一种驾驶员伤情等级预测算法的制作方法

本发明属于交通安全救援技术领域，尤其涉及一种驾驶员伤情等级预测算法。

背景技术：

随着中国汽车保有量地增加，如何预测汽车发生碰撞时车内驾驶员的伤情等级开始变得越来越重要，所以有必要对驾驶员伤害预测算法展开研究。目前国外提出了一整套完整的驾驶员伤情预测系统称为先进的车辆事故自动呼救系统。

先进的车辆事故自动呼救(advancedautomaticcrashnotification,aacn)系统在车辆发生碰撞时，能够提供事故现场的精准位置并能预测车内驾驶员的伤害严重程度，然后由车载记录器记录相关数据。若驾驶员伤害严重，则aacn对外呼救并将驾驶员的伤害数据发送至医疗中心，医疗中心根据驾驶员伤害数据制定相应的治疗方案，从而保障驾驶员的安全。若驾驶员伤害程度较低，则aacn不对外进行呼救，从而减少医疗资源的浪费。

目前针对aacn系统中驾驶员伤害预测的方法研究主要是以logistic回归模型为主，研究方向主要是基于不同样本，选取不同的影响因素和伤害风险评价标准来提高伤情预测的精度。但是logistic回归模型算法较为复杂，并且基于不同样本得到的模型差异较大，通用性不高。综上所述，目前对驾驶员伤害预测的算法较为复杂且操作较难。

技术实现要素：

本发明根据现有技术的不足与缺陷，提出了一种驾驶员伤情等级预测算法，目的在于提供一种较为简单的、更易操作、准确率较高的预测算法。

本发明所采用的技术方案为：

一种驾驶员伤情等级预测算法，包括以下步骤：

采集驾驶员的伤情等级和影响因素数据，形成训练样本数据集；

将训练样本数据集分为学习数据和待测数据，并对学习数据和待测数据进行离散处理，得到规范化的学习数据和待测数据；

根据规范化的学习数据建立驾驶员伤情等级的朴素贝叶斯网络结构图；

通过仿真软件对规范化的学习数据进行计算，得出不同伤情等级下各个影响因素的条件概率和不同伤情等级下的先验概率，从而构建基于朴素贝叶斯模型的驾驶员伤情预测算法；

将规范化的待测数据输入所构建的基于朴素贝叶斯模型的驾驶员伤情预测算法，对预测的结果进行验证。

进一步，所述驾驶员的伤情等级根据否达到mais3+(maximumabbreviatedinjuryscale严重损伤)作为评价指标；所述影响因素包括车辆速度变化量、碰撞方向、驾驶员年龄、驾驶员是否系安全带、驾驶员侧安全气囊是否打开、驾驶员性别、是否喝酒、开车情绪以及视力等因素；

进一步，所述离散化处理的过程为：

将训练样本数据集中的影响因素进行分段，所述影响因素表示为ai，i＝1，...，n，n为影响因素的个数，对每个影响因素ai进行划分，分好区间段，然后将每个影响因素的数据对应所划分的区间段记录在表格中，实现离散化处理。

进一步，根据伤情等级的分类与各个影响因素之间的关系，建立各个影响因素与伤情等级的朴素贝叶斯网络结构图，更加直观地反应驾驶员伤情等级与各个影响因素之间的关系。

进一步，构建基于朴素贝叶斯模型的驾驶员伤情预测算法的具体过程为：

步骤a，假设伤情等级分为m个类别，伤情等级用ci表示，i＝1，…，m；根据后验概率p(ci/x)＞p(cj/x)，1≤j≤m，j≠i，x为影响因素表示为ai，i＝1，...，n，找到最高后验概率所对应的伤情等级ci；

步骤b，根据所得到的最高后验概率所对应的伤情等级ci，得到基于朴素贝叶斯模型的驾驶员伤情预测算法；

进一步，根据贝叶斯定理，后验概率p(ci/x)计算方法为：

其中，p(x)为概率，p(x/ci)为条件概率，p(ci)为先验概率。

进一步，所述概率p(x)计算方法为:

p(x)＝p(a1)p(a2)...p(an)；

进一步，假设总的学习样本为s，si为驾驶员伤情等级ci在总的学习数据集中的数量，可得出先验概率为：

进一步，根据上述概率p(x)、条件概率p(x/ci)和先验概率p(ci)，得到所述基于朴素贝叶斯模型的驾驶员伤情预测算法表示为：

本发明的有益效果：

1.本发明提出基于朴素贝叶斯模型的驾驶员伤情等级预测算法，可预测驾驶员的伤情等级，以便为aacn系统提供算法研究。

2.本发明需要的驾驶员伤情等级的属性变量数据采集起来较为简便，大多数属性变量可直接从驾驶员口中得出，其数据来源较为精确，便于推广。

3.本发明针对属性变量的数据处理方法较为简单，根据属性变量数据直接分段处理就好，然后依次计入该区间对应的段数。

4.本发明采用的驾驶员伤情等级预测算法准确率较高，可以在不同车型上应用。

附图说明

图1是整体预测流程图；

图2是朴素贝叶斯网络结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

如图1所示，本发明通过以下步骤：

步骤1，通过对造成驾驶员伤情等级的影响因素分析，采集驾驶员的伤情等级和影响因素数据，形成训练样本数据集；并将相关数据输入至数据表格中。其中，驾驶员的伤情等级根据是否达到mais3+(maximumabbreviatedinjuryscale严重损伤)作为评价指标；影响因素包括车辆速度变化量、碰撞方向、驾驶员年龄、驾驶员是否系安全带、驾驶员侧安全气囊是否打开、驾驶员性别、是否喝酒、开车情绪以及视力因素；在本实施例中，以2006-2015年共计428例汽车碰撞事故数据为例，总的学习样本为s＝428例汽车碰撞事故数据，对驾驶员伤情是否达到mais3+进行预测。

