CN112036352B - 一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置 - Google Patents

一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置 Download PDF

Info

Publication number
CN112036352B
CN112036352B CN202010936728.0A CN202010936728A CN112036352B CN 112036352 B CN112036352 B CN 112036352B CN 202010936728 A CN202010936728 A CN 202010936728A CN 112036352 B CN112036352 B CN 112036352B
Authority
CN
China
Prior art keywords
fatigue
target
rule
training
order
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010936728.0A
Other languages
English (en)
Other versions
CN112036352A (zh
Inventor
韩福波
刘亚书
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202010936728.0A priority Critical patent/CN112036352B/zh
Publication of CN112036352A publication Critical patent/CN112036352A/zh
Application granted granted Critical
Publication of CN112036352B publication Critical patent/CN112036352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请提供了一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置，该训练方法包括：基于历史订单构造训练样本，该训练样本中包括疲劳特征和疲劳特征对应的是否发生交通事故的事故结果；将疲劳特征作为决策树模型的输入，将疲劳规则作为决策树模型的输出；根据决策树模型基于输入的疲劳特征得到的输出结果和疲劳特征对应的事故结果，训练决策树模型，得到训练好的疲劳检测模型和对应的疲劳规则；根据疲劳检测模型对应的疲劳规则，建立疲劳特征和疲劳程度的映射关系，以便通过该映射关系确定目标订单对应的目标疲劳程度。本申请提高了检测效率和检测准确度，能够满足实时检测的需求，且无需对样本进行疲劳程度的标注，提高了模型的训练效率。

