驾驶安全级别确定方法、装置、电子设备和存储介质与流程

1.本技术涉及安全驾驶技术领域，尤其涉及一种驾驶安全级别确定方法、装置、电子设备和存储介质。


背景技术：

2.随着汽车行业的发展，越来越多的车辆走进千家万户，其中驾驶安全级别的识别越来越重要，通过识别驾驶员的驾驶安全级别，可以为驾驶员提供实时反馈和建议，以提高驾驶行为的安全性。驾驶安全级别识别还可以应用于智能交通系统，帮助优化道路资源分配和交通管理策略。目前，驾驶安全级别识别主要依赖于传统机器学习，识别效果和泛化能力均受到挑战，无法适应智能化汽车产品迭代的速度。


技术实现要素：

3.有鉴于此，本技术的目的在于提出一种驾驶安全级别确定方法、装置、电子设备和存储介质，以解决传统机器学习模型对于驾驶安全级别识别效果较差的问题。
4.本技术提的第一方面供了一种驾驶安全级别确定方法，包括：
5.获取驾驶行为数据；
6.将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型，通过所述第一分类模型输出第一概率分布，以及通过所述第二分类模型输出第二概率分布，其中，所述第一概率分布和所述第二概率分布均用于表征所述驾驶行为数据对应各驾驶安全级别的概率；
7.基于所述第一概率分布和所述第二概率分布确定目标概率分布，基于所述目标概率分布确定所述驾驶行为数据对应的目标概率；
8.根据所述目标概率确定所述驾驶行为数据对应的驾驶安全级别。
9.可选的，所述第一分类模型和所述第二分类模型的训练方法，包括：
10.获取多个历史驾驶行为数据；
11.根据每个历史驾驶行为数据包含的多个驾驶行为特征，对所述历史驾驶行为数据进行标注，得到所述历史驾驶行为数据对应的驾驶安全级别；
12.基于所述驾驶安全级别根据预设规则确定驾驶安全级别标签；
13.基于多个历史驾驶行为数据和对应的驾驶安全级别标签构建训练集；
14.基于所述训练集分别对所述第一分类模型和所述第二分类模型进行迭代训练，直至达到训练截止条件为止。
15.可选的，基于所述训练集分别对所述第一分类模型和所述第二分类模型进行迭代训练，直至达到训练截止条件为止，包括：
16.基于所述训练集对所述第一分类模型进行训练，响应于所述第一分类模型对应的损失函数最小化，停止对所述第一分类模型的训练；以及，
17.基于所述训练集对所述第二分类模型进行训练，响应于达到预设迭代次数，停止
对所述第二分类模型的训练。可选的，所述第一分类模型为tabnet模型；所述tabnet模型依次包括输入层、第一特征变换层、多个神经网络层和输出层，其中，所述输入层的节点数量与所述驾驶行为数据包含的驾驶行为特征数量相同，所述第一特征变换层采用多头自注意力机制，所述输出层的节点数量与所述驾驶安全级别的类别数量相同。
18.可选的，所述多个神经网络层包括多个tabnet块，每个所述tabnet块依次包括第二特征变换层、归一化层、稀疏化层和非线性激活函数。
19.可选的，基于所述第一概率分布和所述第二概率分布确定目标概率分布，基于所述目标概率分布确定所述驾驶行为数据对应的目标概率，包括：
20.对所述第一概率分布和所述第二概率分布进行加权求和，得到所述目标概率分布；
21.将所述目标概率分布中的最大概率值作为所述目标概率。可选的，所述将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型之前，包括：
22.对所述驾驶行为数据进行归一化处理。
23.本技术的第二方面还提供了一种驾驶安全级别确定装置，包括：
24.获取模块，被配置为获取驾驶行为数据；
25.预测模块，被配置为将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型，通过所述第一分类模型输出第一概率分布，以及通过所述第二分类模型输出第二概率分布，其中，所述第一概率分布和所述第二概率分布均用于表征所述驾驶行为数据对应各驾驶安全级别的概率；
26.第一确定模块，被配置为基于所述第一概率分布和所述第二概率分布确定目标概率分布，基于所述目标概率分布确定所述驾驶行为数据对应的目标概率；
27.第二确定模块，被配置为根据所述目标概率确定所述驾驶行为数据对应的驾驶安全级别。
28.本技术还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如第一方面所述的方法。
29.本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如第一方面所述的方法。
