基于GP-BP的驾驶员伤害预测方法、系统及存储介质

本发明涉及车辆碰撞安全性研究，具体为基于gp-bp的驾驶员伤害预测方法、系统及存储介质。

背景技术：

1、在交通事故中，汽车发生的碰撞类型有多种形式，小偏置碰撞即为其中之一。这种类型的碰撞发生在车辆前部的一小部分与另一物体(如另一辆车或固定的障碍物)相撞时，通常涉及车辆前端大约25％的宽度。在此类碰撞情形下，吸能部件并未发挥出应有的作用，由于碰撞能量集中在车辆一侧，乘员尤其是驾驶员和前排乘客可能面临更大的伤害风险，包括头部、颈部、胸部和腿部的严重伤害。如果能够快速有效对驾驶员的易受伤部位进行伤情预测，这对于在此类碰撞情形下的驾驶员损伤防护、制定救援方案、提高救援效率都具有重要的意义。然而，目前高级车辆事故自动呼救(advanced automatic crashnotification，aacn)系统中涉及到小偏置碰撞的情况甚少。此外，虽然安全气囊与安全带等约束系统的配合使用会大大降低轿车小偏置碰撞事故对驾驶员的伤害，但安全气囊在展开过程中会对驾驶员造成意外伤害。因此，如何构建具有高精度的驾驶员伤害程度预测算法和如何最大限度地提高约束系统对小偏碰撞中驾驶员的保护效果成为研究的核心问题。

2、近年来，随着计算机模拟、数据挖掘等技术的发展，使得采用仿真计算与数据分析方法对驾驶员的受伤情况进行预测成为趋势。其中，仿真方法是采用计算机模拟软件建立汽车与驾驶者的数学模型，并对模型的正确性进行检验，由此获取驾驶员在汽车事故下，其头、颈、胸等的损伤值。当前的模拟计算方法主要是针对正面、近侧面、追尾和远侧面四种不同工况的研究，对小偏置碰撞工况的研究不多。数据分析方法是基于已有交通事故库，将车辆、驾驶员等信息实施归类与甄别，并建立相应的算法模型，对驾驶员损伤情况进行预测。但是，一般的数学模型难以准确的描述出损伤及其因素彼此间的关联。采用基于bp神经网络的模型可以完成输入和输出之间的非线性映射，并采用梯度下降算法来优化参数，减少误差，提高计算结果的准确性。但是传统的bp神经网络方法也有不少缺点，包括：

3、1)由于目标函数比较复杂，使得bp神经网络的收敛性比较差，有时甚至效率低下；

4、2)bp神经网络所使用的激励函数具备非线性特征，并具有较高概率陷入局部极小的特点；

5、3)此外，隐藏层数和神经元数目等参数，只能够根据经验和实验来确定其值，没有统一的标准，对学习的时间及难度都有所提高。

技术实现思路

1、本发明提供了基于gp-bp的驾驶员伤害预测方法、系统及存储介质，可以高效、准确的对交通事故中驾驶者的受伤情况进行预测，有利于医护人员提供及时和精准的救治服务。

2、本技术提供如下技术方案：

3、s1、构建基于gp-bp神经网络的驾驶员伤害预测模型，所述gp-bp神经网络是将ga算法嵌入到pso算法，对bp神经网络进行优化而得到，并根据相关系数、相对误差、roc曲线验证gp-bp模型的预测准确度；

4、s2、根据gp-bp模型建立关键部位伤害预测模型，所述关键部位伤害预测模型的输入为碰撞条件下的变量，输出为驾驶员的关键部位发生ais3+的概率，当概率满足预设阈值时发出求救信号。

