1.基于轉移概率的車輛風險綜合評價方法，其特征在于，其步驟為：

1)數據的采集及處理：

1.1)數據采集：通過平臺收集ADAS設備中每個駕駛員每日的匯總數據；

1.2)數據預處理：

1.2.1)去掉每行、每列數據為零的數據；

1.2.2)異常值處理：將異常值進行剔除；

1.3)插補異常值：當一條數據中僅有一個指標存在異常值，在數據分析時不能因為一個異常指標而去除整條數據，采用KNN算法進行插補；

2)確定指標分類：根據指標對風險影響大小，將指標分為對風險影響大的A類指標和對風險影響小的B類指標；其中A類指標包括防碰撞預警指標和疲勞駕駛報警指標；

3)針對預處理過后的車聯網報警數據，構建的車輛駕駛風險評估模型；

3.1)采用隨機森林算法篩選出A類指標的重要變量，并計算B類各指標間轉移矩陣；

3.1.1)sklearn中RandomForestRegressor模塊，將B類指標數據作為x值，A類指標數據分別作為Y值擬合，得到B類指標對A類指標的影響程度；

3.1.2)然后利用Boruta包中的BorutaPy函數對B類指標進行選取Boruta包基于所有特征訓練隨機森林模型，并評價每個特征的重要性；

3.1.3)A類中防碰撞預警指標隨機森林篩選重要變量，可以得到：車距過近指標、偏離車道指標、抽煙指標、急轉彎指標、閉眼指標、左顧右看指標、打電話指標、急剎車指標、急加速指標；A類中疲勞駕駛報警指標通過隨機森林篩選重要變量，可以得到偏離車道指標、急轉彎指標、打哈欠指標、車距過近指標、閉眼指標、抽煙指標、車輛疲勞指標；

3.2)構建出隨機森林改進的隱馬爾科夫模型；

3.2.1)將隱藏狀態定義為B類指標狀態，觀測狀態定義為A類指標狀態，將B類指標之間的轉移矩陣作為輸入端的隱藏狀態轉移矩陣；在建立隱馬爾科夫模型前，輸入符合模型參數的A類指標，即將A類指標按照其數值特征進行離散化處理，將兩個A類指標分為三類，如表4所示：

表4：A類指標狀態劃分表

Pcount為疲勞駕駛報警指標，noHit為防碰撞預警指標；

為0的時候是不存在報警的情況，使其成為一類；一次到均值加三個標準差是正常發生報警的次數，也使其成為一類；超過3個標準差就是異常報警次數，屬于高風險人群了，也使其成為一類；

3.2.2)將清洗過的數據按照車輛代碼和日期進行排序，得到每個車輛關于兩個A類指標的觀測序列；

3.2.3)將隨機森林通過回歸計算出的轉移矩陣,以及根據原始數據得到的隱藏狀態的初始概率，輸入到隱馬爾科夫鏈中；通過隨機森林回歸計算出的轉移矩陣彌補隱馬爾科夫鏈不含有隱含狀態之間的信息，并根據原始數據得到的隱藏狀態的初始概率，構建隱馬爾科夫模型；

3.2.4)利用Baurn-Welch算法，訓練車輛風險的多維離散型隱馬爾科夫模型；

3.2.5)將B類指標轉化為A類指標的數據和A類指標原有數據相結合，公式如下

其中：為B類指標轉化為A類指標并與A類指標原有數據相結合后的數據，A'_ij為B類指標轉化為A類指標的數據，A_ij為A類指標原有數據；

3.2.6)利用原始數據結合HMM的方法估計出車輛一次運行中出現A類指標各狀態的數量，對車輛危險程度進行描述；

3.3)利用聚類分析對危險等級進行劃分，繼而運用樸素貝葉斯計算出各危險等級發生的概率；

3.4)以海因里希法則，將行駛里程作為權重計算車輛駕駛風險概率。