30.从上面所述可以看出，本技术提供的驾驶安全级别确定方法、装置、电子设备和存储介质，所述方法包括：获取驾驶行为数据；将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型，通过所述第一分类模型输出第一概率分布，以及通过所述第二分类模型输出第二概率分布，分别通过第一分类模型和第二分类模型提取驾驶行为数据的特征之间的不同关系，以得到驾驶安全级别对应的第一概率分布和第二概率分布，为后续的驾驶安全级别确定提供数据基础，所述第一概率分布和所述第二概率分布均用于表征所述驾驶行为数据对应各驾驶安全级别的概率。对所述第一概率分布和所述第二概率分布进行计算得到目标概率分布，并基于所述目标概率分布确定所述驾驶行为数据对应的目标概率，通过目标概率融合了两个分类模型的预测结果，降低了通过单一分类模型进行预测的过拟合风险，提升了驾驶安全级别预测的准确性，根据所述目标概率能够准确确定所述驾驶行为数据对应的驾驶安全级别。
附图说明
31.为了更清楚地说明本技术或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，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的附图。
32.图1为本技术实施例的分类模型训练方法的流程示意图；
33.图2为本技术实施例的驾驶安全级别确定方法的流程示意图；
34.图3为本技术实施例的驾驶安全级别确定装置的结构示意图；
35.图4为本技术实施例的电子设备硬件结构示意图。
具体实施方式
36.为使本技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本技术进一步详细说明。
37.需要说明的是，除非另外定义，本技术实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
38.如背景技术所述，驾驶安全级别的识别在安全驾驶领域越来越重要。通过识别驾驶员的驾驶安全级别，可以为驾驶员提供实时反馈和建议，以提高驾驶行为的安全性。此外，对于交通管理部门来说，了解驾驶员的驾驶安全级别有助于评估潜在的交通风险，进而采取相应的措施预防交通事故的发生。例如，对于高风险驾驶员，可以采取限速、限行等措施，以降低交通事故风险。驾驶安全级别的识别还可以为驾驶员教育和培训提供有针对性的建议。通过对驾驶员的驾驶行为进行评估，教练可以为学员提供定制化的培训计划，以提高他们在特定领域的驾驶技能。此外，驾驶员可以根据自己的驾驶安全级别调整培训计划，以达到更好的培训效果。驾驶安全级别的识别还可以应用于智能交通系统，帮助优化道路资源分配和交通管理策略。通过实时监测驾驶员的驾驶行为和安全级别，智能交通系统可以更好地预测交通流量和潜在的拥堵点，从而提高道路的使用效率。
39.但是，相关技术中对于驾驶安全级别的识别主要依赖于传统机器学习，随着智能化汽车产品的迭代更新，传统机器学习的泛化能力较差，不能很好的适应多样化驾驶需求，对驾驶安全级别的识别效果较差。有鉴于此，本技术提出了一种驾驶安全级别确定方法，以解决上述问题，提升驾驶安全级别的识别效果。
40.以下结合附图来详细说明本技术的实施例。
41.本技术中通过分类模型识别驾驶行为对应的驾驶安全级别。而为了准确识别驾驶安全级别，首先需要对分类模型进行训练，以使分类模型学习驾驶行为数据中包含的驾驶行为特征，并根据驾驶行为特征辨别对应的驾驶安全级别。本技术采用两种分类模型分别
对获取到的驾驶行为数据进行分类，以避免采用单一分类模型出现过拟合的现象，提升对于驾驶行为数据的分类精确度。对于分类模型的训练，可以在本地服务端执行或是云端执行，本技术对此不做限制。以下结合具体实施例说明本技术中分类模型的训练方法。
42.在一些实施例中，分类模型包括第一分类模型和第二分类模型，所述第一分类模型和所述第二分类模型的训练方法，参考图1，包括以下步骤：
43.步骤102、获取多个历史驾驶行为数据。
44.历史驾驶行为数据可以从与车辆行驶信息相关的网络平台获取，网络平台对于每个驾驶员，对其一段时间内的驾驶行为信息进行统计，以汇总得到历史驾驶行为数据。示例性的，历史驾驶行为数据可以为驾驶员在过去半年中的驾驶行为数据。得到历史驾驶行为数据后，对历史驾驶行为数据进行预处理。预处理至少包括数据清洗和去冗余操作，以去除历史驾驶行为数据中的异常数据和重复数据。之后，对历史驾驶行为数据进行归一化处理，以消除不同驾驶行为特征之间的尺度差异。
45.步骤104、根据每个历史驾驶行为数据包含的多个驾驶行为特征，对所述历史驾驶行为数据进行标注，得到所述历史驾驶行为数据对应的驾驶安全级别。