5、进一步，所述s1包括

6、s11、构建gp-bp神经网络的ga算法；

7、s12、构建gp-bp神经网络的pso算法；

8、s13、将ga算法嵌入到pso算法中，构建基于gp-bp神经网络的预测模型；

9、s14、对预测模型进行训练，根据相对系数和相对误差对预测模型进行检验；

10、s15、结合真实事故案例，通过roc曲线对预测模型进行检验。

11、进一步，所述s11中，选取一个神经网络的误差的二次和的倒数来代表遗传算法的适应度函数，其计算表达式如下：

12、

13、式中，y′代表网络的预期输出，y代表网络的真实输出；

14、遗传算法的交叉率为0.6，变异概率为0.05。

15、进一步，所述s12中，粒子群的空间维度具体公式如下：

16、n＝j+k+i×k+j×k

17、其中，j、i和k分别代表隐藏层、输入层以及输出层包含的节点数；

18、学习因子c1和c2设定为2，惯性权重ω通过典型线性递减策略赋值：

19、

20、其中，ωmax代表惯性权重的最大值，设定为0.9；ωmin代表惯性权重的最小值，设定为0.4；t为目前迭代次数；tmax为总的迭代次数；

21、要确保粒子群规模和迭代次数这两个参数是恰当的，需要调整粒子群，进而对神经网络的初始参数实施比较，由此确定粒子群规模适应度收敛时所需的迭代数范围和收敛后所需的适应度值；如果粒子最大速度vmax非常大，会导致最优解被错漏，由此将粒子最大速度vmax设定成1。

22、进一步，所述s13包括如下步骤：

23、s131、确定bp神经网络中各层次的神经元个数及拓扑结构；

24、s132、对bp神经网络的相关参数进行初值处理，然后通过权值和阈值的数值实现粒子群算法的初始化；

25、s133、对每个粒子的适应度值进行计算，由此获得初始粒子和最佳种群，所述最佳种群为适应性最小的个体；

26、s134、对粒子速度、位置进行更新；

27、s135、将粒子个体转化为染色体个体，实施交叉、变异、选择操作；

28、s136、对染色体适合度值进行运算，从而获取染色体的种最佳解；

29、s137、将染色体与粒子群的优解采取对比后，保存两者中的最佳解；

30、s138、判断是否达到先设定得最大迭代次数或者准确率要求，如果满足要求，则停止迭代计算，否则返回至s134步骤重新进行循环运算；

31、s139、将迭代获得的优解进行输出，然后将所得的最优解指派到bp算法中，并把它作为bp算法中有关参数的初值，通过bp网络进行运算。

32、进一步，所述s131中，所述bp神经网络包括输入层、隐藏层和输出层，其中，输入层包含3个单元，输出层包含1个单元，隐藏层包含5个神经元，所述bp神经网络的学习速度为0.01，预期误差为0.001，最大迭代次数为1000次。

33、进一步，所述s2包括：

34、s21、根据roc曲线获取头部、颈部、胸部和腿部的最佳截断值；

35、s22、建立驾驶员关键部位伤害预测模型，包括头部子模型、颈部子模型、胸部子模型和腿部子模型，根据最佳截断值设定各子模型的判断阈值；

36、s23、建立驾驶员关键部位伤害预测方法，包括：

37、s231、辨识是否发生小偏置碰撞；

38、s232、获取碰撞变量，包括安全带使用情况、气囊点爆情况、碰撞速度；

39、s233、对碰撞变量做归一化处理；

40、s234、将碰撞变量输入s22的预测模型，输出各关键部位发生ais3+的概率值；

41、s24、如任一部位的概率满足判断阈值，对外呼救并发送事故信息。

42、本发明的原理和优点在于：

43、本发明结合了遗传化算法优化bp神经网络(ga-bp)与粒子群算法优化bp神经网络(pso-bp)，建立多算法结合优化bp神经网络(gp-bp)的驾驶员伤害预测模型。