Description

一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置
技术领域
本申请涉及疲劳检测技术领域，具体而言，涉及一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置。
背景技术
在交通领域，比如网约车领域，疲劳驾驶是引发严重交通事故的主要原因，因此，需要对驾驶员进行疲劳驾驶检测，以保证驾驶员和乘客的行驶安全。
目前，对驾驶员进行疲劳驾驶检测的方法包括：监测驾驶员连续在线时长和工作时长等统计量，并基于上述统计量判断驾驶员是否疲劳。但是，上述方式中，监测的统计量数据单一，无法准确描述驾驶员的工作强度，也无法准确表征驾驶员的疲劳状态，进而导致检测准确度差；并且，上述方式检测效率低，也无法满足实时检测的需求。
发明内容
有鉴于此，本申请的目的在于提供一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置，通过构造包括疲劳特征和对应的事故结果的训练样本来训练疲劳检测模型，并基于疲劳检测模型检测驾驶员的疲劳状态，提高了检测效率和检测准确度，能够满足实时检测的需求；并且，通过上述训练样本，无需对样本进行疲劳程度的标注，提高了模型的训练效率。
第一方面，本申请实施例提供了一种疲劳检测模型的训练方法，所述训练方法包括：
基于历史订单构造训练样本，所述训练样本中包括疲劳特征和所述疲劳特征对应的是否发生交通事故的事故结果；
将所述疲劳特征作为决策树模型的输入，将疲劳规则作为所述决策树模型的输出；根据所述决策树模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，训练决策树模型，得到训练好的疲劳检测模型和所述疲劳检测模型对应的疲劳规则；
根据所述疲劳检测模型对应的疲劳规则，建立所述疲劳特征和疲劳程度的映射关系；其中，所述映射关系用于基于所述疲劳检测模型基于目标订单对应的目标疲劳特征的输出结果，确定所述目标订单对应的目标疲劳程度。
在一种可能的实施方式中，所述疲劳特征包括以下至少之一：服务提供方的基本动作特征；服务提供方的连续疲劳特征；订单特征；
其中，所述服务提供方的基本动作特征至少包括：服务提供方在最近时间段内的睁闭眼次数、睁闭眼时长、张闭嘴次数、张闭嘴时长；所述服务提供方的连续疲劳特征至少包括：服务提供方在一段时间段内连续触发基本动作的次数、每两次基本动作之间的时间间隔、每一次基本动作在对应时间段内的时长占比；其中，所述一段时间段内连续触发的每两次基本动作之间的时间间隔小于第一预设阈值；所述订单特征至少包括订单时间、订单距离。
在一种可能的实施方式中，所述基于历史订单构造训练样本，包括：
基于服务提供方对应的历史订单构造初始训练样本，所述初始训练样本中包括初始疲劳特征和所述初始疲劳特征对应的是否发生交通事故的事故结果；
针对所述决策树模型的每一节点，获取该节点对应的初始训练样本；针对所述初始训练样本中的每一初始疲劳特征，将该初始疲劳特征作为该节点的输入，得到该节点对应的决策结果；
若该决策结果不符合预设条件，则从所述初始训练样本中删除该初始疲劳特征，得到训练样本。
在一种可能的实施方式中，根据所述决策树模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，训练决策树模型，得到所述疲劳检测模型对应的疲劳规则，包括：
基于每一个疲劳特征对所述疲劳检测模型的输出结果的影响，确定当所述疲劳检测模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应发生事故相匹配时，对应的准确率满足第二预设阈值的疲劳规则。
在一种可能的实施方式中，所述根据所述疲劳检测模型对应的疲劳规则，建立所述疲劳特征和疲劳程度的映射关系，包括：
当所述训练样本对应的疲劳程度为轻度疲劳时，所述疲劳检测模型基于所述训练样本中的疲劳特征得到单条疲劳规则；其中，不同的疲劳特征对应的单条疲劳规则不同；
当所述训练样本对应的疲劳程度为重度疲劳时，所述疲劳检测模型基于所述训练样本中的疲劳特征得到组合疲劳规则；其中，不同的疲劳特征对应的组合疲劳规则不同。
在一种可能的实施方式中，确定所述组合疲劳规则包括：
根据每一个所述单条疲劳规则在每一个训练正样本中的疲劳特征命中信息，确定该单条疲劳规则在该训练正样本下的时间权重值；其中，所述训练正样本为对应的事故结果为发生交通事故的训练样本；
根据该单条疲劳规则在多个训练正样本下的时间权重值，确定该单条疲劳规则对应的综合时间权重值；
根据每一个单个疲劳规则对应的综合时间权重值，从所述单条疲劳规则中选取第一候选疲劳规则和第二候选疲劳规则；其中，所述第一候选疲劳规则对应的综合时间权重值的小于第一阈值，所述第二候选疲劳规则对应的综合时间权重值大于第二阈值；其中，所述第二阈值大于或者等于所述第一阈值；
将所述第一候选疲劳规则和所述第二候选疲劳规则确定为所述组合疲劳规则。
第二方面，本申请实施例还提供了一种疲劳驾驶检测方法，所述方法包括：
获取服务提供方对应的目标订单中的目标疲劳特征；
将所述目标疲劳特征输入到预先训练好的疲劳检测模型中，得到所述疲劳检测模型对应的目标规则；
根据所述目标规则以及预先建立的疲劳特征和疲劳程度的映射关系，确定所述目标订单对应的目标疲劳程度；
基于目标订单对应的目标疲劳程度，对所述目标订单对应的服务提供方进行处理。
在一种可能的实施方式中，所述目标疲劳特征包括以下至少之一：服务提供方的基本动作特征；服务提供方的连续疲劳特征；订单特征；
其中，所述服务提供方的基本动作特征至少包括：服务提供方在最近时间段内的睁闭眼次数、睁闭眼时长、张闭嘴次数、张闭嘴时长；所述服务提供方的连续疲劳特征至少包括：服务提供方在一段时间段内连续触发基本动作的次数、每两次基本动作之间的时间间隔、每一次基本动作在对应时间段内的时长占比；其中，所述一段时间段内连续触发的每两次基本动作之间的时间间隔小于第一预设阈值；所述订单特征至少包括订单时间、订单距离。
在一种可能的实施方式中，所述根据所述目标规则以及预先建立的疲劳特征和疲劳程度的映射关系，确定所述目标订单对应的目标疲劳程度，包括：
当所述目标规则未命中任一单条疲劳规则时，确定所述目标订单对应的疲劳程度为非疲劳；
当所述目标规则命中任一单条疲劳规则但未命中组合疲劳规则时，确定所述目标订单对应的疲劳程度为轻度疲劳；其中，所述组合疲劳规则包括至少两个单条疲劳规则；
当所述目标规则命中任一疲劳规则且命中组合疲劳规则时，确定所述目标订单对应的疲劳程度为重度疲劳。
在一种可能的实施方式中，所述基于目标订单对应的目标疲劳程度，对所述目标订单对应的服务提供方进行处理，包括：
若所述目标订单对应的目标疲劳程度为轻度疲劳，则通过第一语音播报对所述目标订单对应的服务提供方进行第一提醒；
若所述目标订单对应的目标疲劳程度为重度疲劳，则通过第二语音播报对所述目标订单对应的服务提供方进行第二提醒且则暂停向所述服务提供方分配订单。
在一种可能的实施方式中，所述暂停向所述服务提供方分配订单，包括：
若所述目标订单为行驶状态，则暂停向所述服务提供方分配匹配所述行驶状态的第一类型的订单。
在一种可能的实施方式中，所述暂停向所述服务提供方分配订单，还包括：
若所述目标订单为行驶结束状态，则暂停向所述服务提供方分配匹配所述行驶结束状态的第二类型的订单。
第三方面，本申请实施例还提供了一种疲劳检测模型的训练装置，所述训练装置包括：
构造模块，用于基于历史订单构造训练样本，所述训练样本中包括疲劳特征和所述疲劳特征对应的是否发生交通事故的事故结果；
训练模块，用于将所述疲劳特征作为决策树模型的输入，将疲劳规则作为所述决策树模型的输出；根据所述决策树模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，训练决策树模型，得到训练好的疲劳检测模型和所述疲劳检测模型对应的疲劳规则；
映射建立模块，用于根据所述疲劳检测模型对应的疲劳规则，建立所述疲劳特征和疲劳程度的映射关系；其中，所述映射关系用于基于所述疲劳检测模型基于目标订单对应的目标疲劳特征的输出结果，确定所述目标订单对应的目标疲劳程度。
第四方面，本申请实施例还提供了一种疲劳驾驶检测装置，所述装置包括：
获取模块，用于获取服务提供方对应的目标订单中的目标疲劳特征；
第一处理模块，用于将所述目标疲劳特征输入到预先训练好的疲劳检测模型中，得到所述疲劳检测模型对应的目标规则；
确定模块，用于根据所述目标规则以及预先建立的疲劳特征和疲劳程度的映射关系，确定所述目标订单对应的目标疲劳程度；
第二处理模块，用于基于目标订单对应的目标疲劳程度，对所述目标订单对应的服务提供方进行处理。
第五方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面任一项所述的疲劳检测模型的训练方法的步骤。
第六方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一项所述的疲劳检测模型的训练方法的步骤。
第七方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第二方面任一项所述的疲劳驾驶检测方法的步骤。