46.具体的，根据每个历史驾驶行为数据，对其包含的多个驾驶行为特征进行判断，确定属于哪一个预设的驾驶安全级别，并进行标注。结合多个驾驶行为特征可以按照预设的规则确定驾驶安全级别，具体可以为，多个驾驶行为特征中的若干个驾驶行为特征超过一定的预设阈值后，则确定驾驶安全级别为轻度危险。例如，在每个月内，驾驶员的夜间驾驶距离超过50km，疲劳驾驶时常超过10h，超速次数超过5次，则对应的驾驶安全级别确定为轻度危险。如果各个驾驶行为特征均在预设阈值范围内，则驾驶安全级别确定为高度安全。以此类推，可以根据实际需求确定不同的驾驶行为特征与驾驶安全级别之间的对应关系。
47.步骤106、基于所述驾驶安全级别根据预设规则确定驾驶安全级别标签。
48.对于模型训练来说，需要将驾驶安全级别数字化，以提升模型训练的速度和精度。对于不同的驾驶安全级别设置不同的驾驶安全级别标签，例如驾驶安全级别包括高度安全、中度安全、安全、轻度危险、高度危险共5个级别，相应的驾驶安全级别标签分别为0，1，2，3，4。第一概率分布和第二概率分布形式可以为(0-0.2，1-0.6，2-0.4，3-0.5，4-0.7)，表示高度安全对应的概率为0.2，中度安全对应的概率为0.6，安全对应的概率为0.4，轻度危险对应的概率为0.5，高度危险对应的概率为0.7。
49.步骤108、基于多个历史驾驶行为数据和对应的驾驶安全级别标签构建训练集。
50.将多个历史驾驶行为数据和对应的驾驶安全级别标签合并作为训练集，以对第一分类模型和第二分类模型进行训练。训练集中的历史驾驶行为数据可以周期性的更新，以适应驾驶员的驾驶行为的变化。每个历史驾驶行为数据均包括多个驾驶行为特征，例如夜间驾驶距离，出行时间，疲劳驾驶时常，百公里能耗，百公里急加速次数，百公里急减速次数，百公里急转弯次数，超速次数等。其中，如果夜间驾驶距离越大、疲劳驾驶时长越长、百公里急加速次数和百公里急减速次数越多，驾驶安全性越差，对应的驾驶安全级别标签为危险驾驶。
51.步骤110、基于所述训练集分别对所述第一分类模型和所述第二分类模型进行迭代训练，直至达到训练截止条件为止。
52.基于构建好的训练集分别对第一分类模型和第二分类模型进行迭代训练，可以根
据实际训练需求选取合适的训练截止条件。示例性的，训练截止条件可以为预设迭代次数、最小化损失函数、模型的准确率等等。同时，还可以将训练集中的部分数据作为验证集，以对训练后的第一分类模型和第二分类模型进行验证，评估模型的预测能力，评估指标可以为模型的分类准确率，根据分类准确率制定后续对第一分类模型和第二分类模型的训练策略。
53.在一些实施例中，基于所述训练集分别对所述第一分类模型和所述第二分类模型进行迭代训练，直至达到训练截止条件为止，包括：
54.基于所述训练集对所述第一分类模型进行训练，响应于所述第一分类模型对应的损失函数最小化，停止对所述第一分类模型的训练；以及，
55.基于所述训练集对所述第二分类模型进行训练，响应于达到预设迭代次数，停止对所述第二分类模型的训练。
56.本实施例中，在对第一分类模型和第二分类模型进行训练时选取了不同的训练截止条件。对于第一分类模型，当第一分类模型的损失函数最小化时，停止对所述第一分类模型的训练，其中，第一分类模型对应的损失函数为分类交叉熵损失函数。对于第二分类模型，当第二分类模型的训练次数达到预设迭代次数时，停止对所述第二分类模型的训练，其中，预设迭代次数可以为50次。训练停止后，得到训练完成的第一分类模型和第二分类模型。
57.在一些实施例中，所述第一分类模型为tabnet模型；所述tabnet模型依次包括输入层、第一特征变换层、多个神经网络层和输出层，其中，所述输入层的节点数量与所述驾驶行为数据包含的驾驶行为特征数量相同，所述第一特征变换层采用多头自注意力机制，所述输出层的节点数量与所述驾驶安全级别的类别数量相同。
58.具体的，本实施例中第一分类模型tabnet模型。tabnet模型是一种基于自注意力机制的神经网络，能够捕捉特征之间的复杂关系。与传统机器学习方法相比，它可以更好地学习特征间的非线性关系，提高模型的表征能力。tabnet模型可以直接从原始特征中学习到有用的表征，而无需进行繁琐的特征工程。这使得基于深度学习的方法在处理复杂数据时具有更高的效率。tabnet模型的模型结构包括依次排列的输入层、第一特征变换层、多个神经网络层和输出层。输入层的节点数量与所述驾驶行为数据包含的驾驶行为特征数量相同，例如驾驶行为特征包括8个，则输入层的节点为8个。第一特征变换层使用多头自注意力机制(multi-head self-attention)对输入的驾驶行为特征进行变换。在第一特征变换层中可以设置多个注意力头以捕捉特征之间的不同关系，例如，设置4个注意力头。输出层的节点数量与所述驾驶安全级别的类别数量相同，例如，驾驶安全级别包括5个类型，则输出层的节点数量为5。最后，通过softmax激活函数将第一分类模型的输出转换为概率分布，以得到第一概率分布。本实施例中选取分类交叉熵损失函数来计算tabnet模型的预测结果与标签之间的误差，通过最小化分类交叉熵损失函数对模型的参数进行调整，以得到经过训练的tabnet模型。此外，还可以选取训练过程中在验证集上指标性能最好的模型作为最终的tabnet模型。本实施例中，通过灵活调整tabnet模型的网络结构、自注意力头数、层数等参数来优化模型，使得基于深度学习的方法更容易适应不同的数据集和问题场景，提升模型的泛化性能。
