شبکهٔ عصبی پیچشی با منظم‌سازی تطبیقی برای طبقه‌بندی سبک‌های رانندگی با گوشی‌های هوشمند

نویسندگان: Mohammad Mahdi Bejani، Mehdi Ghatee

منتشرشده در: IEEE Transactions on Intelligent Transportation Systems، جلد: 21، شماره: 2، فوریهٔ 2020.

چکیده:

ارزیابی سبک رانندگی با گوشی‌های هوشمند به کیفیت ویژگی‌های استخراج‌شده از داده‌های حسگرها وابسته است. معمولاً این ویژگی‌ها بر پایهٔ آزمایش‌ها، دانش تخصصی یا روش‌های ابتکاری استخراج می‌شوند. در رویکردهای جدیدتر، برخی روش‌های خودکار مانند شبکهٔ عصبی پیچشی (CNN) برای استخراج ویژگی‌های آشکار و پنهان به کار می‌روند. ما نیز CNN را بر داده‌های شتاب گردآوری‌شده با گوشی‌های هوشمند به کار بردیم تا دانش مربوط به سبک رانندگی، خودرو، محیط و ویژگی‌های انسانی را استخراج کنیم. دریافتیم که این ایدهٔ نو برای ارزیابی سبک رانندگی، در مقایسه با الگوریتم‌های پیشین یادگیری ماشین موفق‌تر است. بااین‌حال، در فرایند آموزش CNN با بیش‌برازش روبه‌رو شدیم و برای پیشگیری از آن، روش یادگیری پیشرفته‌ای را با استفاده از دو طرح منظم‌سازی تطبیقی با نام‌های حذف تصادفی تطبیقی و کاهش وزن تطبیقی پیشنهاد کردیم. برای ارزیابی این روش‌ها، ابتدا نتایج را روی سه مجموعه‌دادهٔ بزرگ و شناخته‌شده بررسی کردیم. پس از اثبات کارایی آن‌ها، این روش‌ها را روی دو مجموعه‌دادهٔ حمل‌ونقل به کار گرفتیم. در مجموعه‌دادهٔ شیوه‌های حمل‌ونقل، دقت دست‌کم 95.8% بود و در مجموعه‌دادهٔ سبک رانندگی، دقت طبقه‌بندی 95% به دست آمد. بنابراین CNN با منظم‌سازی تطبیقی، گزینه‌ای بسیار مناسب برای ارزیابی سبک رانندگی با گوشی‌های هوشمند است.