第八方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第二方面任一项所述的疲劳驾驶检测方法的步骤。
本申请实施例提供了一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置，通过服务提供方对应的历史订单构造包括疲劳特征和该疲劳特征对应的事故结果的训练样本，并基于该训练样本来训练疲劳检测模型，并得到疲劳检测模型对应的疲劳规则；之后，在根据疲劳检测模型对应的疲劳规则，建立疲劳特征和疲劳程度的映射关系，通过该映射关系，能够使得疲劳检测模型在应用过程中，基于目标订单对应的目标疲劳特征，确定该目标订单对应的目标疲劳程度，并对该目标订单对应的服务提供方进行处理。本申请中，通过训练疲劳检测模型进行疲劳驾驶检测的方式，提高了检测效率和检测准确度，能够满足实时检测的需求；并且，通过上述训练样本训练疲劳检测模型，无需对样本进行疲劳程度的标注，提高了模型的训练效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1a示出了本申请实施例提供的一种疲劳检测模型的训练方法的流程图；
图1b示出了本申请实施例提供的一种连续疲劳特征示意图；
图2a示出了本申请实施例提供的另一种疲劳检测模型的训练方法的流程图；
图2b～图2d示出了本申请实施例提供的基于决策树模型对初始疲劳特征进行筛选的过程示意图；
图3示出了本申请实施例提供的另一种疲劳检测模型的训练方法的流程图；
图4示出了本申请实施例提供的一种疲劳驾驶检测方法的流程图；
图5示出了本申请实施例提供的一种疲劳检测模型的训练装置的结构示意图；
图6示出了本申请实施例提供的一种疲劳驾驶检测装置的结构示意图；
图7示出了本申请实施例提供的一种电子设备的结构示意图；
图8示出了本申请实施例提供的另一种电子设备的结构示意图。
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，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的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。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车领域”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕疲劳驾驶进行描述，但是应该理解，这仅是一个示例性实施例。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中的术语“乘客”、“请求方”、“服务请求方”和“客户”可互换使用，以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“驾驶员”、“提供方”、“服务提供方”和“供应商”可互换使用，以指代可以提供服务的个人、实体或工具。
考虑到目前对驾驶员进行疲劳驾驶检测的方法的检测准确度差，检测效率低，无法满足实时检测的需求的问题，本申请实施例提供了一种疲劳检测模型的训练方法及装置、疲劳驾驶检测方法及装置，通过构造包括疲劳特征和对应的事故结果的训练样本来训练疲劳检测模型，并基于疲劳检测模型检测驾驶员的疲劳状态，并基于检测结果对该目标订单对应的服务提供方进行处理，提高了检测效率和检测准确度，能够满足实时检测的需求；并且，通过上述训练样本，无需对样本进行疲劳程度的标注，提高了模型的训练效率。
本申请实施例提供的一种疲劳检测模型的训练方法和疲劳驾驶检测方法，可以应用于终端设备，也可以应用于服务器。下面以上述疲劳检测模型的训练方法和疲劳驾驶检测方法应用于服务器为例进行详细说明。
参照图1a所示，为本申请第一实施例提供的一种疲劳检测模型的训练方法的流程示意图，该方法可以由服务器执行，所述训练方法具体包括：
S101、基于历史订单构造训练样本，所述训练样本中包括疲劳特征和所述疲劳特征对应的是否发生交通事故的事故结果。
S102、将所述疲劳特征作为决策树模型的输入，将疲劳规则作为所述决策树模型的输出；根据所述决策树模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，训练决策树模型，得到训练好的疲劳检测模型和所述疲劳检测模型对应的疲劳规则。
S103、根据所述疲劳检测模型对应的疲劳规则，建立所述疲劳特征和疲劳程度的映射关系；其中，所述映射关系用于基于所述疲劳检测模型基于目标订单对应的目标疲劳特征的输出结果，确定所述目标订单对应的目标疲劳程度。
本申请实施例提供了一种疲劳检测模型的训练方法，通过服务提供方对应的历史订单构造包括疲劳特征和该疲劳特征对应的事故结果的训练样本，并基于该训练样本来训练疲劳检测模型，并得到疲劳检测模型对应的疲劳规则；之后，在根据疲劳检测模型对应的疲劳规则，建立疲劳特征和疲劳程度的映射关系，通过该映射关系，能够使得疲劳检测模型在应用过程中，基于目标订单对应的目标疲劳特征，确定该目标订单对应的目标疲劳程度，并对该目标订单对应的服务提供方进行处理。本申请中，通过训练疲劳检测模型进行疲劳驾驶检测的方式，提高了检测效率和检测准确度，能够满足实时检测的需求；并且，通过上述训练样本训练疲劳检测模型，无需对样本进行疲劳程度的标注，提高了模型的训练效率。
下面分别对本申请实施例的上述示例性的各步骤分别进行说明：
S101、基于历史订单构造训练样本，所述训练样本中包括疲劳特征和所述疲劳特征对应的是否发生交通事故的事故结果。
本申请实施例中，训练样本包括正样本和负样本；其中，基于疲劳驾驶交通事故订单构造正样本，相应的，正样本中包括疲劳特征和所述疲劳特征对应的发生交通事故的事故结果。基于发生交通事故事件当天，除事故订单之外的其他订单构造负样本，相应的，负样本中包括疲劳特征和所述疲劳特征对应的未发生交通事故的事故结果。这里，也可以用其他时段的除事故订单之外的其他历史订单构造负样本，而通过发生交通事故事件当天除事故订单之外的其他订单构造负样本，目的是为了保证除疲劳特征之外的其他订单特征的相似性，这样，能够提高疲劳特征和事故结果(也即疲劳结果)之间的关联性，进而提高训练的疲劳检测模型的准确度；其中，其他订单特征可以为：时间特征、天气特征(比如，都是下雨天)、日期特征(比如，都是周一，都是周末、都是特定节假日)等。
本申请实施例中，针对疲劳驾驶的特定场景，上述疲劳特征包括：服务提供方(即驾驶员)的基础表征特征(服务提供方的基本动作特征)、服务提供方的连续疲劳特征、订单特征。下面分别对该三种具体的疲劳特征进行说明：
1、服务提供方的基本动作特征(也即服务提供方的基础表征特征)至少包括：服务提供方在最近时间段内的睁闭眼次数、睁闭眼时长、张闭嘴次数、张闭嘴时长。比如，驾驶员在10分钟内的睁闭眼次数、每次睁闭眼时长、驾驶员在10分钟内的张闭嘴次数、每次张闭嘴时长等。
2、服务提供方的连续疲劳特征至少包括：服务提供方在一段时间段内连续触发基本动作的次数、每两次基本动作之间的时间间隔、每一次基本动作在对应时间段内的时长占比；其中，上述一段时间段内连续触发的每两次基本动作之间的时间间隔小于第一预设阈值。如图1b所示，通过记录每个驾驶员连续在较短时间间隔(比如，5分钟)内出现睁闭眼和张闭嘴的次数、间隔和时长等计算该连续疲劳特征，比如，上述连续疲劳特征包括：驾驶员在20分钟内连续4次睁闭眼或者张闭嘴，该20分钟内每次的睁闭眼或者张闭嘴与该次基本动作之前或者之后的基本动作的时间间隔小于第一预设阈值(比如，5分钟)；上述连续疲劳特征还包括：该20分钟内每次的睁闭眼或者张闭嘴与该次基本动作之前或者之后的基本动作的具体时间间隔(比如，3分钟，或者4分钟)；上述连续疲劳特征还包括：每一次基本动作在20分钟内的时长占比，比如，第一次为睁闭眼，时长为2分钟，对应的时长占比为2/20，即时长占比为10％。
3、订单特征至少包括订单时间、订单距离；这里，订单时间包括夜间订单、午后订单、上午订单(早高峰订单，普通上午订单)等，订单距离指的是订单中的行程距离。
本申请实施例中，如上所述，除提升驾驶员基础表征识别准确度外，我们通过对重大疲劳交通事故数据分析发现，绝大多数疲劳事故驾驶员在发生事故之前会有连续多次出现打哈欠和瞌睡闭眼动作，因此本发明还创新性的设计和开发了驾驶员连续疲劳特征，该特征不仅可用于本发明中涉及的疲劳驾驶交通事故场景，亦可作为其他需进行疲劳判定场景的有效输入特征，通过该特征，能够提高训练的疲劳检测模型的检测准确度。
S102、将所述疲劳特征作为决策树模型的输入，将疲劳规则作为所述决策树模型的输出；根据所述决策树模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，训练决策树模型，得到训练好的疲劳检测模型和所述疲劳检测模型对应的疲劳规则。
本申请实施例中，以DT(x)表示疲劳规则，x表示任一个训练样本的疲劳特征，X表示训练样本集合，xi∈X，i＝1，2，…，n；其中，i表示训练样本集合中的任一训练样本，n表示训练样本集合中训练样本的个数。