59.在一些实施例中，所述多个神经网络层包括多个tabnet块，每个所述tabnet块依
次包括第二特征变换层、归一化层、稀疏化层和非线性激活函数。第二特征变换层用于对输入的特征经过一定规则或映射后输出新的特征。归一化层用于使每一层的输入分布在训练过程中保持一致，避免梯度消失和爆炸。稀疏化层可以有效抑制模型过拟合。非线性激活函数可以将线性输入转换为非线性，加强网络的表示能力。每个tabnet块的输出求和后，会经过全连接层映射到tabnet模型最后的输出。在本实施例中，选取5个tabnet块堆叠形成深度网络结构，以提升模型的预测准确性。
60.在一些实施例中，所述第二分类模型为lightgbm模型。lightgbm是一种基于梯度提升决策树的集成学习方法，通过组合多个弱学习器来提高模型的性能。与单个传统机器学习模型相比，集成学习方法通常具有更高的性能和更强的泛化能力。在对lightgbm模型进行训练之前，需要对lightgbm模型进行参数初始化，参数具体包括学习率、树的数量、树的深度等。lightgbm模型的训练截止条件可以为预设迭代训练次数，也即当lightgbm模型的训练次数达到预设迭代次数时，停止训练，得到经过训练的lightgbm模型。
61.分别通过tabnet模型和lightgbm模型输出相应的第一分布概率和第二部分概率后，对第一分布概率和第二分布概率进行加权求和，也即对两个模型的输出结果进行融合。对于加权求和的权重系数，可以通过尝试不同的权重组合，以找到最优的权重系数。本实施例中，选取tabnet模型和lightgbm模型权重系数分别为0.75和0.25。通过将tabnet模型与lightgbm进行融合，可以充分利用两个模型在处理数据时的优势。tabnet模型能够捕捉非线性关系，而lightgbm模型则可以学习特征间的线性组合。模型融合有助于提高最终的驾驶安全级别的预测精度，降低单一分类模型过拟合风险。
62.经过上述迭代训练后，得到训练完成的第一分类模型和第二分类模型，可以用于对驾驶行为数据对应的驾驶安全级别进行预测。以下通过具体实施例说明第一分类模型和第二分类模型对驾驶安全级别进行预测的具体过程。第一分类模型和第二分类模型可以部署在本地服务端，也可以部署在云端，当需要对驾驶行为数据的驾驶安全级别进行预测时，调取预先部署的第一分类模型和第二分类模型即可。
63.本技术提供了一种驾驶安全级别确定方法，参考图2，包括以下步骤：
64.步骤202、获取驾驶行为数据。
65.驾驶行为数据是与驾驶安全相关的数据，驾驶行为数据可以包含多个驾驶行为特征数据，示例性的，可以包括夜间驾驶距离，出行时间，疲劳驾驶时常，百公里能耗，百公里急加速次数，百公里急减速次数，百公里急转弯次数，超速次数等。通过分析多个驾驶行为特征数据，可以对驾驶员的驾驶安全级别进行判定，例如判定为安全驾驶或危险驾驶等等。驾驶行为数据可以从与车辆行驶信息相关的网络平台获取，网络平台对于每个驾驶员，对其一段时间内的驾驶行为信息进行统计，以汇总得到驾驶行为数据。或者，接收用户输入的具有预测需求的驾驶行为数据。
66.步骤204、将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型，通过所述第一分类模型输出第一概率分布，以及通过所述第二分类模型输出第二概率分布，其中，所述第一概率分布和所述第二概率分布均用于表征所述驾驶行为数据对应各驾驶安全级别的概率。
67.第一分类模型和第二分类模型为不同的深度学习模型，可以分别捕捉驾驶行为数据中驾驶行为特征之间的不同关系，例如，第一分类模型可以捕捉驾驶行为特征之间的非
线性关系，第二分类模型可以捕捉驾驶行为特征之间的线性关系。第一概率分布和第二概率分布均用于表征驾驶行为数据对应各驾驶安全级别的概率，例如，驾驶安全级别的类别包括5种，则第一概率分布和第二概率分布各包括5个概率值，各概率值分别对应于驾驶安全级别的5个类别。
68.步骤206、基于所述第一概率分布和所述第二概率分布确定目标概率分布，基于所述目标概率分布确定所述驾驶行为数据对应的目标概率。
