公路货运危险驾驶行为智能预测技术研究.pdfVIP

汽车技术·AutomobileTechnology

公路货运危险驾驶行为智能预测技术研究*

12,3124

柳鹏飞陆见光徐磊唐向红刘方杰

（1.贵州大学，现代制造技术教育部重点实验室，贵阳550025；2.贵州大学，公共大数据国家重点实验室，

贵阳550025；3.重庆工业大数据创新中心有限公司，重庆400707；4.贵州新思维科技有限责任公司，

贵阳550001）

【摘要】

基于某省载货汽车历史行驶数据，提出了一种基于卷积神经网络-长短期记忆（CNN-LSTM）网络与自注意力

机制的危险驾驶行为预测方法。针对载货汽车行驶数据量大、维度高、特征提取难度大、时序性强的特点，首先运用XG⁃

Boost对特征进行筛选，接着利用卷积神经网络（CNN）进行空间特征提取，再运用长短期记忆（LSTM）网络捕捉驾驶行为的

时序信息，最后通过自注意力机制对危险驾驶行为进行预测。试验结果表明，该方法相对其他长时间序列预测方法在某省

公路货运驾驶数据上表现优异，识别准确率达到85.05%，加权平均召回率达到83%，F1分数（F1-Score）达到84%。

主题词：公路货运数据驱动自注意力机制危险驾驶行为预测

中图分类号：U471.15文献标志码：ADOI:10.19620/ki.1000-3703

ResearchonIntelligentPredictionTechnologyofDangerousDriving

BehaviorinHighwayFreight

12,3124

LiuPengfei,LuJianguang,XuLei,TangXianghong,LiuFangjie

（1.KeyLaboratoryofAdvancedManufacturingTechnologyoftheMinistryofEducation,GuizhouUniversity,Guiyang

550025;2.StateKeyLaboratoryofPublicBigData,GuizhouUniversity,Guiyang550025;3.ChongqingIndustrialBigData

InnovationCenterCo.,Ltd.,Chongqing400707;4.GuizhouXinSiWeiTechnologyCo.,Ltd.,Guiyang550001）

【Abstract】Basedonthehistoricaldrivingdataoftrucksinaprovince,thispaperproposedapredictionmethodof

dangerousdrivingbehaviorbasedonConvolutionalNeuralNetwork-LongShort-TermMemory(CNN-LSTM)networkand

self-attentionmechanism.Forthecharacteristicsoflargeamountoftruckdrivingdata,highdimension,difficultfeature

extractionandstrongtimesequence,thismethodfirstusedXGBoosttofilterthefeatures,thenusedCNNtoextractspatial

featuresandLSTMtofurthercapturethetemporalinformationofdr