BatchSize的问题，提出了一种基于FRN层与DenseNet结合的驾驶员违规时间间隔预测方法，使用FRN层中的FRN与TLU替换DenseNet中密集结构块与过渡层的BN与ReLU。实验结果表明，该方法消除了对BatchSize的依赖，并在其较大时性能仍优于DenseNet。针对小样本类别预测效果不佳与DenseNet未考虑通道差异性的问题，提出了一种基于条件生成式对抗网络CGAN与SE-DenseNet结合的驾驶员违规类型预测方法，使用CGAN平衡训练样本，使用SEN对DenseNet密集结构块输出的特征通道权重进行重标记。实验结果表明，该方法解决了训练样本失衡与忽视通道重要程度两个问题，具有较好的预测效果。 |
| 作者： | 李伟康 |
| 专业： | 计算机技术 |
| 导师： | 王小兵;顾斌 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