69.由于第一分类模型和第二分类模型分别用于捕捉驾驶行为特征之间的不同关系，因此，通过第一分类模型和第二分类模型输出的第一概率分布和第二概率分布有所不同。根据第一概率分布和第二概率分布，结合预先确定的权重系数可以得到目标概率分布，目标概率分布用于表征所述驾驶行为数据对应各驾驶安全级别的概率。由于目标概率分布融合了第一概率分布和第二概率分布，克服了单一分类模型容易出现的过拟合问题，因此，目标概率分布相较于第一概率分布和第二概率分布的准确率更高。确定了目标概率分布后，从目标概率分布中选取目标概率，目标概率为目标概率分布中的最大概率值。
70.步骤208、根据所述目标概率确定所述驾驶行为数据对应的驾驶安全级别。
71.确定了目标概率后，可以通过目标概率与驾驶安全级别的对应关系确定最终的驾驶安全级别。示例性的，驾驶安全级别可以包括高度安全、中度安全、安全、轻度危险、高度危险共5个级别，不同驾驶安全级别对应不同的标识。例如，高度安全、中度安全、安全、轻度危险、高度危险对应的标识分别为0，1，2，3，4。目标概率如果对应的标识是1，则表示驾驶安全级别为中度安全。
72.基于上述步骤202至步骤208，本实施例提供了一种驾驶安全级别确定方法，所述方法包括：获取驾驶行为数据；将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型，通过所述第一分类模型输出第一概率分布，以及通过所述第二分类模型输出第二概率分布，分别通过第一分类模型和第二分类模型提取驾驶行为数据的特征之间的不同关系，以得到驾驶安全级别对应的第一概率分布和第二概率分布，为后续的驾驶安全级别确定提供数据基础，所述第一概率分布和所述第二概率分布均用于表征所述驾驶行为数据对应各驾驶安全级别的概率。对所述第一概率分布和所述第二概率分布进行计算得到目标概率分布，并基于所述目标概率分布确定所述驾驶行为数据对应的目标概率，通过目标概率融合了两个分类模型的预测结果，降低了通过单一分类模型进行预测的过拟合风险，提升了驾驶安全级别预测的准确性，根据所述目标概率能够准确确定所述驾驶行为数据对应的驾驶安全级别。
73.在一些实施例中，基于所述第一概率分布和所述第二概率分布确定目标概率分布，基于所述目标概率分布确定所述驾驶行为数据对应的目标概率，包括：
74.对所述第一概率分布和所述第二概率分布进行加权求和，得到所述目标概率分布；
75.将所述目标概率分布中的最大概率值作为所述目标概率。
76.具体的，通过预先设置权重系数，可以调整第一概率分布和第二概率分布的比重，通过对第一概率分布和第二概率分布进行加权求和，确定所述驾驶行为数据对应的目标概率。示例性的，第一分布概率的权重系数可以为0.75，第二分布概率的权重系数可以为0.25。通过加权求和后，可以得到目标概率分布，目标概率分布中的最大概率值即为目标概
率。目标概率融合了第一分类模型和第二分类模型的预测结果，能够有效降低单一模型过拟合的风险，提升了对于驾驶安全级别预测的准确性。
77.在一些实施例中，所述将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型之前，包括：
78.对所述驾驶行为数据进行归一化处理。对历史驾驶行为数据进行归一化处理，以消除不同驾驶行为特征之间的尺度差异。在归一化处理之前还可以对驾驶行为数据进行数据清洗和和去冗余操作，以去除历史驾驶行为数据中的异常数据和重复数据，进而提升模型的预测精度。
79.需要说明的是，本技术实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本技术实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
80.需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
81.本技术还提供了一种驾驶安全级别确定装置。
82.参考图3，所述驾驶安全级别确定装置，包括：
83.获取模块302，被配置为获取驾驶行为数据；
84.预测模块304，被配置为将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型，通过所述第一分类模型输出第一概率分布，以及通过所述第二分类模型输出第二概率分布，所述第一概率分布和所述第二概率分布均用于表征所述驾驶行为数据对应各驾驶安全级别的概率；
85.第一确定模块306，被配置为基于所述第一概率分布和所述第二概率分布确定目标概率分布，基于所述目标概率分布确定所述驾驶行为数据对应的目标概率；
