سامانه‌ای آگاه از زمینه برای ارزیابی سبک رانندگی با یادگیری جمعی بر داده‌های حسگرهای تلفن هوشمند

نویسندگان: Mohammad Mahdi Bejani، Mehdi Ghatee

منتشرشده در: Transportation Research Part C: Emerging Technologies، جلد 89، آوریل 2018، صفحات 303–320.

چکیده:

سامانه‌های بسیاری برای ارزیابی سبک رانندگی بر پایهٔ حسگرهای گوشی هوشمند وجود دارند که آگاهی کافی از زمینه ندارند. برای رفع این کاستی، سامانهٔ جدیدی به نام CADSE پیشنهاد می‌کنیم تا اثر سطح ترافیک و نوع خودرو بر ارزیابی رانندگی را در نظر بگیرد. سامانهٔ CADSE شامل سه زیرسامانه برای کالیبره کردن گوشی هوشمند، طبقه‌بندی مانورها و ارزیابی سبک‌های رانندگی است. برای هر مانور، داده‌های حسگرهای گوشی هوشمند در سه بازهٔ زمانی پیاپی با نام‌های پیش از مانور، حین مانور و پس از مانور گردآوری می‌شوند. سپس برخی ویژگی‌های مهم ریاضی و تجربی را از این داده‌ها استخراج می‌کنیم. پس از آن، روشی برای یادگیری تجمیعی بر این ویژگی‌ها پیشنهاد می‌کنیم تا مانورها را طبقه‌بندی کند. این روش تجمیعی شامل درخت تصمیم، ماشین بردار پشتیبان، پرسپترون چندلایه و k نزدیک‌ترین همسایه است. در پایان، یک سامانهٔ استنتاج فازی مبتنی بر قواعد توسعه می‌دهیم تا خروجی‌های این الگوریتم‌ها را یکپارچه کند و مانورهای خطرناک و ایمن را تشخیص دهد. CADSE این نتیجه را در نمایهٔ راننده ذخیره می‌کند تا در تشخیص رانندگی خطرناک بیشتر مورد توجه قرار گیرد. نتایج تجربی نشان می‌دهند که دقت کلی (accuracy)، دقت (precision)، بازیابی و معیار F سامانهٔ CADSE به‌ترتیب بیش از 94%، 92%، 92% و 93% است که کارایی سامانه را تأیید می‌کند.

نکات برجسته

• ارزیابی سبک رانندگی بر پایهٔ تلفیق حسگرهای گوشی هوشمند.
• استفاده از آگاهی از زمینه برای بهبود عملکرد سامانه.
• استخراج برخی پارامترها در سه بازهٔ زمانی پیاپی برای طبقه‌بندی مانورها.
• استفاده از الگوریتم یادگیری تجمیعی برای طبقه‌بندی مانورها.
• به‌کارگیری روش تلفیق با استفاده از قواعد فازی برای ارزیابی سبک‌های رانندگی رانندگان.