步骤2，将训练样本数据集分为学习数据和待测数据，并对学习数据和待测数据进行离散处理，得到规范化的学习数据和待测数据；在本实施例中，将428例汽车碰撞事故数据，每隔5组数据中选取1组数据作为预测数据，本文选取的仿真预测数据共有48组。其次将剩下的380组数据作为学习数据。从428例事故数据中，选取速度变化量(a1)、碰撞方向(a2)、驾驶员年龄(a3)、驾驶员是否系安全带(a4)、驾驶员侧安全气囊是否打开(a5)、驾驶员性别(a6)作为造成驾驶员伤情是否达到mais3+(ci)的影响因素，即将ci作为类，a1、a2、a3、a4、a5、a6作为伤情等级的影响因素。

对学习数据和待测数据进行离散处理的具体过程：

以速度变化量(a1)为例，将速度变化量按照以下区间进行划分：

{0-9,10-19,20-29,30-39,40-49,50-59,60-69,70以上}，若速度变化量在0-9之间，则记为1，若满足10-19，则记为2，以此类推。

碰撞方向：{1,2,3,4}，其中1表示左侧碰撞、2表示右侧碰撞、3表示追尾碰撞、4表示正面碰撞。

驾驶员年龄：{18-27,28-37,38-47,48-57,58以上}，若驾驶员年龄满足18-27，记为1，若驾驶员年龄满足28-37，则记为2，以此类推。

驾驶员是否系安全带：{1,2}，其中1表示驾驶员系安全带，2表示驾驶员未系安全带。

驾驶员侧安全气囊是否打开：{1,2}，其中1表示驾驶员侧安全气囊打开，2表示驾驶员侧气囊未打开。

驾驶员性别：{1,2}，其中1表示驾驶员为女性，2表示驾驶员为男性。

步骤3，结合规范化的学习数据，根据伤情等级的分类与各个影响因素之间的关系，建立各个影响因素与伤情等级的朴素贝叶斯网络结构图，如图2所示，更加直观地反应驾驶员伤情等级与各个影响因素之间的关系。

步骤4，通过仿真软件对规范化的学习数据进行计算，得出不同伤情等级下各个影响因素的条件概率和不同伤情等级下的先验概率，从而构建基于朴素贝叶斯模型的驾驶员伤情预测算法；具体地，

根据朴素贝叶斯模型，后验概率p(ci/x)计算方法为：

概率：p(x)＝p(x1)p(x2)...p(xn)；(2)

先验概率为：

其中，p(x/ci)为条件概率，x为影响因素表示为ai，i＝1，...，n。

将公式(2)、(3)带入公式(1)得到：

基于朴素贝叶斯模型的驾驶员伤情预测算法：

驾驶员伤情等级ci在速度变化量(a1)，碰撞方向(a2)，驾驶员年龄(a3)，驾驶员是否系安全带(a4)，驾驶员侧安全气囊是否打开(a5)，驾驶员性别(a6)情况下的概率为：

其次通过处理好的训练数据集，根据matlab编程，可以得到公式(6)中的各个概率。

因为在驾驶员伤情预测算法中的伤情等级只有两个，两个伤情等级的概率和为1，所以只需求得一个类的概率即可，其中ci＝1的概率为0.3553，表1为各个影响因素对应的区间值域段在类ci＝1情况下的概率。

表1各个影响因素对应的区间值域段在伤情等级ci＝1情况下的概率

在380组训练数据集中，速度变化量(a1)对应的值域区间段的概率如下：

p(a11)＝0.05，p(a12)＝0.32，p(a13)＝0.22，p(a14)＝0.14，p(a15)＝0.08，p(a16)＝0.08，p(a17)＝0.04，p(a18)＝0.07。

在380组训练数据集中，碰撞方向(a2)对应的值域区间段的概率如下：

p(a21)＝0.3，p(a22)＝0.15，p(a23)＝0.09，p(a24)＝0.46。

在380组训练数据集中，驾驶员年龄(a3)对应的值域区间段的概率如下：

p(a31)＝0.3，p(a32)＝0.18，p(a33)＝0.18，p(a34)＝0.34。

在380组训练数据集中，驾驶员是否系安全带(a4)对应的值域区间段的概率如下：

p(a41)＝0.82，p(a42)＝0.18。

在380组训练数据集中，驾驶员侧安全气囊是否打开(a5)对应的值域区间段的概率如下：

p(a51)＝0.8，p(a52)＝0.2。

在380组训练数据集中，驾驶员性别(a6)对应的值域区间段的概率如下：

p(a61)＝0.55，p(a62)＝0.45。

最后，根据上述计算所得的概率，将测试数据集中各个影响因素对应的概率代入公式(6)中，即可预测测试数据集中的驾驶员伤情是否达到mais3+。

若p(ci＝1/a1,a2,a3,a4,a5,a6)≥0.5，则预测的驾驶员伤情等级为mais3+。反之，驾驶员伤情等级小于mais3。

在48组作为仿真预测数据的交通事故数据中，驾驶员伤情预测算法计算出的仿真结果与实际驾驶员伤情等级的对比可发现，有5组数据预测错误。结果表明，该预测算法准确率较高，可以为aacn系统预测驾驶员的伤情。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。