86.第二确定模块308，被配置为根据所述目标概率确定所述驾驶行为数据对应的驾驶安全级别。
87.在一些实施例中，还包括训练模块，所述训练模块被配置为，
88.获取多个历史驾驶行为数据；
89.根据每个历史驾驶行为数据包含的多个驾驶行为特征，对所述历史驾驶行为数据进行标注，得到所述历史驾驶行为数据对应的驾驶安全级别；
90.基于所述驾驶安全级别根据预设规则确定驾驶安全级别标签；
91.基于多个历史驾驶行为数据和对应的驾驶安全级别标签构建训练集；
92.基于所述训练集分别对所述第一分类模型和所述第二分类模型进行迭代训练，直至达到训练截止条件为止。
93.在一些实施例中，所述训练模块还被配置为，基于所述训练集对所述第一分类模型进行训练，响应于所述第一分类模型对应的损失函数最小化，停止对所述第一分类模型的训练；以及，
94.基于所述训练集对所述第二分类模型进行训练，响应于达到预设迭代次数，停止对所述第二分类模型的训练。
95.在一些实施例中，所述第一分类模型为tabnet模型；所述tabnet模型依次包括输入层、第一特征变换层、多个神经网络层和输出层，其中，所述输入层的节点数量与所述驾驶行为数据包含的驾驶行为特征数量相同，所述第一特征变换层采用多头自注意力机制，所述输出层的节点数量与所述驾驶安全级别的类别数量相同。
96.在一些实施例中，所述多个神经网络层包括多个tabnet块，每个所述tabnet块依次包括第二特征变换层、归一化层、稀疏化层和非线性激活函数。
97.在一些实施例中，所述第一确定模块306，还被配置为对所述第一概率分布和所述第二概率分布进行加权求和，得到所述目标概率分布；
98.将所述目标概率分布中的最大概率值作为所述目标概率。
99.在一些实施例中，所述将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型之前，还包括预处理模块，所述预处理模块被配置为，对所述驾驶行为数据进行归一化处理。
100.为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
101.上述实施例的装置用于实现前述任一实施例中相应的驾驶安全级别确定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
102.基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的驾驶安全级别确定方法。
103.图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
104.处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
105.存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
106.输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
107.通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式
(例如移动网络、wifi、蓝牙等)实现通信。
108.总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
109.需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
110.上述实施例的电子设备用于实现前述任一实施例中相应的驾驶安全级别确定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
111.基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的驾驶安全级别确定方法。
112.本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
113.上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的驾驶安全级别确定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
114.所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
115.另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因此，这些描述应被认为是说明性的而不是限制性的。
