买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉深圳市综合交通与市政工程设计研究总院有限公司申请的专利一种基于驾驶场景的驾驶员行为评估方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120783322B 。

龙图腾网通过国家知识产权局官网在2026-05-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510610470.8，技术领域涉及：G06V20/59；该发明授权一种基于驾驶场景的驾驶员行为评估方法和系统是由彭坤;徐立杰;严建财;唐伟;李春雷;谢海平;王璇设计研发完成，并于2025-05-13向国家知识产权局提交的专利申请。

本一种基于驾驶场景的驾驶员行为评估方法和系统在说明书摘要公布了：本发明涉及驾驶安全技术领域，尤其涉及一种基于驾驶场景的驾驶员行为评估方法和系统，包括通过整合气象、道路、设施等多维度异构数据，突破单一数据源的局限性，提升事故风险预测的全面性和准确性；通过动态标定驾驶场景标签，使模型能适配复杂多变的实际驾驶环境，增强泛化能力；通过对交通状态的划分与特征量化，减少人工阈值设定的主观性，有助于发现传统方法忽略的隐性特征；通过对场景特异性的驾驶员行为评估模型进行优化，生成多约束下的驾驶员行为优化建议，减少因过度限速导致的交通流波动，同时降低高风险场景的事故概率，实现安全与效率的协同优化。

