基于车联网数据的驾驶行为识别与风险评估方法研究

发布时间：2022-10-08 10:21

　　驾驶行为研究与风险评估具有重要现实意义。研究表明,75%的事故都是由违规操作产生的,驾驶态度才是交通安全的决定性因素。如果能够通过技术手段提前预警,规范驾驶行为,就能避免80%的事故。17.5%的车主频发交通事故,赔付额高昂,使得82.5%安全驾驶的车主也承担高额保费为之买单,车险定价方案优化空间巨大。当前,我国正积极推进商业车险费率市场化改革“二次费改”,以降低商业车险费率,提升车险公司定价权。因此,驾驶行为风险评估将为保险公司制定个性化车险定价方案提供技术手段。本文利用深度学习技术,基于智能手机传感器数据、自然驾驶研究项目（Naturalistic Driving Study,NDS）时序数据、视觉数据、车险理赔数据等异构车联网（Internet of Vehicle,IoV）数据开展驾驶行为分析与风险评估,主要研究内容如下:（1）提出一种智能手机传感器数据采集、处理方法,以及一种驾驶行为识别与风险预测深度学习模型。新的方法消除了重力加速度对手机传感器数据采集的影响,采集了多种传感器数据,标注了六种驾驶行为。为解决传统特征工程的限制,提出基于注意力机制（Attention）的Dee... 

【文章页数】：151 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 基于时序传感器数据的驾驶行为识别与风险评估
        1.2.2 基于视觉数据的驾驶行为识别与风险评估
        1.2.3 基于车险理赔数据的驾驶风险评估
        1.2.4 深度学习模型的研究现状
    1.3 本文主要研究内容
        1.3.1 研究内容
        1.3.2 结构安排
第2章 基于时序传感器数据的驾驶行为识别与风险评估
    2.1 研究背景
    2.2 总体研究路线
    2.3 基于手机传感器数据的驾驶行为识别
        2.3.1 智能手机驾驶行为数据集的建立
        2.3.2 智能手机数据归一化与加窗
        2.3.3 分类模型架构设计
        2.3.4 实验部分
    2.4 基于不平衡NDS时序数据的驾驶风险预测
        2.4.1 NDS数据预处理与建模
        2.4.2 数据建模
        2.4.3 分类模型
        2.4.4 实验部分
    2.5 本章小结
第3章 基于视觉数据的分心驾驶行为识别
    3.1 分心驾驶行为视觉数据集结构
    3.2 分心驾驶分类模型
        3.2.1 基于二维卷积网络的参数调优与驾驶行为识别
        3.2.2 基于双流三维卷积网络的驾驶行为识别
        3.2.3 关键特征可视化分析
    3.3 分心驾驶检测模型
        3.3.1 数据标注
        3.3.2 模型架构
        3.3.3 评估指标
        3.3.4 实验结果与讨论
    3.4 本章小结
第4章 基于车险理赔数据的驾驶风险评估
    4.1 研究背景
    4.2 数据建模
    4.3 预测模型架构
    4.4 模型的训练
    4.5 实验部分
        4.5.1 评估指标
        4.5.2 数据集分析
        4.5.3 结果与讨论
    4.6 本章小结
第5章 总结与展望
    5.1 全文总结
    5.2 研究成果应用分析
        5.2.1 UBI新型车险产品
        5.2.2 危险驾驶行为监测
        5.2.3 推广应用瓶颈分析
    5.3 研究展望
参考文献
致谢
在读期间发表的学术论文与取得的其他研究成果


【参考文献】：
期刊论文
[1]基于人体关键点的分心驾驶行为识别[J]. 夏瀚笙,沈峘,胡委.  计算机技术与发展. 2019(07)
[2]基于车载手机数据深度特征的驾驶行为识别[J]. 胡松,吴仲城,张俊.  计算机应用与软件. 2019(01)
[3]基于反向双目识别的驾驶员分心检测[J]. 王冠,李振龙.  科学技术与工程. 2018(17)
[4]一种基于卷积神经网络的哈欠检测算法[J]. 马素刚,赵琛,孙韩林,韩俊岗.  计算机科学. 2018(S1)
[5]深度学习的模型搭建及过拟合问题的研究[J]. 陶砾,杨朔,杨威.  计算机时代. 2018(02)
[6]交互危险行为对双责事故严重程度的影响分析[J]. 江欣国,章国鹏,石小林,夏亮,贾雄文.  西南交通大学学报. 2018(02)
[7]SF-CNN在驾驶行为识别中的应用研究[J]. 王忠民,张瑶,衡霞.  计算机工程与应用. 2018(11)
[8]基于滑动窗特征融合的深信度网络驾驶行为识别[J]. 王忠民,李卓,范琳.  计算机应用研究. 2018(04)
[9]基于支持向量机的车辆驾驶行为识别研究[J]. 祝俪菱,刘澜,赵新朋,杨达.  交通运输系统工程与信息. 2017(01)
[10]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟.  计算机应用研究. 2014(07)

博士论文
[1]深度学习正则化技术研究及其在驾驶安全风险领域的应用[D]. 陈杰.中国科学技术大学 2019
[2]驾驶行为表征指标及分析方法研究[D]. 李平凡.吉林大学 2010
[3]基于计算机视觉的汽车安全辅助驾驶若干关键问题研究[D]. 徐翠.中国科学技术大学 2009

硕士论文
[1]UBI车险对我国车险行业的影响研究[D]. 金雨晴.北京大学 2019
[2]基于卷积神经网络的输电线路鸟害检测方法研究[D]. 孙建刚.华北电力大学(北京) 2019
[3]基于CNNs和LSTM的驾驶员疲劳和分心状态识别研究[D]. 李力.湖南大学 2018
[4]基于移动终端的异常驾驶行为及碰撞事故识别技术研究[D]. 周后飞.重庆交通大学 2016
[5]基于多源信息融合的驾驶员分心监测研究[D]. 廖源.清华大学 2015



本文编号：3687539