本申请实施例中，使用可解释的决策树模型，通过训练样本集合X，将训练样本的疲劳特征x作为决策树模型的输入，将疲劳规则DT(x)作为决策树模型的输出，训练决策树模型。具体训练过程如下：将训练样本的疲劳特征x作为决策树模型的输入，根据决策树模型基于输入的疲劳特征x得到的输出结果DT(x)和上述疲劳特征x对应的事故结果，确定决策树模型的损失，并基于损失调整决策树模型的模型参数，直至根据决策树模型基于输入的疲劳特征x得到的输出结果DT(x)和上述疲劳特征x对应的事故结果相匹配(也即损失满足预设条件，比如，损失值小于第三预设阈值)，得到训练好的疲劳检测模型；其中，疲劳检测模型包括训练好的模型参数。
在训练决策树模型的过程中，采用信息增益(information gain)作为划分标准，针对样本数据集，确定每个样本数据集的特征集合，模型的训练目标在每次选择最大化信息增益的测试条件来对节点进行划分，优化算法通常采用贪心算法(greedy algorithm)进行计算。
其中，产出训练得到的模型参数作为在线部分计算的输入：对于离线部分，计算所有的模型参数，保存在参数文件中；对于在线部分，接收到驾驶员疲劳表征数据后，获取请求中的特征数据，加载模型参数，计算得到该订单的危险度分值。
当得到训练好的疲劳检测模型之后，另外，还能够得到疲劳检测模型对应的疲劳规则，该疲劳规则为表征了疲劳特征与事故结果的一种规则。具体实施方式中，基于每一个疲劳特征对所述疲劳检测模型的输出结果的影响，确定当所述疲劳检测模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应发生事故相匹配时，对应的准确率满足第二预设阈值的疲劳规则。
该疲劳规则可以为一个，也可以为多个，通常情况下，上述疲劳规则为多个，且每个疲劳规则对应的准确率满足预设阈值(即每个疲劳规则对应的准确率大于第二预设阈值)。
S103、根据所述疲劳检测模型对应的疲劳规则，建立所述疲劳特征和疲劳程度的映射关系；其中，所述映射关系用于基于所述疲劳检测模型基于目标订单对应的目标疲劳特征的输出结果，确定所述目标订单对应的目标疲劳程度。
本申请实施例中，在得到疲劳检测模型对应的疲劳规则之后，建立所述疲劳特征和疲劳程度的映射关系；其中，疲劳程度包括非疲劳、轻度疲劳，重度疲劳。其中，根据所述疲劳检测模型对应的疲劳规则，建立所述疲劳特征和疲劳程度的映射关系，包括：
当所述训练样本对应的疲劳程度为轻度疲劳时，所述疲劳检测模型基于所述训练样本中的疲劳特征得到单条疲劳规则；其中，不同的疲劳特征对应的单条疲劳规则不同；
当所述训练样本对应的疲劳程度为重度疲劳时，所述疲劳检测模型基于所述训练样本中的疲劳特征得到组合疲劳规则；其中，不同的疲劳特征对应的组合疲劳规则不同。
举例来讲，通过0表示非疲劳，通过1表示轻度疲劳，通过2表示重度疲劳。
建立一种映射f，定义p＝f(x)，映射f建立方法采用决策树模型DT(x)，其中dti∈DT为决策树模型的单条规则(即上述单条疲劳规则)，为单个样本，p为样本x发生疲劳的严重程度(其中，0为非疲劳，1为轻度疲劳，2为重度疲劳)，集合U＝(DT1,DT2),DT1,
Figure BDA0002672202950000111
为组合升级规则(即上述组合疲劳规则)。
Figure BDA0002672202950000112
在疲劳检测模型的应用阶段，疲劳检测模型基于目标订单对应的目标疲劳特征得到输出结果，通过上述映射关系能够，能够基于上述目标订单对应的输出结果，确定目标订单对应的目标疲劳程度。
进一步的，如图2a所示，本申请实施例提供的疲劳检测模型的训练方法，所述基于历史订单构造训练样本，包括：
S201、基于服务提供方对应的历史订单构造初始训练样本，所述初始训练样本中包括初始疲劳特征和所述初始疲劳特征对应的是否发生交通事故的事故结果。
S202、针对所述决策树模型的每一节点，获取该节点对应的初始训练样本；针对所述初始训练样本中的每一初始疲劳特征，将该初始疲劳特征作为该节点的输入，得到该节点对应的决策结果。
S203、若该决策结果不符合预设条件，则从所述初始训练样本中删除该初始疲劳特征，得到训练样本。
结合步骤201至步骤203，本申请实施例中构造的初始训练样本中包括初始疲劳特征和初始疲劳特征对应的事故结果。实际中，并非所有的初始疲劳特征都能提高疲劳检测模型的检测准确度，因此，本申请实施例中，需要从初始疲劳特征中筛选出有效疲劳特征，并基于有效疲劳特征训练疲劳检测模型。
其中，决策树模型中包括很多节点，针对该决策树模型的每一节点，首先获取该节点对应的初始训练样本(即下述数据集)，然后，针对初始训练样本中的每一初始疲劳特征，将该初始疲劳特征作为该节点的输入，得到该节点对应的决策结果，该决策结果为一种疲劳规则，服务器判断该决策结果是否与正样本或者负样本的分布规则和/或常规认知规则相匹配(即该疲劳规则是否匹配负样本的分布规则和/或常规认知规则)，若不匹配，则删除该初始疲劳特征。
如图2b～2d，当决策树模型选择不可解释的初始疲劳特征进行模型判定时(如图2b所示)，从当前节点对应的数据集中删除该初始疲劳特征，重新构造训练样本并训练决策树模型(如图2c所示)，以此类推，直至决策树模型选择的分类特征可解释为止(如图2d所示)。举例来讲，以特征“表征间隔的平均时长”为例，若决策树模型中某个节点自动输出的结果是“表征间隔平均的时长大于阈值”，但是，从常规认知规则为：连续疲劳表征出现的间隔时长越短越可能处于疲劳状态；因此，这里“表征间隔平均时长”特征需要从决策树模型中的该节点中删除。需要说明的是：决策树模型在每个节点会进行条件判断将数据集按条件分割为两个子集，当某个节点的判断条件不符合正样本分布时，会造成模型的过拟合。因为，正样本极少，模型很难在每个节点选择合理的判断条件，为避免该问题，所以设计了上述筛选算法对不符合条件的初始疲劳特征进行删除。
上述筛选有效初始疲劳特征的过程如下：首先决策树进行自动训练得到结果(如图2b所示)，其中，模型对图2b中的feature2<＝f2判定为正样本，而通过原始正样本在feature2上的分布发现，feature2<＝f2判定条件不符合原始的分布，所以在S2数据集中删除feature2特征进行训练，得到结果(如图2c所示)，再发现featurem特征仍然不符合常规认知规则，则继续删除featurem进行训练，最终得到featuren特征符合分布(如图2d所示)，选取featuren特征，其他层的不同节点同理。
进一步的，如图3所示，本申请实施例提供的疲劳检测模型的训练方法中，确定所述组合疲劳规则包括：
S301、根据每一个所述单条疲劳规则在每一个训练正样本中的疲劳特征命中信息，确定该单条疲劳规则在该训练正样本下的时间权重值；其中，所述训练正样本为对应的事故结果为发生交通事故的训练样本。
本申请实施例中，当疲劳检测模型训练好以后，能够得到多个疲劳检测模型对应的疲劳规则。针对每一个疲劳规则，获取该疲劳规则在每一个训练正样本(即事故订单构造的正样本)中的疲劳特征命中信息，然后，根据该疲劳规则在每一训练正样本中的疲劳特征命中信息，确定该疲劳规则在该训练正样本下的时间权重值。其中，上述疲劳特征命中信息为命中该疲劳规则的表征(即服务提供方的基本动作)的位置，该位置表征(即服务提供方的基本动作)的个数，比如，第一个表征(即服务提供方的基本动作)对应位置1；第二个表征(即服务提供方的基本动作)对应位置2。
比如，得到多个疲劳检测模型对应的疲劳规则为疲劳规则1～疲劳规则5，训练正样本包括：训练正样本1～训练正样本5。针对疲劳规则1，在训练正样本1的第2、第4、第5、第6、第7个表征中命中，相应的，疲劳规则1在训练正样本1中的时间权重值为：(1/2+1/4+1/5+1/6+1/7)/5＝0.252。
S302、根据该单条疲劳规则在多个训练正样本下的时间权重值，确定该单条疲劳规则对应的综合时间权重值。
本申请实施例中，每个疲劳规则对应多个训练样本。针对每一疲劳规则，根据该疲劳规则在对应的多个训练样本下的时间权重值，可计算出该疲劳规则对应的综合时间权重值。
比如，疲劳规则1对应训练正样本1～训练正样本5，通过步骤301的计算方法，疲劳规则1在训练正样本1中的时间权重值为0.252，疲劳规则1在训练正样本1中的时间权重值为0.101……等等。相应的，该疲劳规则1对应的综合时间权重值＝0.252+0.101+训练正样本3对应的时间权重值+训练正样本4对应的时间权重值+训练正样本5对应的时间权重值。
S303、根据每一个单个疲劳规则对应的综合时间权重值，从所述单条疲劳规则中选取第一候选疲劳规则和第二候选疲劳规则；其中，所述第一候选疲劳规则对应的综合时间权重值的小于第一阈值，所述第二候选疲劳规则对应的综合时间权重值大于第二阈值；其中，所述第二阈值大于或者等于所述第一阈值。
本申请实施例中，综合时间权重值越大表示相应的疲劳规则的命中时间点(也即命中位置)越靠前。这样，通过各个疲劳规则的综合时间权重值，选出命中时间点靠前(即小于第一阈值)的第一候选疲劳规则和命中时间点靠后(即大于第二阈值)的第二候选疲劳规则，组成组合疲劳规则。
这里，第二阈值可以与第一阈值相同，也可以大于第一阈值。
S304、将所述第一候选疲劳规则和所述第二候选疲劳规则确定为所述组合疲劳规则。
本申请实施例中，通过步骤303的方式，选取的每一组第一候选疲劳规则和第二候选疲劳规则均为一个规则对，即为一对组合疲劳规则。通过该组合疲劳规则进行重度疲劳的检测。
