数据标签标注方法、神经网络模型训练方法及相关设备与流程

本申请涉及驾驶行为分析，尤其涉及一种数据标签标注方法、神经网络模型训练方法及相关设备。

背景技术：

1、在智能驾驶领域，为了更好的为驾驶员提供全方位的信息推荐，需要分析了解驾驶员的行为习惯，根据驾驶员的行为习惯针对性的进行信息推荐。目前，对驾驶员进行行为分析时，通常采用传统的统计学方法，通过针对每项指标设置固定阈值的方式确定每个驾驶员对应的驾驶行为标签。但是，这种传统的统计分析方法涉及的判定指标类型较少，不能全面的对驾驶员的驾驶行为进行分析，导致标签打标准确率下降。另一方面，统计分析的方式对于人力物力和时间成本的消耗较大，且分析效率较低。

技术实现思路

1、有鉴于此，本申请的目的在于提出一种数据标签标注方法、神经网络模型训练方法及相关设备，以解决对于驾驶员驾驶行为分类不准确且分类效率低的问题。

2、本申请的第一方面提供了一种数据标签标注方法，包括：

3、获取驾驶员的驾驶特征数据集；

4、将所述驾驶特征数据集输入至经过训练的神经网络模型中，通过所述神经网络模型对所述驾驶特征数据集进行打分，并输出多个预设分类标签中每个分类标签的分数值，其中，所述预设分类标签是根据驾驶员的属性信息以及驾驶行为信息预先设定的；

5、根据所述多个预设分类标签的分数值确定所述驾驶员对应的驾驶行为标签，所述驾驶行为标签包括所述多个预设分类标签中的至少一个。

6、可选的，所述将所述驾驶特征数据集输入至经过训练的神经网络模型中，包括：

7、将所述驾驶特征数据集中的全部数据拼接成一维数组，将所述一维数组输入至经过训练的神经网络模型中。

8、可选的，所述根据所述多个预设分类标签的分数值确定所述驾驶员对应的驾驶行为标签，包括：

9、将所述分数值大于预设阈值的所述分类标签作为所述驾驶员对应的驾驶行为标签，所述预设阈值是根据历史驾驶特征数据确定的。

10、可选的，所述将所述驾驶特征数据集输入至经过训练后的神经网络模型中之前，所述方法还包括：

11、获取包括多个驾驶员的历史驾驶特征数据集；

12、根据所述多个预设分类标签对所述历史驾驶特征数据集进行标记；

13、将经过标记的所述历史驾驶特征数据集划分为正训练样本和负训练样本，每个训练样本包括一个驾驶员的历史驾驶特征数据以及该驾驶员对应的真实标签；

14、基于所述正训练样本和所述负训练样本对预先构建的神经网络模型进行迭代训练，直至满足训练截止条件为止，完成对所述神经网络模型的训练。

15、可选的，所述历史驾驶特征数据集包括所述多个预设分类标签关联的历史数据集。

16、可选的，所述训练截止条件包括最小化损失函数，损失函数如下式所示：

17、

18、其中，loss(xi,yi)表示损失函数，n表示所述多个预设分类标签的数量，xi表示第i个训练数据的真实分类标签，yi表示神经网络模型输出的第i个数据的预测分类标签。

19、可选的，所述神经网络模型为全连接神经网络模型。

20、本申请的第二方面提供了一种数据标签标注装置，包括：

21、获取模块，被配置为获取驾驶员的驾驶特征数据集；

22、输出模块，被配置为将所述驾驶特征数据集输入至经过训练的神经网络模型中，通过所述神经网络模型对所述驾驶特征数据集进行打分，并输出多个预设分类标签中每个分类标签的分数值，其中，所述预设分类标签是根据驾驶员的属性信息以及驾驶行为信息预先设定的；

23、确定模块，被配置为根据所述多个预设分类标签的分数值确定所述驾驶员对应的驾驶行为标签，所述驾驶行为标签包括所述多个预设分类标签中的至少一个。

24、本申请的第三方面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上所述的方法。

25、本申请的第四方面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上所述的方法。

26、从上面所述可以看出，本申请提供的数据标签标注方法、神经网络模型训练方法及相关设备，获取驾驶员的驾驶特征数据集，驾驶特征数据集中包含了该驾驶员关联的全部特征数据，有利于对该驾驶员进行全面的驾驶行为分析，提高标签分类的准确性。将所述驾驶特征数据集输入至经过训练的神经网络模型中，可以由所述神经网络模型输出多个预设分类标签的分数值，通过神经网络模型辅助对驾驶员的驾驶行为进行分类可以显著提高多标签分类的效率，且神经网络模型可以批量处理驾驶特征数据集，实现多个标签的同时分类，进一步提高分类效率。最后，根据所述多个预设分类标签的分数值确定所述驾驶员的驾驶行为标签即可。相比于传统的统计分析方法，本申请提供的数据标签标注方法能够有效提升多标签分类的准确率和分类速度，有利于进一步对驾驶员进行驾驶行为分析。

技术特征：

1.一种数据标签标注方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述将所述驾驶特征数据集输入至经过训练的神经网络模型中，包括：

3.如权利要求1所述的方法，其特征在于，所述根据所述多个预设分类标签的分数值确定所述驾驶员对应的驾驶行为标签，包括：

4.如权利要求1所述的方法，其特征在于，所述将所述驾驶特征数据集输入至经过训练后的神经网络模型中之前，所述方法还包括：

5.如权利要求4所述的方法，其特征在于，所述历史驾驶特征数据集包括所述多个预设分类标签关联的历史数据集。

6.如权利要求5所述的方法，其特征在于，所述训练截止条件包括最小化损失函数，损失函数如下式所示：

7.如权利要求4所述的方法，其特征在于，所述神经网络模型为全连接神经网络模型。

8.一种数据标签标注装置，其特征在于，包括：

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任意一项所述的方法。

技术总结
本申请提供的数据标签标注方法、神经网络模型训练方法及相关设备，获取驾驶员的驾驶特征数据集，驾驶特征数据集中包含了该驾驶员关联的全部特征数据，有利于对该驾驶员进行全面的驾驶行为分析，提高标签分类的准确性。将所述驾驶特征数据集输入至经过训练的神经网络模型中，可以由所述神经网络模型输出多个预设分类标签的分数值，通过神经网络模型辅助对驾驶员的驾驶行为进行分类可以显著提高多标签分类的效率，且神经网络模型可以批量处理驾驶特征数据集，实现多个标签的同时分类，进一步提高分类效率。最后，根据所述多个预设分类标签的分数值确定所述驾驶员的驾驶行为标签即可。

技术研发人员：仇彬
受保护的技术使用者：北京罗克维尔斯科技有限公司
技术研发日：
技术公布日：2024/3/24