駕駛行為研究與風(fēng)險評估具有重要現(xiàn)實(shí)意義。研究表明,75%的事故都是由違規(guī)操作產(chǎn)生的,駕駛態(tài)度才是交通安全的決定性因素。如果能夠通過技術(shù)手段提前預(yù)警,規(guī)范駕駛行為,就能避免80%的事故。17.5%的車主頻發(fā)交通事故,賠付額高昂,使得82.5%安全駕駛的車主也承擔(dān)高額保費(fèi)為之買單,車險定價方案優(yōu)化空間巨大。當(dāng)前,我國正積極推進(jìn)商業(yè)車險費(fèi)率市場化改革“二次費(fèi)改”,以降低商業(yè)車險費(fèi)率,提升車險公司定價權(quán)。因此,駕駛行為風(fēng)險評估將為保險公司制定個性化車險定價方案提供技術(shù)手段。本文利用深度學(xué)習(xí)技術(shù),基于智能手機(jī)傳感器數(shù)據(jù)、自然駕駛研究項(xiàng)目（Naturalistic Driving Study,NDS）時序數(shù)據(jù)、視覺數(shù)據(jù)、車險理賠數(shù)據(jù)等異構(gòu)車聯(lián)網(wǎng)（Internet of Vehicle,IoV）數(shù)據(jù)開展駕駛行為分析與風(fēng)險評估,主要研究內(nèi)容如下:（1）提出一種智能手機(jī)傳感器數(shù)據(jù)采集、處理方法,以及一種駕駛行為識別與風(fēng)險預(yù)測深度學(xué)習(xí)模型。新的方法消除了重力加速度對手機(jī)傳感器數(shù)據(jù)采集的影響,采集了多種傳感器數(shù)據(jù),標(biāo)注了六種駕駛行為。為解決傳統(tǒng)特征工程的限制,提出基于注意力機(jī)制（Attention）的Dee... 