116.尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
117.本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种驾驶安全级别确定方法，其特征在于，包括：获取驾驶行为数据；将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型，通过所述第一分类模型输出第一概率分布，以及通过所述第二分类模型输出第二概率分布，其中，所述第一概率分布和所述第二概率分布均用于表征所述驾驶行为数据对应各驾驶安全级别的概率；基于所述第一概率分布和所述第二概率分布确定目标概率分布，基于所述目标概率分布确定所述驾驶行为数据对应的目标概率；根据所述目标概率确定所述驾驶行为数据对应的驾驶安全级别。2.根据权利要求1所述的方法，其特征在于，所述第一分类模型和所述第二分类模型的训练方法，包括：获取多个历史驾驶行为数据；根据每个历史驾驶行为数据包含的多个驾驶行为特征，对所述历史驾驶行为数据进行标注，得到所述历史驾驶行为数据对应的驾驶安全级别；基于所述驾驶安全级别根据预设规则确定驾驶安全级别标签；基于多个历史驾驶行为数据和对应的驾驶安全级别标签构建训练集；基于所述训练集分别对所述第一分类模型和所述第二分类模型进行迭代训练，直至达到训练截止条件为止。3.根据权利要求2所述的方法，其特征在于，基于所述训练集分别对所述第一分类模型和所述第二分类模型进行迭代训练，直至达到训练截止条件为止，包括：基于所述训练集对所述第一分类模型进行训练，响应于所述第一分类模型对应的损失函数最小化，停止对所述第一分类模型的训练；以及，基于所述训练集对所述第二分类模型进行训练，响应于达到预设迭代次数，停止对所述第二分类模型的训练。4.根据权利要求1所述的方法，其特征在于，所述第一分类模型为tabnet模型；所述tabnet模型依次包括输入层、第一特征变换层、多个神经网络层和输出层，其中，所述输入层的节点数量与所述驾驶行为数据包含的驾驶行为特征数量相同，所述第一特征变换层采用多头自注意力机制，所述输出层的节点数量与所述驾驶安全级别的类别数量相同。5.根据权利要求1所述的方法，其特征在于，所述多个神经网络层包括多个tabnet块，每个所述tabnet块依次包括第二特征变换层、归一化层、稀疏化层和非线性激活函数。6.根据权利要求1所述的方法，其特征在于，基于所述第一概率分布和所述第二概率分布确定目标概率分布，基于所述目标概率分布确定所述驾驶行为数据对应的目标概率，包括：对所述第一概率分布和所述第二概率分布进行加权求和，得到所述目标概率分布；将所述目标概率分布中的最大概率值作为所述目标概率。7.根据权利要求1所述的方法，其特征在于，所述将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型之前，包括：对所述驾驶行为数据进行归一化处理。8.一种驾驶安全级别确定装置，其特征在于，包括：
获取模块，被配置为获取驾驶行为数据；预测模块，被配置为将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型，通过所述第一分类模型输出第一概率分布，以及通过所述第二分类模型输出第二概率分布，其中，所述第一概率分布和所述第二概率分布均用于表征所述驾驶行为数据对应各驾驶安全级别的概率；第一确定模块，被配置为基于所述第一概率分布和所述第二概率分布确定目标概率分布，基于所述目标概率分布确定所述驾驶行为数据对应的目标概率；第二确定模块，被配置为根据所述目标概率确定所述驾驶行为数据对应的驾驶安全级别。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至7任一所述方法。

技术总结
本申请提供一种驾驶安全级别确定方法、装置、电子设备和存储介质，所述方法包括：获取驾驶行为数据；将所述驾驶行为数据分别输入至经过训练的第一分类模型和第二分类模型，通过所述第一分类模型输出第一概率分布，以及通过所述第二分类模型输出第二概率分布，所述第一概率分布和所述第二概率分布均用于表征所述驾驶行为数据对应各驾驶安全级别的概率。对所述第一概率分布和所述第二概率分布进行计算，确定所述驾驶行为数据对应的目标概率，通过目标概率融合了两个分类模型的预测结果，降低了通过单一分类模型进行预测的过拟合风险，提升了驾驶安全级别预测的准确性，根据所述目标概率能够准确确定所述驾驶行为数据对应的驾驶安全级别。全级别。全级别。


技术研发人员：罗智 张凯 刘欣雨
受保护的技术使用者：长城汽车股份有限公司
技术研发日：2023.07.10
技术公布日：2023/10/6