1.基于自动机器学习的疲劳驾驶预测方法,其特征在于,包括以下步骤:
获取与疲劳驾驶相关的多种特征,并结合多种特征建立综合数据集;
输入综合数据集利用元学习器提取元特征并得到多个包含超参数的初始模型;
通过管道方法对多个初始模型迭代训练以得到最佳预测模型,具体包括以下步骤:
对综合数据集预处理;
结合特征重要性对预处理后的综合数据集进行特征筛选;
通过贝叶斯优化方法分别对多个初始模型优化超参数得到多个最佳性能的初始模型;
通过叠加组合方法将多个最佳性能的初始模型集成为最佳预测模型;输入待测数据集至最佳预测模型进行疲劳驾驶预测。
2.根据权利要求1所述的基于自动机器学习的疲劳驾驶预测方法,其特征在于,所述输入综合数据集利用元学习器提取元特征并得到多个包含超参数的初始模型包括以下步骤:
提取综合数据集的元特征;
计算综合数据集与其他参照数据集在元特征组成的空间上的空间距离;
根据空间距离得到多个包含超参数的初始模型。
3.根据权利要求1所述的基于自动机器学习的疲劳驾驶预测方法,其特征在于,所述对综合数据集预处理包括数据采样、数据清洗、数据转换、数据标度和数据转换中的一种或多种。
4.根据权利要求1所述的基于自动机器学习的疲劳驾驶预测方法,其特征在于,所述结合特征重要性对预处理后的综合数据集进行特征筛选具体为:
计算综合数据集的每种特征在随机森林的平均贡献度作为特征重要性;
筛选特征重要性大于1%的特征。
5.根据权利要求4所述的基于自动机器学习的疲劳驾驶预测方法,其特征在于,所述平均贡献度计算方式如下:
6.根据权利要求1所述的基于自动机器学习的疲劳驾驶预测方法,其特征在于,所述通过贝叶斯优化方法分别对多个初始模型优化超参数得到多个最佳性能的初始模型包括以下步骤:
判断机器学习框架是否初始化,若是则采用上一轮选出的最大采样函数值的对应点的集合作为下一步的输入,若否则随机产生初始化点集作为下一步的输入;
进行gp高斯过程回归;
通过采样函数计算最大采集函数值的对应点;
判断最大采样函数值的对应点是否满足设定目标值,若是则输出作为机器学习框架的参数,若否则返回进行gp高斯过程回归循环。
7.根据权利要求6所述的基于自动机器学习的疲劳驾驶预测方法,其特征在于,所述采样函数为:
8.基于自动机器学习的疲劳驾驶预测装置,其特征在于,用于执行如权利要求1至7任一项所述的基于自动机器学习的疲劳驾驶预测方法,所述疲劳驾驶预测装置包括:
数据集建立模块,用于获取与疲劳驾驶相关的多种特征,并结合多种特征建立综合数据集;
元学习模块,用于输入综合数据集利用元学习器提取元特征并得到多个包含超参数的初始模型;
训练模块,用于通过管道方法对多个初始模型迭代训练以得到最佳预测模型,所述训练模块包括:
第一筛选模块,用于对综合数据集进行预处理;
第二筛选模块,用于结合特征重要性对预处理后的综合数据集进行特征筛选;
调参模块,用于通过贝叶斯优化方法分别对多个初始模型优化超参数得到多个最佳性能的初始模型;
集成模块,用于通过叠加组合方法将多个最佳性能的初始模型集成为最佳预测模型;测试模块,用于输入待测数据集至最佳预测模型进行疲劳驾驶预测。
9.存储介质,其特征在于,存储有可执行指令,可执行指令能被计算机执行,使计算机运行如权利要求1至7任一项所述的基于自动机器学习的疲劳驾驶预测方法。