本申请实施例提供了一种疲劳检测模型的训练方法，通过服务提供方对应的历史订单构造包括疲劳特征和该疲劳特征对应的事故结果的训练样本，并基于该训练样本来训练疲劳检测模型，并得到疲劳检测模型对应的疲劳规则；之后，在根据疲劳检测模型对应的疲劳规则，建立疲劳特征和疲劳程度的映射关系，通过该映射关系，能够使得疲劳检测模型在应用过程中，基于目标订单对应的目标疲劳特征，确定该目标订单对应的目标疲劳程度，并对该目标订单对应的服务提供方进行处理。本申请中，通过训练疲劳检测模型进行疲劳驾驶检测的方式，提高了检测效率和检测准确度，能够满足实时检测的需求；并且，通过上述训练样本训练疲劳检测模型，无需对样本进行疲劳程度的标注，提高了模型的训练效率。
参照图4所示，为本申请第二实施例提供的一种疲劳驾驶检测方法的流程示意图，该方法可以由服务器执行，所述方法具体包括：
S401、获取服务提供方对应的目标订单中的目标疲劳特征。
S402、将所述目标疲劳特征输入到预先训练好的疲劳检测模型中，得到所述疲劳检测模型对应的目标规则。
S403、根据所述目标规则以及预先建立的疲劳特征和疲劳程度的映射关系，确定所述目标订单对应的目标疲劳程度。
S404、基于目标订单对应的目标疲劳程度，对所述目标订单对应的服务提供方进行处理。
本申请实施例提供了一种疲劳驾驶检测方法，通过疲劳检测模型和预设的疲劳规则和疲劳程度的映射关系，能够基于目标订单对应的目标疲劳特征，确定该目标订单对应的目标疲劳程度，并在确定驾驶员为疲劳状态时，对目标订单对应的服务提供方进行干预，提高了检测效率和检测准确度，能够满足实时检测的需求；并且，通过干预目标订单对应的服务提供方的方式，能够保证服务提供方和/或服务请求方的安全。
下面分别对本申请实施例的上述示例性的各步骤分别进行说明：
S401、获取服务提供方对应的目标订单中的目标疲劳特征。
本申请实施例中，上述目标疲劳特征包括以下至少之一：服务提供方的基本动作特征(也即服务提供方的基础表征特征)；服务提供方的连续疲劳特征；订单特征；
1、其中，所述服务提供方的基本动作特征至少包括：服务提供方在最近时间段内的睁闭眼次数、睁闭眼时长、张闭嘴次数、张闭嘴时长；比如，驾驶员在10分钟内的睁闭眼次数、每次睁闭眼时长、驾驶员在10分钟内的张闭嘴次数、每次张闭嘴时长等。
2、所述服务提供方的连续疲劳特征至少包括：服务提供方在一段时间段内连续触发基本动作的次数、每两次基本动作之间的时间间隔、每一次基本动作在对应时间段内的时长占比；其中，上述一段时间段内连续触发的每两次基本动作之间的时间间隔小于第一预设阈值；
本申请实施例中，在实际订单进行过程中，随着时间的推移，可能会存在多个目标订单对应的基本动作特征(也即服务提供方的基础表征特征)，比如，在目标订单10分钟时，对应有一基本动作特征(比如张闭嘴)，在目标订单11分钟时，对应有一基本动作特征(比如张闭嘴)，在目标订单14分钟时，对应有一基本动作特征(比如睁闭眼)等。其中，通过记录每个驾驶员连续在较短时间间隔(比如，5分钟)内出现睁闭眼和张闭嘴的次数、间隔和时长等计算该连续疲劳特征，比如，上述连续疲劳特征包括：驾驶员在20分钟内连续4次睁闭眼或者张闭嘴，该20分钟内每次的睁闭眼或者张闭嘴与该次基本动作之前或者之后的基本动作的时间间隔小于第一预设阈值(比如，5分钟)；上述连续疲劳特征还包括：该20分钟内每次的睁闭眼或者张闭嘴与该次基本动作之前或者之后的基本动作的具体时间间隔(比如，3分钟，或者4分钟)；上述连续疲劳特征还包括：每一次基本动作在20分钟内的时长占比，比如，第一次为睁闭眼，时长为2分钟，对应的时长占比为2/20，即时长占比为10％。
3、订单特征至少包括订单时间、订单距离。这里，订单时间包括夜间订单、午后订单、上午订单(早高峰订单，普通上午订单)等，订单距离指的是订单中的行程距离。
S402、将所述目标疲劳特征输入到预先训练好的疲劳检测模型中，得到所述疲劳检测模型对应的目标规则。
本申请实施例中，疲劳检测模型基于预先训练好的模型参数对目标疲劳特征进行计算，输出目标规则。
S403、根据所述目标规则以及预先建立的疲劳特征和疲劳程度的映射关系，确定所述目标订单对应的目标疲劳程度。
上述疲劳特征和疲劳程度的映射关系包括：当训练样本对应的疲劳程度为轻度疲劳时，疲劳检测模型基于训练样本中的疲劳特征得到单条疲劳规则；其中，不同的疲劳特征对应的单条疲劳规则不同；当训练样本对应的疲劳程度为重度疲劳时，疲劳检测模型基于训练样本中的疲劳特征得到组合疲劳规则；其中，不同的疲劳特征对应的组合疲劳规则不同。
本申请实施例中，疲劳程度分为三个等级，包括：非疲劳、轻度疲劳，重度疲劳。
具体的，确定目标订单对应的目标疲劳程度的方法包括：
当上述目标规则未命中上述任一单条疲劳规则时，确定目标订单对应的疲劳程度为非疲劳；比如，目标规则为每20s睁闭眼一次，无张闭嘴的情况；相应的，该目标规则未命中任一单条疲劳规则，该种情况下，确定该目标订单对应的疲劳程度为非疲劳。
当上述目标规则命中任一单条疲劳规则但未命中组合疲劳规则时，确定目标订单对应的疲劳程度为轻度疲劳；其中，组合疲劳规则包括至少两个单条疲劳规则；比如，目标规则为某个1分钟内存在多次睁闭眼和张闭嘴的情况，相应的，该目标规则命中某一单条疲劳规则但未命中组合疲劳规则，该种情况下，确定该目标订单对应的疲劳程度为轻度疲劳。
当上述目标规则命中任一疲劳规则且命中组合疲劳规则时，确定目标订单对应的疲劳程度为重度疲劳。比如，目标规则为一段时间内(比如10分钟内)频繁存在睁闭眼和张闭嘴的情况，相应的，该目标规则既命中某一单条疲劳规则同样命中组合疲劳规则，该种情况下，确定该目标订单对应的疲劳程度为重度疲劳。
S404、基于目标订单对应的目标疲劳程度，对所述目标订单对应的服务提供方进行处理。
本申请实施例中，在基于确定目标订单对应的目标疲劳程度确定目标订单对应的服务提供方为疲劳状态时，进行服务提供方的疲劳驾驶行为进行实时干预管控。这里，干预管控手段可以是：语音播报，比如，通过从文本到语音(TextToSpeech，TTS)进行播报，以提醒驾驶员休息；还可以屏蔽向驾驶员派单，以强制驾驶员休息。
本申请实施例中，当行程中驾驶员上传表征数据命中策略模型时，则调起TTS语音播报给驾驶员，根据模型判定疲劳严重程度的高低分别对驾驶员播报轻度疲劳和重度疲劳播报文案。如图5所示，本申请实施例提供的疲劳驾驶检测方法中，所述基于目标订单对应的目标疲劳程度，对所述目标订单对应的服务提供方进行处理，包括：
第一、若所述目标订单对应的目标疲劳程度为轻度疲劳，则通过第一语音播报对所述目标订单对应的服务提供方进行第一提醒。
本申请实施例中，轻度疲劳通语音播报即可，具体的，匹配轻度疲劳的第一语音播报的文案集合可以包括：
1.滴滴安全提醒，开车打瞌睡需警惕，可适当开窗通风；
2.滴滴安全提醒，累了停车擦擦脸，清醒一下再前行；
3.滴滴安全提醒，开车疲劳经常有，试试深呼吸；
4.滴滴安全提醒，长时间行车请注意开窗通风，调整坐姿，避免疲劳驾驶；
5.滴滴安全提醒，深呼吸或者听音乐有助于缓解疲劳；
6.滴滴安全提醒，疲劳驾驶需避免，喝茶提神最简便。
第二、若所述目标订单对应的目标疲劳程度为重度疲劳，则通过第二语音播报对所述目标订单对应的服务提供方进行第二提醒且则暂停向所述服务提供方分配订单。
本申请实施例中，重度疲劳除了进行语音播报，还可以暂停向所述服务提供方分配订单，以强制相应的服务提供方休息。
具体的，匹配重度疲劳的第二语音播报的文案集合可以包括：
1.滴滴安全特别提醒，开车久坐容易困，若感疲惫，请结束本单后适当停车休息，切勿疲劳驶；2.滴滴安全特别提醒，疲劳驾驶太危险，感觉疲惫停一停，休息休息再前行；
3.滴滴安全特别提醒，疲劳驾驶隐患多，请注意开窗通风，保持清醒，避免疲劳驾驶；
4.滴滴安全特别提醒，开车太久易疲劳，请注意适当调整坐姿，及时开窗通风，切勿疲劳驾驶；
5.滴滴安全特别提醒，疲劳驾驶安全隐患高，请注意开窗通风，保持清醒，避免疲劳驾驶。
进一步的，本申请实施例中，所述暂停向所述服务提供方分配订单，包括：
若所述目标订单为行驶状态，则暂停向所述服务提供方分配匹配所述行驶状态的第一类型的订单。
若所述目标订单为行驶结束状态，则暂停向所述服务提供方分配匹配所述行驶结束状态的第二类型的订单。
本申请实施例中，当驾驶员命中重度疲劳时，根据当前订单状态进行干预，当订单在行程中时则触发“屏蔽派单”策略，不为疲劳驾驶员派拼车单和连环派单；当订单状态为结束时，则触发强制收车策略，强制驾驶员停车休息。
本申请实施例提供了一种疲劳驾驶检测方法，通过疲劳检测模型和预设的疲劳规则和疲劳程度的映射关系，能够基于目标订单对应的目标疲劳特征，确定该目标订单对应的目标疲劳程度，并在确定驾驶员为疲劳状态时，对目标订单对应的服务提供方进行干预，提高了检测效率和检测准确度，能够满足实时检测的需求；并且，通过干预目标订单对应的服务提供方的方式，能够保证服务提供方和/或服务请求方的安全。
基于同一发明构思，本申请第三实施例中还提供了与疲劳检测模型的训练方法对应的疲劳检测模型的训练装置，由于本申请第三实施例中的装置解决问题的原理与本申请第一实施例提供的疲劳检测模型的训练方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图5所示，为本申请第三实施例提供的一种疲劳检测模型的训练装置，所述训练装置包括：
构造模块501，用于基于历史订单构造训练样本，所述训练样本中包括疲劳特征和所述疲劳特征对应的是否发生交通事故的事故结果；
