مدل‌سازی عصبی–فازی مبتنی بر شباهت برای تشخیص رفتار رانندگی با استفاده از تلفیق حسگرهای گوشی هوشمند

نویسندگان: Hamid Reza Eftekhari و Mehdi Ghatee

منتشرشده در: Journal of Intelligent Transportation Systems Technology, Planning, and Operations، جلد 23، 2019 — شمارهٔ 1.

چکیده:

ارزیابی رفتار رانندگان یکی از مهم‌ترین مسائل در سامانه‌های حمل‌ونقل هوشمند و سامانه‌های کمک‌راننده است و تأثیر زیادی بر ایمنی رانندگی و مصرف سوخت دارد. یکی از چالش‌های این زمینه، دیدگاه مدل‌سازی برای مواجهه با عدم‌قطعیت در قضاوت دربارهٔ رفتارهای رانندگی است. در واقع، ارزیابی یک مانور منفرد با آستانه‌ای ثابت، به قضاوتی ضعیف دربارهٔ رانندگی می‌انجامد. برای رفع این کاستی، یک سامانهٔ عصبی–فازی جدید پیشنهاد می‌شود تا هنگامی که همهٔ مانورهای مختلف با چند عدد فازی بیان می‌شوند، رفتارهای رانندگی را بر پایهٔ شباهت آن‌ها به الگوهای فازی طبقه‌بندی کند. این الگوها نیز اعداد فازی هستند و از تحلیل آماری داده‌های حسگرهای گوشی هوشمند استخراج می‌شوند. سامانهٔ ارزیابی رانندگی ما از سه فرایند تشکیل شده است. نخست، با استفاده از یک شبکهٔ عصبی پرسپترون چندلایه، نوع همهٔ مانورها را در طول دورهٔ رانندگی تشخیص می‌دهد. دوم، ویژگی جدیدی بر پایهٔ شتاب استخراج می‌کند و سه عدد فازی به مانورهای تغییر خط، گردش و دوربرگردان راننده اختصاص می‌دهد. سوم، شباهت میان این سه عدد فازی و الگوهای فازی را تعیین می‌کند تا امتیازهای رانندگی ایمن و پرخاشگرانه را ارزیابی کند. برای اعتبارسنجی این مدل، از پرسش‌نامه‌های امتیاز خشم راننده (DAS) استفاده می‌شود. نتایج نشان می‌دهند که تلفیق حسگرهای واحد اندازه‌گیری اینرسی (IMU) گوشی‌های هوشمند برای سامانهٔ پیشنهادی ارزیابی رانندگی کافی است. دقت این سامانه بدون استفاده از داده‌های GPS و GIS برابر با 87% است و این سامانه به نوع گوشی هوشمند و خودرو وابسته نیست.