基于自然驾驶数据的危险事件识别方法

利用阈值法从自然驾驶数据中识别可能的危险事件,再采用随机森林模型和支持向量机模型深度筛选,克服了阈值法误报率过高的缺陷。基于上海自然驾驶数据,建立提取危险事件的阈值标准,从原始数据中识别出3 623起可能的危险事件;利用随机森林模型筛选出重要特征作为输入变量,训练机器学习模型,对测试集进行预测。结果表明,起到关键作用的变量有:纵向加速度的最小值和均值、与前车距离的最小值以及车速的标准差。相比随机森林模型,支持向量机模型预测效果更优,在控制漏报率的同时,可过滤85.9%的无效事件。