基于机器学习的方向盘掌握程度的预测方法、电子设备及计算机可读存储介质与流程

本发明属于驾培系统，具体涉及一种基于机器学习的方向盘掌握程度预测方法。

背景技术：

1、机动车驾驶科目二考试培训是机动车驾驶技术培训过程中学员第一次接触实车，并进行实操训练，是较难的项目。影响科目二考试是否通过的关键因素之一是方向盘的掌握情况，如果学员方向盘的操作方法得当，则有较大的概率通过科目二的考试；如果学员方向盘的操作不熟练，则有较大可能不通过科目二的考试。

2、目前科目二的方向盘培训，仍停留在人工教学的阶段，即教练通过观察以及自身的经验来判断学员方向盘的掌握情况，没有科学的方法，这样不仅学习效率低下，而且不利于学员真正的掌握驾驶知识。

技术实现思路

1、为解决上述问题，本发明提出一种基于机器学习的方向盘掌握程度预测方法，该方法直接通过模拟器终端采集学员方向盘旋转角度的数据，基于这些数据进行分析和预测，得到学员成绩的预测结果，给予学员科学的判别结果，从而大幅度提升学员的训练效率。进一步，本发明还提供用于实现上述检测方法的电子设备和计算机可读存储介质。

2、本发明的技术方案包括：

3、本发明的第一方面公开一种基于机器学习的方向盘掌握程度预测方法，包括以下步骤

4、步骤1、获取模拟器终端采集到的学员方向盘训练基础信息，所述学员方向盘训练基础信息包括：指令发出时间戳t1、方向盘开始转动时间戳t2、方向盘角度到达指令位置时间戳t3_m、一次训练中终端监测到的学员操作方向盘角度到达指令位置的次数m，以及指令达成时间戳t4；

5、步骤2、基于学员方向盘训练基础信息计算学员响应指令相关数据，所述学员响应指令相关数据包括：学员听到指令后的反应时间tr、学员响应指令的完成时间tc、学员响应指令的净完成时间tn；

6、步骤3、对所述学员操作方向盘角度到达指令位置的次数m、学员听到指令后的反应时间tr、学员响应指令的净完成时间tn进行标准化处理；

7、步骤4、基于标准化处理后的学员操作方向盘角度到达指令位置的次数m、学员听到指令后的反应时间tr和学员响应指令的净完成时间tn制作训练数据，并将获取到的学员考试成绩作为训练标签；

8、步骤5、建立用于预测学员考试成绩的逻辑回归模型；

9、步骤6、通过训练数据和训练标签训练所述逻辑回归模型，训练完成后得到目标逻辑回归模型；

10、步骤7、将按步骤4标准化处理后的尚未参加考试的学员信息(tr，tn，m)输入目标逻辑回归模型模型，输出学员成绩的预测结果。

11、可选的，所述步骤2中，基于学员方向盘训练基础信息计算学员响应指令相关数据，具体包括：

12、学员听到指令后的反应时间tr＝t2-t1；

13、学员响应指令的完成时间tc＝t4-t1；

14、学员响应指令的净完成时间tn＝tc-td，所述td表示学员正确位置持续时间td之后的时间段。

15、可选的，所述步骤3中，标准化处理的公式如下：

16、

17、其中，平均数：

18、方差：

19、处理时，将公式(1)中的参数进行相应替换后计算即可。

20、可选的，所述步骤5中，逻辑回归模型如下：

21、

22、式中，logit(yi)表示学员成绩yi的logit变换，w0表示回归模型的截距，w1、w2、w3均表示待估计的参数，tri表示第i个学员听到指令后的反应时间，tni表示第i个学员响应指令的净完成时间，mi表示第i学员该次训练中终端监测到方向盘角度达到指令位置的次数；

23、还包括对所述逻辑回归模型进行变换，变换公式如下：

24、

25、可选的，所述步骤6具体包括：

26、s61：构造损失函数如下：

27、

28、式中，y表示真实结果，表示预测结果，w表示权重，n表示样本个数，表示第i个样本的预测结果，yi表示第i个样本的预测结果，α表示非负超参量，是l2正则惩罚参数；

29、s62：使用梯度下降法对所述损失函数进行权重参数更新，不断减少的值，公式如下：

30、

31、式中，wi+1表示本次更新后的权重参数，wi表示上一次模型的权重系数，表示本次梯度下降计算的权重偏移量；

32、s63：不断重复步骤s62，直到损失函数的值趋于稳定，模型收敛，得到目标逻辑回归模型。

33、可选的，所述学员成绩的预测结果y的取值范围是[0，1]，其中，1表示通过考试，0表示未通过考试；设置阈值为0.5，当y>0.5时，y赋值为1；y≤0.5时，y赋值为1。

34、本发明的第二方面公开一种电子设备，其包括处理器和存储器；所述处理器用于调用存储器中存储的计算机程序，执行本发明第一方面或其任意一项可选方案所述的基于机器学习的方向盘掌握程度预测方法。

35、本发明的第三方面公开一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行本发明第一方面或其任意一项可选方案所述的基于机器学习的方向盘掌握程度预测方法。

36、有益效果：

37、本发明通过模拟器终端采集的方向盘数据能迅速分析出学员方向盘旋转相关的掌握情况，通过机器学习的方法对海量数据进行分析，给予学员科学的判别结果，从而大幅度提升学员的训练效率。

38、本发明采用机器学习的方法对方向盘掌握程度进行预测，相较于传统的教练人工预测更具有准确性和系统性。

技术特征：

1.一种基于机器学习的方向盘掌握程度预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的方向盘掌握程度预测方法，其特征在于，所述步骤2中，基于学员方向盘训练基础信息计算学员响应指令相关数据，具体包括：

3.如权利要求1所述的方向盘掌握程度预测方法，其特征在于，所述步骤3中，标准化处理的公式如下：

4.如权利要求1所述的方向盘掌握程度预测方法，其特征在于，所述步骤5中，逻辑回归模型如下：

5.如权利要求4所述的方向盘掌握程度预测方法，其特征在于，所述步骤6具体包括：

6.如权利要求1所述的方向盘掌握程度预测方法，其特征在于，所述学员成绩的预测结果y的取值范围是[0,1]，其中，1表示通过考试，0表示未通过考试；设置阈值为0.5，当y＞0.5时，y赋值为1；y≤0.5时，y赋值为1。

7.一种电子设备，其特征在于，包括处理器和存储器；所述处理器用于调用存储器中存储的计算机程序，执行权利要求1至6任意一项所述的基于机器学习的方向盘掌握程度预测方法。

8.一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用于存储程序代码，所述程序代码用于执行权利要求1至6任意一项所述的基于机器学习的方向盘掌握程度预测方法。

技术总结本发明公开一种基于机器学习的方向盘掌握程度预测方法，包括：获取模拟器终端采集到的学员方向盘训练基础信息；基于学员方向盘训练基础信息计算学员响应指令相关数据；对学员操作方向盘角度到达指令位置的次数、学员听到指令后的反应时间、学员响应指令的净完成时间进行标准化处理；基于标准化处理后的数据制作训练数据，并将获取到的学员考试成绩作为训练标签；建立用于预测学员考试成绩的逻辑回归模型；训练所述逻辑回归模型，得到目标逻辑回归模型；将尚未参加考试的学员信息输入目标逻辑回归模型模型，输出学员成绩的预测结果。通过本发明能给予学员科学的判别结果，大幅度提升学员的训练效率。技术研发人员：王新宇,张铁监,吴松,叶剑,章道扬受保护的技术使用者：多伦互联网技术有限公司技术研发日：技术公布日：2024/11/4