44、其中，遗传化算法优化bp神经网络是采用遗传算法(genetic algorithm，ga)对传统的bp神经网络予以改进，遗传算法用来确定网络的初始权值、阈值，解决随意选择初始值、阈值的问题，并且获得最佳初值。这种方法既充分利用了bp网络的优点，又利用了遗传算法的强大的整体寻优能力，使其在预测中得到了更好的应用。其中，ga是一种用于求解最优问题的搜寻算法。它参考了生物进化理论，将问题的可行解编码成基因串，基于遗传、交叉、突变等处理操作，由此形成新的解，将适应度函数较低的解删除，引入适应度函数高的解，经过多代进化，最终产生适应度函数很高的个体解。将ga与bp算法结合起来，能够较好地解决bp算法很有可能产生局部极小值的问题；除此之外，应用ga给予bp网络更加合理的初始阈值和权值，从而有效地解决这两个初始值不合适的问题，该算法能减少bp神经网络的迭代数，增加bp神经网络的收敛性，实现更好的预测效果。

45、粒子群算法(particle swarm optimization，pso)是一种演化算法，当利用pso对一个特定的问题进行优化时，需要对一系列的可行解(粒子群)进行初始化，将每一颗粒子视为是一个问题的解，每颗粒子都具有位置矢量和速度矢量。经过改进后，粒子会按照特定的速度向量迁移，在这一过程中基于粒子群以及自身最优历史位置，决定下一步的方向和距离，从而不断的趋近最优解。pso-bp神经网络综合应用pso和bp算法，将其优势融合起来，确定合适的阈值、权值，从而高效解决bp算法易发生局部极小的情况，提高bp算法的收敛效率。

46、本发明将ga嵌入到pso中，从而实现对解集的综合优化；通过引入额外的附加动量和自适应的学习速率来优化bp神经网络收敛速度慢和容易陷入局部极小的缺陷，最终实现多算法优势融合的改进型bp神经网络模型(gp-bp)设计。

47、对所建立的预测模型通过20组数据的训练和4组数据的测试，对测试值和预测值的相关系数和相对误差分别与bp神经网络模型、ga-bp神经网络模型、pso-bp神经网络模型进行对比，均证明了gp-bp神经网络模型具有较高的预测精度。然后，本发明结合真实事故案例的数据，使用roc曲线对各种模型的性能进行测评，其中gp-bp模型的auc值最高，验证了gp-bp模型具有最佳的预测效果。因此，基于gp-bp神经网络建立驾驶员伤害预测方法，包括根据roc曲线计算出驾驶员各关键部位受伤情况的最佳截断值，并根据实际情况构建小偏置碰撞条件下的驾驶员伤害预测方法。

48、结果表明，本发明的基于gp-bp神经网络的驾驶员伤害预测方法可应用于aacn系统中，有助于更加高效、准确的对事故中驾驶者的受伤情况进行预测，有利于医护人员及时掌握相关的情况，提供精准和及时的救治服务，同时也降低了医疗资源浪费。

49、另一方面，本发明提供了基于gp-bp的驾驶员伤害预测系统，包括采集模块、预测模型构建模块、伤害预测模块、求救模块，其中，

50、采集模块用于采集碰撞发生时的多种变量，包括驾驶员安全带使用情况、安全气囊点爆情况和碰撞速度；

51、预测模型构建模块用于构建伤害预测模型并进行训练，包括bp子模块、ga-bp子模块、pso-bp子模块、gp-bp子模块，其中bp子模块用于构建gp-bp的bp神经网络算法部分，ga-bp子模块用于构建gp-bp的遗传优化算法部分，pso-bp子模块用于构建gp-bp的粒子群优化算法部分，gp-bp子模块用于结合bp神经网络算法、遗传优化算法和粒子群优化算法构建伤害预测模型；

52、伤害预测模块用于根据伤害预测模型建立驾驶员伤害预测方法，使用采集模块获取的碰撞变量作为输入，输出驾驶员头部、颈部、胸部和腿部发生ais3+的伤害概率；

53、求救模块用于根据驾驶员头部、颈部、胸部和腿部发生ais3+的伤害概率进行判断，当满足阈值时对外呼救并发送事故信息。。

54、另一方面，本发明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执行时实现如上所述的基于gp-bp的驾驶员伤害预测方法。