一种基于BP神经网络的不文明驾驶行为评级方法

摘要

本发明公开一种基于BP神经网络的不文明驾驶行为评级方法，选取目前城市中的12种常见的不文明驾驶行为作为研究对象，收集调查者对于这些不文明驾驶行为的打分情况。通过对数据的预处理，结合BP神经网络对12种不文明驾驶行为进行分类预测，构建一种合适的BP神经网络分类模型；进而在此基础上应用熵权—Topsis评价方法对这12种不文明驾驶行为进行权重计算，得到这些不文明驾驶行为的综合排序。本发明有效防控交通事故的发生、缓解城市交通冲突和改善驾驶员不文明素质起到积极作用。

说明书

技术领域

本发明涉及智慧交通技术领域，尤其涉及一种基于BP神经网络的不文明驾驶行为评级方法。

背景技术

随着我国国民经济的高速健康发展和人民日常生活水平质量的提高，城市的汽车保有量也在逐渐的增加。在近些年，国内外对于不文明驾驶行为做出了各方面的研究，并且在近十年的研究中随着科技应用发展，研究的方向也在不断的革新，提出了诸多的收集不文明驾驶行为的方法和先进的设备，以及处理不文明驾驶行为的方法、算法和模型。对于采集数据来说，有利用现有的调查资料、车载传感器、实地人工调查统计法、基于问卷调查数据、基于 GPS采集数据等方法。在对数据的处理方面，有部分学者主要致力于提出新的研究方法，也有部分研究学者则侧重从分析机动车的运行数据(油耗、运营公里数等)的角度出发，探讨机动车驾驶员的操作动作合理性，还有部分研究则是从个体的违章情况入手，分析数据反映的驾驶员的操作与照成交通事故以及交通违法行为的相连关系。

然而，在当前研究中较少涉及应用人工智能算法对不文明驾驶行为进行分级评价的计算研究，这不利于协助交警部门针对实时的个体驾驶行为进行动态评估，从而引导驾驶员的行为习惯，提升驾驶员的交通行为素质。

发明内容

本发明的目的在于提供一种基于BP神经网络的不文明驾驶行为评级方法。

本发明采用的技术方案是：

一种基于BP神经网络的不文明驾驶行为评级方法，其包括以下步骤：

步骤1、网络初始化。在区间(-1，1)内选取随机数作为不文明驾驶行为评级模型的各个连接的权值，以表示e误差函数，用ε表示计算精度值，以M表示网络的最大迭代次数。

步骤2、随机在数据总量的50％测试集中选取文化程度、职业、采取措施、驾龄、性别、年龄、Z不文明程度分、Z惩罚金额、Y不文明程度分、Y惩罚金额、Q不文明程度分、Q惩罚金额作为第k个不文明驾驶行为评级模型输入向量的样本

步骤3、计算不文明驾驶行为评级模型隐含层各神经元的输入向量h

步骤4、利用调查得出的不文明驾驶行为类型编号和不文明驾驶行为评级模型实际计算输出的不文明驾驶行为值，修正不文明驾驶行为评级模型的连接权值和阈值

具体地，步骤4包括以下步骤：

步骤4-1、利用调查得出的不文明驾驶行为类型编号和模型实际计算输出的不文明驾驶行为值，计算误差函数对不文明驾驶行为评级模型输出层的各神经元的一般化误差

步骤4-2、利用评级模型中连接权值V

步骤4-3、利用模型中输出层各神经元的一般化误差

步骤4-4、利用模型中隐含层各神经元的一般化误差

步骤5、在运行完步骤4时，模型会随机选取样本数据作为输入向量，返回到步骤3，直到m个训练样本训练完毕。

步骤6、重新从m个学习样本中随机选取输入和目标样本，返回步骤3，直到网络全局误差E小于预先设定的一个极小值，即网络收敛，BP神经网络学习结束。。如果学习次数大于预先设定的值，网络就无法收敛。

步骤7、对熵权评价数据进行归一化。

步骤8、分别计算用户的每个指标的权重；

具体地，先计算用户A1溅水(小水花)、A2溅水(大水花)、B1后视镜远光、B2迎面远光、D1在无停车线处、D2乱停车、D3停在非机动车道、E1车外扔纸巾、E2扔果皮、E3扔水瓶、F1车外吐痰吐在人身上、F2车外吐痰没吐在人身上中第i个用户的指标1～10分中第j 个指标的比重y