训练模块502，用于将所述疲劳特征作为决策树模型的输入，将疲劳规则作为所述决策树模型的输出；根据所述决策树模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，训练决策树模型，得到训练好的疲劳检测模型和所述疲劳检测模型对应的疲劳规则；
映射建立模块503，用于根据所述疲劳检测模型对应的疲劳规则，建立所述疲劳特征和疲劳程度的映射关系；其中，所述映射关系用于基于所述疲劳检测模型基于目标订单对应的目标疲劳特征的输出结果，确定所述目标订单对应的目标疲劳程度。
在一种可能的实施方式中，所述疲劳特征包括以下至少之一：服务提供方的基本动作特征；服务提供方的连续疲劳特征；订单特征；
其中，所述服务提供方的基本动作特征至少包括：服务提供方在最近时间段内的睁闭眼次数、睁闭眼时长、张闭嘴次数、张闭嘴时长；所述服务提供方的连续疲劳特征至少包括：服务提供方在一段时间段内连续触发基本动作的次数、每两次基本动作之间的时间间隔、每一次基本动作在对应时间段内的时长占比；其中，所述一段时间段内连续触发的每两次基本动作之间的时间间隔小于第一预设阈值；所述订单特征至少包括订单时间、订单距离。
在一种可能的实施方式中，所述构造模块501基于历史订单构造训练样本，包括：
基于服务提供方对应的历史订单构造初始训练样本，所述初始训练样本中包括初始疲劳特征和所述初始疲劳特征对应的是否发生交通事故的事故结果；
针对所述决策树模型的每一节点，获取该节点对应的初始训练样本；针对所述初始训练样本中的每一初始疲劳特征，将该初始疲劳特征作为该节点的输入，得到该节点对应的决策结果；
若该决策结果不符合预设条件，则从所述初始训练样本中删除该初始疲劳特征，得到训练样本。
在一种可能的实施方式中，训练模块502根据所述决策树模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，训练决策树模型，得到所述疲劳检测模型对应的疲劳规则，包括：
基于每一个疲劳特征对所述疲劳检测模型的输出结果的影响，确定当所述疲劳检测模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应发生事故相匹配时，对应的准确率满足第二预设阈值的疲劳规则。
在一种可能的实施方式中，映射建立模块503根据所述疲劳检测模型对应的疲劳规则，建立所述疲劳特征和疲劳程度的映射关系，包括：
当所述训练样本对应的疲劳程度为轻度疲劳时，所述疲劳检测模型基于所述训练样本中的疲劳特征得到单条疲劳规则；其中，不同的疲劳特征对应的单条疲劳规则不同；
当所述训练样本对应的疲劳程度为重度疲劳时，所述疲劳检测模型基于所述训练样本中的疲劳特征得到组合疲劳规则；其中，不同的疲劳特征对应的组合疲劳规则不同。
在一种可能的实施方式中，所述训练装置还包括：
第一确定模块，用于根据每一个所述单条疲劳规则在每一个训练正样本中的疲劳特征命中信息，确定该单条疲劳规则在该训练正样本下的时间权重值；其中，所述训练正样本为对应的事故结果为发生交通事故的训练样本；
第二确定模块，用于根据该单条疲劳规则在多个训练正样本下的时间权重值，确定该单条疲劳规则对应的综合时间权重值；
选取模块，用于根据每一个单个疲劳规则对应的综合时间权重值，从所述单条疲劳规则中选取第一候选疲劳规则和第二候选疲劳规则；其中，所述第一候选疲劳规则对应的综合时间权重值的小于第一阈值，所述第二候选疲劳规则对应的综合时间权重值大于第二阈值；其中，所述第二阈值大于或者等于所述第一阈值；
第三确定模块，用于将所述第一候选疲劳规则和所述第二候选疲劳规则确定为所述组合疲劳规则。
本申请实施例提供了一种疲劳检测模型的训练装置，通过服务提供方对应的历史订单构造包括疲劳特征和该疲劳特征对应的事故结果的训练样本，并基于该训练样本来训练疲劳检测模型，并得到疲劳检测模型对应的疲劳规则；之后，在根据疲劳检测模型对应的疲劳规则，建立疲劳特征和疲劳程度的映射关系，通过该映射关系，能够使得疲劳检测模型在应用过程中，基于目标订单对应的目标疲劳特征，确定该目标订单对应的目标疲劳程度，并对该目标订单对应的服务提供方进行处理。本申请中，通过训练疲劳检测模型进行疲劳驾驶检测的方式，提高了检测效率和检测准确度，能够满足实时检测的需求；并且，通过上述训练样本训练疲劳检测模型，无需对样本进行疲劳程度的标注，提高了模型的训练效率。
基于同一发明构思，本申请第四实施例中还提供了与疲劳驾驶检测方法对应的疲劳驾驶检测装置，由于本申请第四实施例中的装置解决问题的原理与本申请实施例上述疲劳驾驶检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图6所示，为本申请第四实施例提供的一种疲劳驾驶检测装置，所述装置包括：
获取模块601，用于获取服务提供方对应的目标订单中的目标疲劳特征；
第一处理模块602，用于将所述目标疲劳特征输入到预先训练好的疲劳检测模型中，得到所述疲劳检测模型对应的目标规则；
确定模块603，用于根据所述目标规则以及预先建立的疲劳特征和疲劳程度的映射关系，确定所述目标订单对应的目标疲劳程度；
第二处理模块604，用于基于目标订单对应的目标疲劳程度，对所述目标订单对应的服务提供方进行处理。
在一种可能的实施方式中，所述目标疲劳特征包括以下至少之一：服务提供方的基本动作特征；服务提供方的连续疲劳特征；订单特征；
其中，所述服务提供方的基本动作特征至少包括：服务提供方在最近时间段内的睁闭眼次数、睁闭眼时长、张闭嘴次数、张闭嘴时长；所述服务提供方的连续疲劳特征至少包括：服务提供方在一段时间段内连续触发基本动作的次数、每两次基本动作之间的时间间隔、每一次基本动作在对应时间段内的时长占比；其中，所述一段时间段内连续触发的每两次基本动作之间的时间间隔小于第一预设阈值；所述订单特征至少包括订单时间、订单距离。
在一种可能的实施方式中，确定模块603根据所述目标规则以及预先建立的疲劳特征和疲劳程度的映射关系，确定所述目标订单对应的目标疲劳程度，包括：
当所述目标规则未命中任一单条疲劳规则时，确定所述目标订单对应的疲劳程度为非疲劳；
当所述目标规则命中任一单条疲劳规则但未命中组合疲劳规则时，确定所述目标订单对应的疲劳程度为轻度疲劳；其中，所述组合疲劳规则包括至少两个单条疲劳规则；
当所述目标规则命中任一疲劳规则且命中组合疲劳规则时，确定所述目标订单对应的疲劳程度为重度疲劳。
在一种可能的实施方式中，第二处理模块604基于目标订单对应的目标疲劳程度，对所述目标订单对应的服务提供方进行处理，包括：
若所述目标订单对应的目标疲劳程度为轻度疲劳，则通过第一语音播报对所述目标订单对应的服务提供方进行第一提醒；
若所述目标订单对应的目标疲劳程度为重度疲劳，则通过第二语音播报对所述目标订单对应的服务提供方进行第二提醒且则暂停向所述服务提供方分配订单。
在一种可能的实施方式中，第二处理模块604暂停向所述服务提供方分配订单，包括：
若所述目标订单为行驶状态，则暂停向所述服务提供方分配匹配所述行驶状态的第一类型的订单。
在一种可能的实施方式中，第二处理模块604暂停向所述服务提供方分配订单，还包括：
若所述目标订单为行驶结束状态，则暂停向所述服务提供方分配匹配所述行驶结束状态的第二类型的订单。
本申请实施例提供了一种疲劳驾驶检测装置，通过疲劳检测模型和预设的疲劳规则和疲劳程度的映射关系，能够基于目标订单对应的目标疲劳特征，确定该目标订单对应的目标疲劳程度，并在确定驾驶员为疲劳状态时，对目标订单对应的服务提供方进行干预，提高了检测效率和检测准确度，能够满足实时检测的需求；并且，通过干预目标订单对应的服务提供方的方式，能够保证服务提供方和/或服务请求方的安全。
如图7所示，本申请第五实施例提供的一种电子设备700，包括：处理器701、存储器702和总线，所述存储器702存储有所述处理器701可执行的机器可读指令，当电子设备运行时，所述处理器701与所述存储器702之间通过总线通信，所述处理器701执行所述机器可读指令，以执行如上述第一实施例中的疲劳检测模型的训练方法的步骤。
具体地，上述存储器702和处理器701能够为通用的存储器和处理器，这里不做具体限定，当处理器701运行存储器702存储的计算机程序时，能够执行上述第一实施例中的疲劳检测模型的训练方法。
对应于上述第一实施例中的疲劳检测模型的训练方法，本申请第六实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一实施例中的疲劳检测模型的训练方法的步骤。
如图8所示，本申请第七实施例提供的一种电子设备800，包括：处理器801、存储器802和总线，所述存储器802存储有所述处理器801可执行的机器可读指令，当电子设备运行时，所述处理器801与所述存储器802之间通过总线通信，所述处理器801执行所述机器可读指令，以执行如上述第二实施例中的疲劳驾驶检测方法的步骤。
具体地，上述存储器802和处理器801能够为通用的存储器和处理器，这里不做具体限定，当处理器801运行存储器802存储的计算机程序时，能够执行上述第二实施例中的疲劳驾驶检测方法。
对应于上述第二实施例中的疲劳驾驶检测方法，本申请第八实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第二实施例中的疲劳驾驶检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (18)