本发明授权一种基于驾驶场景的驾驶员行为评估方法和系统在权利要求书中公布了：1.一种基于驾驶场景的驾驶员行为评估方法，其特征在于： S1、在自由流状态下，融合多源异构基础数据，生成事故风险预测值并标定动态驾驶场景标签，结合SP调查获取的驾驶员安全车速偏好，构建场景特异性的驾驶员行为评估模型；其中，多源异构基础数据包括从车载传感器、路侧单元及气象监测设备同步获取的道路几何线形参数、交通设施类型配置、实时环境气象数据以及动态交通流状态；采用图神经网络对预处理后的多源异构基础数据进行融合分析得到事故风险预测值；基于事故风险预测值标定动态驾驶场景标签； 融合多源异构基础数据，生成事故风险预测值并标定动态驾驶场景标签，结合SP调查获取的驾驶员安全车速偏好，构建场景特异性的驾驶员行为评估模型的过程包括： 从车载传感器、路侧单元以及气象监测设备同步获取四类多源异构基础数据，即道路几何线形参数、交通设施类型配置、实时环境气象数据以及动态交通流状态； 对获取到的四类多源异构基础数据进行预处理：对道路几何线形参数进行归一化处理；对交通设施类型配置按功能进行分类编码：禁令标志=1，警告标志=2，指示标志=3；对实时环境气象数据按风险等级进行分级赋权；对动态交通流状态进行归一化处理； 将动态交通流状态与其他三类异构基础数据建立关联：通过计算线形敏感度系数与道路几何线形参数关联；通过构建设施影响矩阵与交通设施类型配置关联；通过引入气象修正因子与实时环境气象数据关联；其中，线形敏感度系数通过道路几何线形参数的倒数与动态交通流状态归一化值的乘积计算得到；设施影响矩阵通过历史数据训练得到，反映交通设施类型对动态交通流状态归一化值的抑制系数；气象修正因子通过实时环境气象数据的风险分级权重与动态交通流状态归一化值的乘积计算得到； 采用图神经网络融合分析四类多源异构基础数据，生成事故风险预测值； 基于图神经网络获取到的事故风险预测值，标定动态驾驶场景标签，即安全场景、一般场景、风险场景以及危险场景； 基于生成的动态驾驶场景标签，通过SP调查获取不同驾驶场景下经验丰富驾驶员的安全车速偏好数据；基于安全车速的调查结果，建立场景特异性的驾驶员行为评估模型； 基于生成的动态驾驶场景标签，通过SP调查获取不同驾驶场景下经验丰富驾驶员的安全车速偏好数据；基于安全车速的调查结果，建立场景特异性的驾驶员行为评估模型的过程包括： 按动态驾驶场景标签中的事故风险预测值分层抽样，并剔除与动态驾驶场景标签矛盾的异常响应；将动态驾驶场景标签编码为多维向量，与驾驶员安全车速偏好数据融合：将离散的动态驾驶场景标签转化为四维二进制向量，即安全场景→[1,0,0,0]、一般场景→[0,1,0,0]、风险场景→[0,0,1,0]、危险场景→[0,0,0,1]；将事故风险预测值作为额外特征加入四维二进制向量中，生成五维特征向量；若SP调查中包含环境因素，则将其数值化后与五维场景向量拼接，形成扩展特征向量；对驾驶员个体属性进行标准化或嵌入编码，作为附加特征与扩展向量拼接，生成完整特征矩阵，形成融合后的特征数据集；基于融合后的特征数据集按比例划分为训练集、验证集以及测试集； 采用随机森林回归模型拟合动态驾驶场景特征与驾驶员在对应场景下的安全车速的关系：初始化随机森林回归模型，设置基础参数：决策树数量、最大深度以及最小样本分裂数；在训练集上，通过网格搜索遍历决策树数量候选值，以验证集均方误差为评估指标，选择均方误差最低的树数量，作为最优树数量；使用均方误差作为树节点分裂标准；定义随机森林回归模型参数空间：最大特征数候选值，最小样本叶子数候选值以及最大深度候选值；使用贝叶斯优化或随机搜索对参数空间进行联合调优；优化目标为验证集均方误差最小化，设定迭代次数设为A次；在训练集上使用最优参数组合训练随机森林模型，启用并行计算加速训练；基于基尼系数下降均值对融合后的特征数据集进行排序，筛选前B个关键特征； S2、在非自由流状态下，通过多特征交通流样本的密度聚类与离散度统计分析，实现交通状态的精准划分与特征量化；其中，通过K-MEANS聚类算法将交通状态划分为畅通、较畅通、拥挤以及堵塞；多特征交通流样本即流量、速度、占有率；特征量化包括分别对四类交通状态下的绝对车速离散度和相对车速离散度进行参数统计； S3、根据划分的交通状态标签，对构建的场景特异性的驾驶员行为评估模型进行优化，生成多约束下的驾驶员行为优化建议的过程包括：构建含静态与动态特征的多维特征矩阵；基于交通状态动态分配特征权重：在拥堵、堵塞状态下，提升实时离散度与跟车距离相关特征的权重；在畅通、较畅通状态下，增强历史滑动窗口均值与速度波动率特征的权重，针对不同状态激活对应子模型，从而生成多维度驾驶员行为优化建议； 根据划分的交通状态标签，对构建的场景特异性的驾驶员行为评估模型进行优化，生成多约束下的驾驶员行为优化建议的过程包括： 从数据库中提取四类交通状态的统计特征及实时车速离散度；整合实时数据流，构建包含静态特征与动态特征的多维特征矩阵；其中，静态特征包括密度、流量、占有率以及聚类标签，动态特征包括实时车速离散度、滑动时间窗口均值； 基于交通状态分类结果，动态分配特征权重； 将四类交通状态作为独立子模型输入，分别构建对应的预测框架：对于畅通、较畅通子模型，以历史滑动窗口均值与实时滑动窗口均值为核心输入，侧重速度趋势预测；对于拥堵、堵塞子模型，以实时离散度与密度为核心输入，侧重稳定性控制；设置全局参数池，统一管理各子模型参数； 根据实时交通状态标签，自动激活对应子模型：针对畅通、较畅通子模型，采用卡尔曼滤波动态跟踪车速，融合历史滑动窗口均值与实时滑动窗口均值，生成平滑安全车速；针对拥挤、堵塞的子模型，采用改进IDM模型，结合实时离散度动态修正安全车速； 定义安全车速的双重约束，包括安全性约束嵌入、效率约束分层适配； 整合所有子模型输出，生成包含安全车速值、适用交通状态及约束条件满足标志在内的多维度驾驶员行为优化建议，实现全局最优行为策略。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人深圳市综合交通与市政工程设计研究总院有限公司，其通讯地址为：518100 广东省深圳市龙华区民治街道北站社区龙华设计产业园总部大厦2栋701；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。