نویسندگان: Mohammad Mahdi Bejani, Mehdi Ghatee
وابستگی‌های سازمانی: گروه علوم کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران
رایانامهٔ تماس: ghatee@aut.ac.ir
چکیده
داده‌های ارائه‌شده در این مجموعه‌داده به مقالهٔ پژوهشی زیر مربوط‌اند:
Bejani, M. M., & Ghatee, M. (2018). سامانه‌ای آگاه از زمینه برای ارزیابی سبک رانندگی با یادگیری جمعی بر داده‌های حسگرهای تلفن هوشمند. Transportation Research Part C: Emerging Technologies, 89, 303-320.
برای هر بار استفاده، به این مقاله استناد کنید.
| حوزهٔ موضوعی | سامانه‌های حمل‌ونقل هوشمند |
| حوزهٔ موضوعی تخصصی‌تر | ارزیابی سبک رانندگی |
| نوع داده | سه نوع فایل شامل کدهای MATLAB و WEKA و داده‌های Microsoft EXCEL |
| شیوهٔ گردآوری داده‌ها | تمام مجموعه‌داده با برنامهٔ AndroSensor برای تلفن‌های هوشمند دارای سیستم‌عامل Android گردآوری شده است |
| قالب داده | خام و تحلیل‌شده |
| عوامل آزمایش | داده‌های سرعت به‌دست‌آمده از GPS به‌ندرت مقدار تهی دارند؛ برای رسیدگی به این موارد از فرمول هاورسین و میانگین استفاده می‌کنیم. |
| ویژگی‌های آزمایش | شتاب، میدان مغناطیسی، جهت‌گیری، سطح صدا و موقعیت مکانی |
| موقعیت مکانی منبع داده | تهران، ایران |
| دسترسی به داده‌ها | این مجموعه‌داده برای مقاله گردآوری شده است |
این بسته شامل پنج مجموعه‌دادهٔ متفاوت است که راهنمای اجرای آن‌ها در Matlab و Weka در ادامه آمده است.
کالیبراسیون تلفن هوشمند (Smartphone-Calibration)
این پوشه شامل چهار فایل کد (*.m) و یک فایل داده (*.xlsx) است. برای اجرا، فایل main.m را در Matlab R2016a باز و اجرا کنید. برای آزمون در نقطه‌ای جدید، می‌توان متغیر Index را تغییر داد؛ مقدار پیش‌فرض آن 330 است..
طبقه‌بندی خودرو (Car-Classification)
این پوشه شامل هفت فایل کد (*.m) و دو فایل دادهٔ Matlab (*.mat) است. همچنین، فایل‌های دادهٔ خام (*.xlsx) در پوشهٔ raw-data قرار دارند و برای فرایند یادگیری استفاده می‌شوند. برچسب کلاس داده‌های هر فایل در نام آن ذکر شده است؛ دو برچسب کلاس عبارت‌اند از soft (LSC) و hard (HSC). برای اجرا، فایل main.m را در Matlab R2016a باز و اجرا کنید.
طبقه‌بندی اولیهٔ سبک (Initial-Style-Classification)
این پوشه شامل شش فایل کد (*.m) و یک فایل داده (*.mat) است. همچنین، فایل‌های دادهٔ خام (*.xlsx) در پوشهٔ raw-data قرار دارند و برای فرایند یادگیری استفاده می‌شوند. کلاس هر فایل در نام آن ذکر شده است. این برچسب‌ها bad (رانندگی خطرناک) و good (رانندگی عادی) هستند. برای اجرا، فایل ensembleLearningCrossValTest.m را در Matlab R2016a اجرا کنید. برای استخراج ویژگی از فایل خام، main.m را در Matlab R2016a باز کنید و خط 4 را برای فایل ورودی و خط 42 را برای فایل خروجی ویرایش کنید.
طبقه‌بندی ترافیک (Traffic-Classification)
این پوشه شامل چهار فایل کد (*.m) و پنج فایل داده (*.mat) است. همچنین، فایل‌های دادهٔ خام (*.xlsx) در پوشهٔ raw-data قرار دارند و برای فرایند یادگیری استفاده می‌شوند. برچسب کلاس هر فایل در نام آن ذکر شده و شامل idle (وضعیت عادی ترافیک) و traffic (وضعیت پرتراکم ترافیک) است. برای اجرا، فایل crossValTest.m را در Matlab R2016a باز و اجرا کنید. برای تغییر مجموعه‌داده، خط 3 را ویرایش کنید؛ نام مجموعه‌داده می‌تواند data-5.mat، data-10.mat، data-15.mat، data-20.mat، data-25.mat، data-30.mat یا data-40.mat باشد. برای استخراج ویژگی از فایل خام، main.m را در Matlab R2016a باز کنید و خط 3 را برای فایل ورودی و خط 26 را برای فایل خروجی ویرایش کنید. برای تغییر طول پنجره، مقدار متغیر windowLen را ویرایش کنید؛ مقدار پیش‌فرض آن 50 است.
طبقه‌بندی مانور (Maneuver-Classification)
این پوشه شامل سه فایل کد (*.m) و یک فایل داده (*.arff) است. همچنین، فایل‌های دادهٔ خام (*.xlsx) در پوشهٔ raw-data قرار دارند و برای فرایند یادگیری استفاده می‌شوند. فرایند یادگیری با Weka انجام می‌شود.
طراحی آزمایش، مواد و روش‌ها
مجموعه‌داده‌ها با یک تلفن هوشمند گردآوری شدند. دو متخصص داده‌های ثبت‌شده را برچسب‌گذاری کردند. برای گردآوری مجموعه‌داده‌ها از برنامهٔ AndroSensor استفاده شد. برای دریافت این مجموعه‌داده، از این پیوند استفاده کنید: اینجا.
این مجموعه‌داده در منابع زیر برای ارزیابی رانندگی استفاده شده است:
M.M. Bejani، M. Ghatee، «سامانه‌ای آگاه از زمینه برای ارزیابی سبک رانندگی با یادگیری جمعی بر داده‌های حسگرهای تلفن هوشمند»، Transportation Research Part C: Emerging Technologies، 89، (2018)، 303–320.
M.M. Bejani، M. Ghatee، «شبکهٔ عصبی کانولوشنی با منظم‌سازی تطبیقی برای طبقه‌بندی سبک‌های رانندگی با تلفن‌های هوشمند»، IEEE Transactions on Intelligent Transportation Systems، 21 (2)، (2019)، 543–552.
M.M. Bejani، M. Ghatee، «نظریهٔ منظم‌سازی تطبیقی SVD برای شبکه‌های عصبی عمیق»، Neural Networks، 128، (2020)، 33–46.