1.一种疲劳检测模型的训练方法，其特征在于，所述训练方法包括：
基于历史订单构造训练样本，所述训练样本中包括疲劳特征和所述疲劳特征对应的是否发生交通事故的事故结果；
将所述疲劳特征作为决策树模型的输入，将疲劳规则作为所述决策树模型的输出；根据所述决策树模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，训练决策树模型，得到训练好的疲劳检测模型和所述疲劳检测模型对应的疲劳规则；其中，在所述决策树模型的训练过程中，输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果用于确定所述决策树模型的损失；
根据所述疲劳检测模型对应的疲劳规则，建立所述疲劳特征和疲劳程度的映射关系；其中，所述映射关系用于基于所述疲劳检测模型基于目标订单对应的目标疲劳特征的输出结果，确定所述目标订单对应的目标疲劳程度。
2.根据权利要求1所述的疲劳检测模型的训练方法，其特征在于，所述疲劳特征包括以下至少之一：服务提供方的基本动作特征；服务提供方的连续疲劳特征；订单特征；
其中，所述服务提供方的基本动作特征至少包括：服务提供方在最近时间段内的睁闭眼次数、睁闭眼时长、张闭嘴次数、张闭嘴时长；所述服务提供方的连续疲劳特征至少包括：服务提供方在一段时间段内连续触发基本动作的次数、每两次基本动作之间的时间间隔、每一次基本动作在对应时间段内的时长占比；其中，所述一段时间段内连续触发的每两次基本动作之间的时间间隔小于第一预设阈值；所述订单特征至少包括订单时间、订单距离。
3.根据权利要求2所述的疲劳检测模型的训练方法，其特征在于，所述基于历史订单构造训练样本，包括：
基于服务提供方对应的历史订单构造初始训练样本，所述初始训练样本中包括初始疲劳特征和所述初始疲劳特征对应的是否发生交通事故的事故结果；
针对所述决策树模型的每一节点，获取该节点对应的初始训练样本；针对所述初始训练样本中的每一初始疲劳特征，将该初始疲劳特征作为该节点的输入，得到该节点对应的决策结果；
若该决策结果不符合预设条件，则从所述初始训练样本中删除该初始疲劳特征，得到训练样本。
4.根据权利要求1所述的疲劳检测模型的训练方法，其特征在于，根据所述决策树模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，训练决策树模型，得到所述疲劳检测模型对应的疲劳规则，包括：
基于每一个疲劳特征对所述疲劳检测模型的输出结果的影响，确定当所述疲劳检测模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应发生事故相匹配时，对应的准确率满足第二预设阈值的疲劳规则。
5.根据权利要求1所述的疲劳检测模型的训练方法，其特征在于，所述根据所述疲劳检测模型对应的疲劳规则，建立所述疲劳特征和疲劳程度的映射关系，包括：
当所述训练样本对应的疲劳程度为轻度疲劳时，所述疲劳检测模型基于所述训练样本中的疲劳特征得到单条疲劳规则；其中，不同的疲劳特征对应的单条疲劳规则不同；
当所述训练样本对应的疲劳程度为重度疲劳时，所述疲劳检测模型基于所述训练样本中的疲劳特征得到组合疲劳规则；其中，不同的疲劳特征对应的组合疲劳规则不同。
6.根据权利要求5所述的疲劳检测模型的训练方法，其特征在于，确定所述组合疲劳规则包括：
根据每一个所述单条疲劳规则在每一个训练正样本中的疲劳特征命中信息，确定该单条疲劳规则在该训练正样本下的时间权重值；其中，所述训练正样本为对应的事故结果为发生交通事故的训练样本；
根据该单条疲劳规则在多个训练正样本下的时间权重值，确定该单条疲劳规则对应的综合时间权重值；
根据每一个单个疲劳规则对应的综合时间权重值，从所述单条疲劳规则中选取第一候选疲劳规则和第二候选疲劳规则；其中，所述第一候选疲劳规则对应的综合时间权重值的小于第一阈值，所述第二候选疲劳规则对应的综合时间权重值大于第二阈值；其中，所述第二阈值大于或者等于所述第一阈值；
将所述第一候选疲劳规则和所述第二候选疲劳规则确定为所述组合疲劳规则。
7.一种疲劳驾驶检测方法，其特征在于，所述方法包括：
获取服务提供方对应的目标订单中的目标疲劳特征；
将所述目标疲劳特征输入到预先训练好的疲劳检测模型中，得到所述疲劳检测模型对应的目标规则；其中，所述疲劳检测模型是基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，对决策树模型进行训练得到的；在所述决策树模型的训练过程中，输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果用于确定所述决策树模型的损失；
根据所述目标规则以及预先建立的疲劳特征和疲劳程度的映射关系，确定所述目标订单对应的目标疲劳程度；
基于目标订单对应的目标疲劳程度，对所述目标订单对应的服务提供方进行处理。
8.根据权利要求7所述的疲劳驾驶检测方法，其特征在于，所述目标疲劳特征包括以下至少之一：服务提供方的基本动作特征；服务提供方的连续疲劳特征；订单特征；
其中，所述服务提供方的基本动作特征至少包括：服务提供方在最近时间段内的睁闭眼次数、睁闭眼时长、张闭嘴次数、张闭嘴时长；所述服务提供方的连续疲劳特征至少包括：服务提供方在一段时间段内连续触发基本动作的次数、每两次基本动作之间的时间间隔、每一次基本动作在对应时间段内的时长占比；其中，所述一段时间段内连续触发的每两次基本动作之间的时间间隔小于第一预设阈值；所述订单特征至少包括订单时间、订单距离。
9.根据权利要求7所述的疲劳驾驶检测方法，其特征在于，所述根据所述目标规则以及预先建立的疲劳特征和疲劳程度的映射关系，确定所述目标订单对应的目标疲劳程度，包括：
当所述目标规则未命中任一单条疲劳规则时，确定所述目标订单对应的疲劳程度为非疲劳；
当所述目标规则命中任一单条疲劳规则但未命中组合疲劳规则时，确定所述目标订单对应的疲劳程度为轻度疲劳；其中，所述组合疲劳规则包括至少两个单条疲劳规则；
当所述目标规则命中任一疲劳规则且命中组合疲劳规则时，确定所述目标订单对应的疲劳程度为重度疲劳。
10.根据权利要求7所述的疲劳驾驶检测方法，其特征在于，所述基于目标订单对应的目标疲劳程度，对所述目标订单对应的服务提供方进行处理，包括：
若所述目标订单对应的目标疲劳程度为轻度疲劳，则通过第一语音播报对所述目标订单对应的服务提供方进行第一提醒；
若所述目标订单对应的目标疲劳程度为重度疲劳，则通过第二语音播报对所述目标订单对应的服务提供方进行第二提醒且则暂停向所述服务提供方分配订单。
11.根据权利要求10所述的疲劳驾驶检测方法，其特征在于，所述暂停向所述服务提供方分配订单，包括：
若所述目标订单为行驶状态，则暂停向所述服务提供方分配匹配所述行驶状态的第一类型的订单。
12.根据权利要求10所述的疲劳驾驶检测方法，其特征在于，所述暂停向所述服务提供方分配订单，还包括：
若所述目标订单为行驶结束状态，则暂停向所述服务提供方分配匹配所述行驶结束状态的第二类型的订单。
13.一种疲劳检测模型的训练装置，其特征在于，所述训练装置包括：
构造模块，用于基于历史订单构造训练样本，所述训练样本中包括疲劳特征和所述疲劳特征对应的是否发生交通事故的事故结果；
训练模块，用于将所述疲劳特征作为决策树模型的输入，将疲劳规则作为所述决策树模型的输出；根据所述决策树模型基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，训练决策树模型，得到训练好的疲劳检测模型和所述疲劳检测模型对应的疲劳规则；其中，在所述决策树模型的训练过程中，输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果用于确定所述决策树模型的损失；
映射建立模块，用于根据所述疲劳检测模型对应的疲劳规则，建立所述疲劳特征和疲劳程度的映射关系；其中，所述映射关系用于基于所述疲劳检测模型基于目标订单对应的目标疲劳特征的输出结果，确定所述目标订单对应的目标疲劳程度。
14.一种疲劳驾驶检测装置，其特征在于，所述装置包括：
获取模块，用于获取服务提供方对应的目标订单中的目标疲劳特征；
第一处理模块，用于将所述目标疲劳特征输入到预先训练好的疲劳检测模型中，得到所述疲劳检测模型对应的目标规则；其中，所述疲劳检测模型是基于输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果，对决策树模型进行训练得到的；在所述决策树模型的训练过程中，输入的疲劳特征得到的输出结果和所述疲劳特征对应的事故结果用于确定所述决策树模型的损失；
确定模块，用于根据所述目标规则以及预先建立的疲劳特征和疲劳程度的映射关系，确定所述目标订单对应的目标疲劳程度；
第二处理模块，用于基于目标订单对应的目标疲劳程度，对所述目标订单对应的服务提供方进行处理。
15.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至6任一项所述的疲劳检测模型的训练方法的步骤。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至6任一项所述的疲劳检测模型的训练方法的步骤。
17.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求7至12任一项所述的疲劳驾驶检测方法的步骤。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求7至12任一项所述的疲劳驾驶检测方法的步骤。
CN202010936728.0A 2020-09-08 2020-09-08 一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置 Active CN112036352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010936728.0A CN112036352B (zh) 2020-09-08 2020-09-08 一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010936728.0A CN112036352B (zh) 2020-09-08 2020-09-08 一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置