【文章頁數(shù)】：151 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于時序傳感器數(shù)據(jù)的駕駛行為識別與風(fēng)險評估
        1.2.2 基于視覺數(shù)據(jù)的駕駛行為識別與風(fēng)險評估
        1.2.3 基于車險理賠數(shù)據(jù)的駕駛風(fēng)險評估
        1.2.4 深度學(xué)習(xí)模型的研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
        1.3.1 研究內(nèi)容
        1.3.2 結(jié)構(gòu)安排
第2章 基于時序傳感器數(shù)據(jù)的駕駛行為識別與風(fēng)險評估
    2.1 研究背景
    2.2 總體研究路線
    2.3 基于手機(jī)傳感器數(shù)據(jù)的駕駛行為識別
        2.3.1 智能手機(jī)駕駛行為數(shù)據(jù)集的建立
        2.3.2 智能手機(jī)數(shù)據(jù)歸一化與加窗
        2.3.3 分類模型架構(gòu)設(shè)計(jì)
        2.3.4 實(shí)驗(yàn)部分
    2.4 基于不平衡NDS時序數(shù)據(jù)的駕駛風(fēng)險預(yù)測
        2.4.1 NDS數(shù)據(jù)預(yù)處理與建模
        2.4.2 數(shù)據(jù)建模
        2.4.3 分類模型
        2.4.4 實(shí)驗(yàn)部分
    2.5 本章小結(jié)
第3章 基于視覺數(shù)據(jù)的分心駕駛行為識別
    3.1 分心駕駛行為視覺數(shù)據(jù)集結(jié)構(gòu)
    3.2 分心駕駛分類模型
        3.2.1 基于二維卷積網(wǎng)絡(luò)的參數(shù)調(diào)優(yōu)與駕駛行為識別
        3.2.2 基于雙流三維卷積網(wǎng)絡(luò)的駕駛行為識別
        3.2.3 關(guān)鍵特征可視化分析
    3.3 分心駕駛檢測模型
        3.3.1 數(shù)據(jù)標(biāo)注
        3.3.2 模型架構(gòu)
        3.3.3 評估指標(biāo)
        3.3.4 實(shí)驗(yàn)結(jié)果與討論
    3.4 本章小結(jié)
第4章 基于車險理賠數(shù)據(jù)的駕駛風(fēng)險評估
    4.1 研究背景
    4.2 數(shù)據(jù)建模
    4.3 預(yù)測模型架構(gòu)
    4.4 模型的訓(xùn)練
    4.5 實(shí)驗(yàn)部分
        4.5.1 評估指標(biāo)
        4.5.2 數(shù)據(jù)集分析
        4.5.3 結(jié)果與討論
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 研究成果應(yīng)用分析
        5.2.1 UBI新型車險產(chǎn)品
        5.2.2 危險駕駛行為監(jiān)測
        5.2.3 推廣應(yīng)用瓶頸分析
    5.3 研究展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的其他研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于人體關(guān)鍵點(diǎn)的分心駕駛行為識別[J]. 夏瀚笙,沈峘,胡委.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(07)
[2]基于車載手機(jī)數(shù)據(jù)深度特征的駕駛行為識別[J]. 胡松,吳仲城,張俊.  計(jì)算機(jī)應(yīng)用與軟件. 2019(01)
[3]基于反向雙目識別的駕駛員分心檢測[J]. 王冠,李振龍.  科學(xué)技術(shù)與工程. 2018(17)
[4]一種基于卷積神經(jīng)網(wǎng)絡(luò)的哈欠檢測算法[J]. 馬素剛,趙琛,孫韓林,韓俊崗.  計(jì)算機(jī)科學(xué). 2018(S1)
[5]深度學(xué)習(xí)的模型搭建及過擬合問題的研究[J]. 陶礫,楊朔,楊威.  計(jì)算機(jī)時代. 2018(02)
[6]交互危險行為對雙責(zé)事故嚴(yán)重程度的影響分析[J]. 江欣國,章國鵬,石小林,夏亮,賈雄文.  西南交通大學(xué)學(xué)報(bào). 2018(02)
[7]SF-CNN在駕駛行為識別中的應(yīng)用研究[J]. 王忠民,張瑤,衡霞.  計(jì)算機(jī)工程與應(yīng)用. 2018(11)
[8]基于滑動窗特征融合的深信度網(wǎng)絡(luò)駕駛行為識別[J]. 王忠民,李卓,范琳.  計(jì)算機(jī)應(yīng)用研究. 2018(04)
[9]基于支持向量機(jī)的車輛駕駛行為識別研究[J]. 祝儷菱,劉瀾,趙新朋,楊達(dá).  交通運(yùn)輸系統(tǒng)工程與信息. 2017(01)
[10]深度學(xué)習(xí)研究進(jìn)展[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)應(yīng)用研究. 2014(07)

博士論文
[1]深度學(xué)習(xí)正則化技術(shù)研究及其在駕駛安全風(fēng)險領(lǐng)域的應(yīng)用[D]. 陳杰.中國科學(xué)技術(shù)大學(xué) 2019
[2]駕駛行為表征指標(biāo)及分析方法研究[D]. 李平凡.吉林大學(xué) 2010
[3]基于計(jì)算機(jī)視覺的汽車安全輔助駕駛?cè)舾申P(guān)鍵問題研究[D]. 徐翠.中國科學(xué)技術(shù)大學(xué) 2009

碩士論文
[1]UBI車險對我國車險行業(yè)的影響研究[D]. 金雨晴.北京大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路鳥害檢測方法研究[D]. 孫建剛.華北電力大學(xué)(北京) 2019
[3]基于CNNs和LSTM的駕駛員疲勞和分心狀態(tài)識別研究[D]. 李力.湖南大學(xué) 2018
[4]基于移動終端的異常駕駛行為及碰撞事故識別技術(shù)研究[D]. 周后飛.重慶交通大學(xué) 2016
[5]基于多源信息融合的駕駛員分心監(jiān)測研究[D]. 廖源.清華大學(xué) 2015



本文編號：3687539