步骤9、假设决策矩阵为A＝(a

步骤10、利用规范化决策矩阵构造加权的规范矩阵C＝(c

步骤11、确定正理想解C

进一步的，所述步骤3中，不文明驾驶行为评级模型的隐含层各神经元的输入向量h

g

L

式中，u

进一步的，所述步骤4-1中，不文明驾驶行为评级模型的误差函数对输出层的各神经元的一般化误差

式中，

进一步的，所述步骤4-2中，隐含层的一般化误差

根据式(1)至式(6)可以看出，不文明驾驶行为评级模型的误差是各层权值O

进一步的，所述步骤4-3中，连接权值V

t＝1,2,…,q；j＝1,2,…,p；0＜α＜1

式中，V(N)表示隐含层与输出层向前传递的连接权值，V(N+1)表示向后传递更新的连接权值；q表示输出层神经元个数，t代表输出层某一个神经元,t＝1,2,…,q；p表示隐含层神经元个数,j代表隐含层某一个神经元,j＝1,2,…,p；α表示不文明驾驶行为评级模型的学习率；修正权值的原则是使误差可以不断减小，

进一步的，所述步骤4-4中，连接权值O

i＝1,2,…,n；j＝1,2,…,p；0＜β＜1

式中，β表示不文明驾驶行为评级模型学习率，且α＝β；

进一步的，步骤7中，第i个用户的第j个指标x

式中，x

进一步的，步骤8中第j个指标的权重w

步骤8-1，计算第i个用户的所有指标分中第j个指标的比重y

其中，x

步骤8-2，根据第j个指标的比重y

其中，K为常数，

步骤8-3，利用第j个指标的信息熵e

其中，e

进一步的，步骤8中，第i个用户的第j个指标的比重y

进一步的：步骤9中，规范化决策矩阵B＝(b

进一步的：步骤10中，加权的规范矩阵C＝(c

c

式中，A＝(a

进一步的：所述步骤11中，正理想解

正理想解

负理想解

本发明采用以上技术方案，选取目前城市中的12种常见的不文明驾驶行为作为研究对象，收集调查者对于这些不文明驾驶行为的打分情况。通过对数据的预处理，结合BP神经网络对 12种不文明驾驶行为进行分类预测，构建一种合适的BP神经网络分类模型；进而在此基础上应用熵权—Topsis评价方法对这12种不文明驾驶行为进行权重计算，得到这些不文明驾驶行为的综合排序，为有效防控交通事故的发生、缓解城市交通冲突和改善驾驶员不文明素质起到积极作用。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面对本申请实施例中的技术方案进行清楚、完整地描述。

本发明公开了一种基于BP神经网络的不文明驾驶行为评级方法，先使用BP神经网络实现学习，进而应用熵权评价方法得到结果；其包括以下步骤：

步骤1、网络初始化。在区间(-1，1)内选取随机数作为不文明驾驶行为评级模型的各个连接的权值，以表示e误差函数，用ε表示计算精度值，以M表示网络的最大迭代次数。

步骤2、随机在数据总量的50％测试集中选取文化程度、职业、采取措施、驾龄、性别、年龄、Z不文明程度分、Z惩罚金额、Y不文明程度分、Y惩罚金额、Q不文明程度分、Q惩罚金额作为第k个不文明驾驶行为评级模型输入向量的样本

步骤3、计算不文明驾驶行为评级模型隐含层各神经元的输入与输出。用模型中连接权值O

步骤4、利用调查得出的不文明驾驶行为类型编号和不文明驾驶行为评级模型实际计算输出的不文明驾驶行为值，修正不文明驾驶行为评级模型的连接权值和阈值

具体地，步骤4包括以下步骤：

步骤4-1、利用调查得出的不文明驾驶行为类型编号和模型实际计算输出的不文明驾驶行为值，计算误差函数对不文明驾驶行为评级模型输出层的各神经元的一般化误差

步骤4-2、利用评级模型中连接权值V

步骤4-3、利用模型中输出层各神经元的一般化误差

步骤4-4、利用模型中隐含层各神经元的一般化误差

步骤5、在运行完步骤4时，模型会随机选取样本数据作为输入向量，返回到步骤3，直到m个训练样本训练完毕。

步骤6、重新从m个学习样本中随机选取输入和目标样本，返回步骤3，直到网络全局误差E小于预先设定的一个极小值，即网络收敛，BP神经网络学习结束。。如果学习次数大于预先设定的值，网络就无法收敛。

步骤7、对熵权评价数据进行归一化。

步骤8、分别计算用户的每个指标的权重；

具体地，先计算用户A1溅水(小水花)、A2溅水(大水花)、B1后视镜远光、B2迎面远光、D1在无停车线处、D2乱停车、D3停在非机动车道、E1车外扔纸巾、E2扔果皮、E3扔水瓶、F1车外吐痰吐在人身上、F2车外吐痰没吐在人身上中第i个用户的指标1～10分中第j 个指标的比重y

步骤9、假设决策矩阵为A＝(a

步骤10、利用规范化决策矩阵构造加权的规范矩阵C＝(c

步骤11、确定正理想解C

进一步的，所述步骤3中，不文明驾驶行为评级模型的隐含层各神经元的输入向量h

g

L

式中，u

进一步的，所述步骤4-1中，不文明驾驶行为评级模型的误差函数对输出层的各神经元的一般化误差

式中，

进一步的，所述步骤4-2中，隐含层的一般化误差

根据式(1)至式(6)可以看出，不文明驾驶行为评级模型的误差是各层权值O

进一步的，所述步骤4-3中，连接权值V

t＝1,2,…,q；j＝1,2,…,p；0＜α＜1

式中，α表示不文明驾驶行为评级模型的学习率；修正权值的原则是使误差可以不断减小，

进一步的，所述步骤4-4中，连接权值O

i＝1,2,…,n；j＝1,2,…,p；0＜β＜1

式中，β表示不文明驾驶行为评级模型学习率，且α＝β；

进一步的，步骤7中，第i个用户的第j个指标x

式中，x

进一步的，步骤8中第j个指标的权重w

步骤8-1，计算第i个用户的所有指标分中第j个指标的比重y

其中，x

步骤8-2，根据第j个指标的比重y

其中，K为常数，

步骤8-3，利用第j个指标的信息熵e

其中，e

进一步的，步骤8中，第i个用户的第j个指标的比重y

进一步的：步骤9中，规范化决策矩阵B＝(b

进一步的：步骤10中，加权的规范矩阵C＝(c

c

式中，A＝(a

进一步的：所述步骤11中，正理想解

正理想解

负理想解

下面就本发明的具体原理做详细的说明：

输入层设计：选取问卷调查的问题作为研究对象，选取文化程度、职业、采取措施、驾龄、性别、年龄、Z表示在周围环境安全情况下通过红绿灯的行为，Y表示在遇到交通拥堵的时候持续鸣笛的行为、Q则表示12种不文明驾驶行为，不文明行为这个表示对12种不文明驾驶行为类型的编号。数据样式如下表1所示，因此将这12个对象作为模型输入层的12个神经元。样本数据量共有279个，其中将样本数据集中的50％作为训练集数据，其他的50％作为测试集。

表1：数据样式

评价模型程序设计：本发明最终选择了结构为12-40-45-1的四层BP神经网络，并且使用的激活函数为sigmoid，sigmoid的优势在于速度快、减轻梯度消失、缓解过拟合的发生，优化器是准牛顿迭代。通过对隐含层的个数逐一进行测验，最后得到神经元的个数为40及 45。其他的神经网络的参数设置如下：学习率为0.7，网络训练次数为6000。

结果分析：通过运行代码，最后的预测指标以及预测的精度如下表2所示，Precision 达到了0.80，由于所选取的样本量较少导致预测结果精度较低并且数据的获取采用的问卷调查的形式，其中有很多的数据可能有很大的错误，因此该模型可行性较好。

表2：运行结果

对计算出的12种不文明驾驶行为进行不同分数的汇总得到不同不文明驾驶行为不同分数人数汇总表如下表所示。

表3：不文明驾驶行为不同分数人数汇总表

将汇总好的表3进行熵权—Topsis模型的计算，通过利用pycharm软件结合python语言进行熵权—Topsis模型代码的编写，通过代码的运行得到如下表4的12种不文明驾驶行为的综合评价值。

表4：不文明驾驶行为的综合评价值

通过表4的结果我们可以看出，利用熵权—Topsis模型的计算，在279份问卷调查中，评价值越高代表行为越好，综合评价值最高的不文明驾驶行为是扔果皮，综合评价值最低的是的是不文明驾驶行为的是乱停车。

本发明采用以上技术方案，过选取目前城市中的12种常见的不文明驾驶行为作为研究对象，收集调查者对于这些不文明驾驶行为的打分情况。通过对数据的预处理，结合BP神经网络对12种不文明驾驶行为进行分类预测，构建一种合适的BP神经网络分类模型；进而在此基础上应用熵权—Topsis评价方法对这12种不文明驾驶行为进行权重计算，得到这些不文明驾驶行为的综合排序，为有效防控交通事故的发生、缓解城市交通冲突和改善驾驶员不文明素质起到积极作用。

显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。