Publications (2)

Publication Number Publication Date
CN112036352A CN112036352A (zh) 2020-12-04
CN112036352B true CN112036352B (zh) 2021-09-14

Family

ID=73583889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010936728.0A Active CN112036352B (zh) 2020-09-08 2020-09-08 一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置

Country Status (1)

Country Link
CN (1) CN112036352B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102406507A (zh) * 2010-09-20 2012-04-11 天津职业技术师范大学 基于人体生理信号的汽车驾驶员疲劳监测方法
CN104240446A (zh) * 2014-09-26 2014-12-24 长春工业大学 基于人脸识别的疲劳驾驶预警***
CN104720799A (zh) * 2015-04-03 2015-06-24 上海帝仪科技有限公司 基于低频脑电信号的疲劳检测方法及***
CN105769120A (zh) * 2016-01-27 2016-07-20 深圳地平线机器人科技有限公司 疲劳驾驶检测方法和装置
US10740634B1 (en) * 2019-05-31 2020-08-11 International Business Machines Corporation Detection of decline in concentration based on anomaly detection

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190077409A1 (en) * 2017-07-31 2019-03-14 Alcohol Countermeasure Systems (International) Inc. Non-intrusive assessment of fatigue in drivers using eye tracking

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102406507A (zh) * 2010-09-20 2012-04-11 天津职业技术师范大学 基于人体生理信号的汽车驾驶员疲劳监测方法
CN104240446A (zh) * 2014-09-26 2014-12-24 长春工业大学 基于人脸识别的疲劳驾驶预警***
CN104720799A (zh) * 2015-04-03 2015-06-24 上海帝仪科技有限公司 基于低频脑电信号的疲劳检测方法及***
CN105769120A (zh) * 2016-01-27 2016-07-20 深圳地平线机器人科技有限公司 疲劳驾驶检测方法和装置
US10740634B1 (en) * 2019-05-31 2020-08-11 International Business Machines Corporation Detection of decline in concentration based on anomaly detection

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fatigue Driving Prediction on Commercial Dangerous Goods Truck Using Location Data: The Relationship between Fatigue Driving and Driving Environment;Shifeng Niu;《Journal of Advanced Transportation》;20200731;全文 *
基于多尺度池化卷积神经网络的疲劳检测方法研究;顾王欢;《计算机应用研究》;20191130;全文 *

Also Published As

Publication number Publication date
CN112036352A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN109572550B (zh) 一种行车轨迹预测方法、***、计算机设备及存储介质
US9676395B2 (en) Incapacitated driving detection and prevention
CN106314428B (zh) 一种避撞***、避撞方法及机动车辆
US20200134729A1 (en) Information processing device, information processing system, information processing method, and program
CN107992958A (zh) 基于arma的人口超限预警方法
CN106775665B (zh) 基于情绪指标的情绪状态变化信息的获取方法及装置
CN110901385A (zh) 一种基于驾驶员疲劳状态的主动限速方法
CN109448317A (zh) 出租车自动报警***
CN113867527A (zh) 车窗控制方法、装置、电子设备及存储介质
Tselentis et al. Temporal analysis of driving efficiency using smartphone data
CN113312958B (zh) 一种基于司机状态的派单优先度调整方法及装置
Banerjee et al. MyDrive: Drive behavior analytics method and platform
CN117610932B (zh) 一种基于人工智能的公交运营风险管控***
CN114601478A (zh) 一种提高司机警觉度的方法、装置、设备及可读存储介质
CN112036352B (zh) 一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置
US20210323559A1 (en) Data processing device, human-machine interface system including the device, vehicle including the system, method for evaluating user discomfort, and computer-readable medium for carrying out the method
CN113320537A (zh) 一种车辆控制方法和***
JP2010271794A (ja) 運転行動誘導システム
CN109285344B (zh) 交通高危人员重点监测对象识别方法和智能决策***
CN115946702A (zh) 一种车载驾驶员健康检测方法和***
Liu et al. Identification of driver distraction based on SHRP2 naturalistic driving study
CN113095584A (zh) 一种基于交通流特征的交叉口安全水平短时预测方法、***、终端及可读存储介质
CN117922615B (zh) 自动驾驶公交避险场景下减少乘客不良反应的方法和装置
CN116130086B (zh) 一种晕动症的预测***
CN117610694B (zh) 多租户的订单分配的方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant