基于深度學習的車輛碰撞乘員傷害預測方法研究

【摘要】為更快捷、更精確地預測車輛碰撞事故中乘員的傷害情況，基于正面100%重疊剛性壁障實車碰撞試驗數據建立了深度學習模型訓練數據庫，并對數據進行了預處理和特征提取，分別基于長短時記憶（LSTM）神經網絡、卷積神經網絡-長短時記憶（CNN-LSTM）神經網絡、時域卷積網絡（TCN）建立了深度學習模型對乘員傷害進行預測訓練，驗證結果表明，3種模型預測精度分別達到0.857 9、0.820 9和0.967 4，證明了所提出方法的可行性。

關鍵詞：深度學習 乘員傷害預測 長短時記憶 卷積神經網絡-長短時記憶神經網絡" 時域卷積網絡

中圖分類號：U462；TP181" "文獻標志碼：A" "DOI： 10.20104/j.cnki.1674-6546.20230496

Research on Occupant Injury Prediction Method in Vehicle Collision Based on Deep Learning

【Abstract】To predict injury of the occupant in vehicle collision more rapidly and accurately， a training database for deep learning models was established based on frontal 100% overlap rigid barrier real-world collision data， and data preprocessing and features extraction were conducted. Deep learning models were constructed separately based on Long Short-Term Memory （LSTM）， Convolutional Neural Network-Long Short-Term Memory （CNN-LSTM） neural network， and Temporal Convolutional Networks （TCN） for injury prediction training. The validation results show that the model prediction accuracy reaches 0.8579， 0.8209 and 0.9674， respectively， demonstrating feasibility of the proposed method.

Key words： Deep learning， Occupant injury prediction， Long Short-Term Memory （LSTM）， Convolutional Neural Network-Long Short-Term Memory （CNN-LSTM） neural network， Temporal Convolutional Network （TCN）

1 前言

目前，車輛碰撞事故中的乘員傷害主要通過對車輛和乘員的動力學行為進行建模仿真實現預測。這種方法可以模擬車輛和乘員的運動軌跡和碰撞過程，但需要較為復雜的模型和大量參數，相關參數的獲取和驗證往往需要大量的試驗和數據支持。同時，這種方法對模型的假設和簡化具有一定的主觀性和局限性，難以對一些復雜的情況進行準確描述和預測。此外，仿真計算時間往往較長，難以滿足實時性和成本的要求。

隨著人工智能技術的發展，基于數據驅動的預測方法開始應用，該方法可通過分析歷史數據學習系統的行為，然后利用學習到的模型進行性能預測。Alkheder等將48種不同屬性（年份、時間、事故類型、天氣、年齡、國籍等）作為自變量，應用人工神經網絡預測交通事故中乘員傷害的嚴重程度[1]。Bance和Nie提出序列到序列的深度學習算法，利用碰撞前信息（如車輛碰撞脈沖）預測碰撞過程中乘員的動力學響應序列[2]。相較于仿真方法，基于數據驅動的預測方法可以更好地適應各種復雜系統和不同場景條件下的乘員傷害預測，并可避免復雜的模型和參數的假設和簡化，減少主觀因素對預測結果的影響，同時，可通過深度學習技術進行自動特征提取和模型訓練，從而簡化了特征工程和模型設計的過程，提高預測的準確性和可靠性。然而，基于數據驅動的預測方法也存在一些局限性，如對數據的數量和質量有一定要求，數據量不足或質量不佳都可能影響預測的準確性。因此，在選擇基于數據驅動的預測方法時，需要充分考慮數據的實際情況和應用場景，并進行合理的試驗設計和模型優化。

本文使用深度學習算法對歷史數據進行建模和分析，以期實現乘員傷害的單目標高精度快速預測，并更好地適應各種復雜系統和不同場景。

2 深度學習在被動安全領域的應用

為了探究算法的適用性，本文選用長短時記憶（Long Short-Term Memory，LSTM）神經網絡[3]、卷積神經網絡-長短時記憶（Convolutional Neural Network-Long Short-Term Memory，CNN-LSTM）神經網絡和時域卷積網絡（Temporal Convolutional Network，TCN）[4]分別建立乘員傷害預測模型。

LSTM的網絡架構如圖1所示，其中，Xt為t時刻的特征向量，Ht為t時刻的隱藏層，σ為S型函數。LSTM網絡在處理長序列和依賴關系方面表現出色，具備較強的記憶能力，適用于自然語言處理和時間序列分析等任務，但也存在計算復雜性較強、并行性有限以及潛在的過擬合問題。

CNN-LSTM網絡架構如圖2所示，它結合了卷積神經網絡（Convolutional Neural Network，CNN）和LSTM神經網絡，能夠有效處理多模態數據，提取空間特征和建模時間依賴性，特別適用于多步預測任務，但其結構相對復雜，需進行仔細的超參數調整并采取措施防止過擬合。

3 研究方法

3.1 數據準備

3.1.1 數據集

本文使用中國新車評價規程（2021年版）正面100%重疊剛性壁障碰撞試驗數據，樣本屬性包含碰撞時間、車體加速度、駕駛員頭部加速度。

3.1.2 數據預處理

首先，利用Python編程語言和數據分析庫Pandas、Numpy對試驗數據中碰撞時間、車體加速度和駕駛員頭部加速度進行自動化批量提取。這一處理過程包括數據清洗和特征提取，以確保數據的準確性和質量。提取數據示例如表1所示。

然后，采用Sklearn庫中的最小最大縮放器（MinMaxScaler）將原始數據進行擬合和轉換后線性變換到[0，1]范圍內，使不同特征之間具有相同的尺度。

最后，按照8∶2的比例將數據集劃分為訓練集和測試集。

3.2 乘員傷害預測

3.2.1 深度學習模型構建

分別使用LSTM、CNN-LSTM神經網絡、TCN構建深度學習模型。基于深度學習的駕駛員頭部動力學曲線預測流程為：首先，采集車體動力學曲線并對其進行預處理（每0.05 s采樣一次，采樣時長200 ms）；然后，以預處理后的車體動力學曲線作為輸入，利用深度學習模型預測得到駕駛員頭部動力學曲線。

3.2.2 模型訓練

使用訓練集進行模型訓練。訓練過程中，設置序列長度（Seq_length）為3、批大小（Batch_size）為64、學習率（Learning_rate）為0.001，優化器（Optimizer）為自適應矩估計（Adam），損失函數為均方誤差（Mean Square Error，MSE）。訓練環境設置如表2所示。

MSE[5-6]越小，表示模型的擬合效果越好，其計算公式為：

對訓練過程進行可視化，3個模型的訓練損失曲線如圖4所示。3個模型均成功收斂到相對穩定的狀態，但收斂速度差異明顯。TCN模型在相對較少的迭代次數內即達到穩定狀態，LSTM模型、CNN-LSTM模型需要更多的迭代才能實現收斂，這反映了TCN模型能夠更快地學習到數據的特征，對數據具有更快的擬合速度。

3.2.3 測試結果

本文基于ISO/TS 18571[7]，從通道、相位、振幅、斜率等方面對駕駛員頭部加速度曲線進行預測精度評價。

預測精度R的計算公式為：

R=0.4Z+0.2EP+0.2EM+0.2ES （2）

式中：Z、EP、EM、ES分別為兩條曲線間的通道相關性、相位相關性、振幅相關性、斜率相關性[7]。

根據計算結果，將預測精度分為4個等級：差（R≤0.58）、一般（0.58lt;R≤0.80）、良好（0.80lt;R≤0.94）、優秀（Rgt;0.94）。

使用測試集進行模型評估，3個模型的預測結果如圖5所示，各模型基于ISO/TS 18571標準的評價結果及預測速度如表3所示。在預測精度上，各模型的預測曲線與真實曲線都存在一定程度的重合，但預測精度差異明顯：TCN模型的預測精度最高，LSTM模型、CNN-LSTM模型預測精度較TCN模型低，但明顯高于有限元法（Finite Element Method，FEM）仿真模型。在預測速度上，3個模型的預測速度相當，明顯優于FEM仿真模型。綜上，TCN模型在精度方面表現出色，而LSTM和CNN-LSTM則在速度方面具有優勢，在實際應用中，應根據需求權衡速度和精度，選擇合適模型。

4 結束語

本文利用正面100%重疊剛性壁障實車碰撞數據，探究了基于LSTM、CNN-LSTM和TCN的深度學習模型在車輛碰撞事故乘員傷害預測中的可行性和實用性。這些預測模型在毫秒級的預測速度下，分別達到了0.857 9、0.820 9和0.967 4的預測精度，證明了深度學習模型在預測乘員傷害方面的有效性。

參考文獻

[1] ALKHEDER S， TAAMNEH M， TAAMNEH S. Severity Prediction of Traffic Accident Using an Artificial Neural Network[J]. Forecast， 2017， 36（1）： 100-108.

[2] BANCE I， NIE B. A Framework for Near Real-Time Occupant Injury Risk Prediction Using a Sequence-to-Sequence Deep Learning Approach[C]// Proceedings of the International Research Council on the Biomechanics of Injury （IRCOBI） Conference. Florence， Italy： IRCOBI， 2019.

[3] 王玉堃. LSTM和GRU神經網絡在股指高頻數據預測中的研究[D]. 濟南： 山東大學， 2020.

WANG Y K. Index Based on LSTM and GRU Neural Network Research on Prediction of High Frequency Data of Stock[D]. Jinan： Shandong University， 2020.

[4] BAI S J， KOLTER J Z， KOLTUN V. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling[EB/OL]. （2018-03-04）[2023-11-15]. https：//arxiv.org/abs/1803.01271.

[5] 周志華. 機器學習[M]. 北京： 清華大學出版社， 2016.

ZHOU Z H. Machine Learning[M]. Beijing： Tsinghua University Press， 2016.

[6] 弗朗索瓦·肖萊. Python深度學習[M]. 北京： 人民郵電出版社， 2018.

CHOLLET F. Deep Learning with Python[M]. Beijing： Post amp; Telecom Press， 2018.

[7] ISO. Road Vehicles - Objective Rating Metric for Non-Ambiguous Signals： ISO/TS 18571： 2014[S]. Switzerland： ISO， 2014.