Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá thực nghiệm các phương pháp lựa chọn đặc trưng dựa trên tầm quan trọng cho nhiệm vụ xác định lái xe sử dụng dữ liệu OBD
Springer Science and Business Media LLC - Trang 1-12 - 2022
Tóm tắt
Sự tiến bộ trong các hệ thống telematics của xe và xe kết nối đã cung cấp nhiều hỗ trợ giá trị cho các tài xế. Nhờ những tiến bộ này, việc phát triển và sử dụng các hệ thống giao thông thông minh đã phát triển mạnh mẽ. Việc sử dụng dữ liệu cảm biến trong xe để mô tả hành vi lái xe của tài xế là một thách thức nghiên cứu hấp dẫn và là cần thiết cho ngành công nghiệp ô tô. Mặc dù có nhiều tiến bộ, nhưng tỷ lệ trộm cắp ô tô, các chuyến đi giả mạo và việc sử dụng tài khoản giả mạo để nhận thưởng trong dịch vụ chia sẻ xe đang gia tăng. Trong bài báo này, một cuộc điều tra để xác định tài xế với sự hỗ trợ của các đặc trưng được trích xuất từ dữ liệu cảm biến Chẩn đoán Bảng điều khiển II (OBDII) đã được khám phá. Mục tiêu chính của công việc là trích xuất các đặc trưng quan trọng nhất thay vì đưa tất cả các đặc trưng vào thuật toán. Việc lựa chọn đặc trưng được thực hiện bằng cách vẽ biểu đồ tầm quan trọng của từng đặc trưng thông qua Hệ số, Phân tích thành phần chính (PCA) và các phương pháp dựa trên cây. Đo lường hiệu suất được cung cấp dưới dạng độ chính xác và thời gian đào tạo của các thuật toán phân loại. Đã quan sát thấy rằng việc lựa chọn đặc trưng thông qua các phương pháp dựa trên cây cung cấp kết quả tốt nhất với hơn 75% khi áp dụng cho các thuật toán học máy và cũng khi chỉ các đặc trưng quan trọng được cung cấp cho hệ thống, thời gian đào tạo được rút ngắn. Kết quả thu được cho thấy công việc được đề xuất thể hiện sự vượt trội so với các công việc liên quan khác.
Từ khóa
#Ô tô #Dữ liệu OBD #Nhận dạng lái xe #Lựa chọn đặc trưng #Học máyTài liệu tham khảo
Abdi H, Williams LJ (2010) Principal component analysis. Wiley Interdis Rev: Comput Statistics 2(4):433–459
Chen Z, Fan W (2021) A freeway travel time prediction method based on an XGBoost model. Sustainability 13(15):8577
David H, Abhijit S, Rainer S, Andreas L, Markus H, Martin R, Rok S, Jure L (2016) Driver identification using automobile sensor data from a single turn. 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), pp. 953–958.
Derick A, Johnson Mohan M, Trivedi (2011) Driving style recognition using a smartphone as a sensor platform. 2011 14th International IEEE Conference on Intelligent Transportation Systems (ITSC), pp. 1609–1615
Eduardo R, Luis M, Bergasa, Roberto A (2016) Need data for driver behaviour analysis? Presenting the public UAH-DriveSet. 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), pp. 387–392
Enev M, Takakuwa A, Koscher K, Kohno T (2016) Automobile driver fingerprinting. Proceed Privacy Enhanc Technol 2016(1):34–50
Erwan S (2020) Trees, forests, and impurity-based variable importance. arXiv:2001.04295.
Ezzini S, Berrada I, Ghogho M (2018) Who is behind the wheel? Driver identification and fingerprinting. J Big Data 5(1):1–15
Giuseppe B (2018) Machine learning algorithms: popular algorithms for data science and machine learning, 2nd Edition. Packt Publishing Ltd
Hosmer Jr DW, Lemeshow S, Sturdivant RX (2013) Applied logistic regression. Wiley
Igor K (1995) On biases in estimating multi-valued attributes. morgan kaufmann, pp. 1034–1040
Igor Kononenko & Ivan Bratko (1991) Information-based evaluation criterion for classifier’s performance. Mach Learn 6(1):67–80
Jin-Hyuk H, Ben M, Anind KD (2014) A smartphone-based sensing platform to model aggressive driving behaviors. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, pp. 4047–4056
Kwak B-I, Woo J, Kim HK (2016) Know your master: driver profiling- based anti-theft method. PST 2016
Lima and de V., Francisco A. Belo, Filipe V. Souto, Thaís CB Silva, Koje V. Mishina, and Marcelo C. Rodrigues, 2021 Lima, Thyago L. de V, Francisco AB, Filipe VS, Thaís CBS, Koje VM, Marcelo CR (2021) Noninvasive methods for fault detection and isolation in internal combustion engines based on chaos analysis. Sensors, 21(20), p.6925
Martinelli F, Mercaldo F, Orlando A, Nardone V, Santone A, Sangaiah AK (2020) Human behavior characterization for driving style recognition in vehicle system. Comput Electr Eng 83:102504
Mekki AE, Bouhoute A, Berrada I (2019) Improving driver identification for the next-generation of in-vehicle software systems. IEEE Trans Veh Technol 68(8):7406–7415
Miyajima C, Nishiwaki Y, Ozawa K, Wakita T, Itou K, Takeda K, Itakura F (2007) Driver modeling based on driving behavior and its evaluation in driver identification. Proc IEEE 95(2):427–437
Nielsen D (2016) Tree boosting with xgboost-why does xgboost win" every" machine learning competition? Master's thesis, NTNU
Ohta H (1993) Individual differences in driving distance headway. Vision in Vehicles 4:91–100
Salvador G, Julián L, Francisco H (2015) Data preprocessing in data mining, vol 72. Springer International Publishing
Van Ly M, Martin S, Trivedi MM (2013) Driver classification and driving style recognition using inertial sensors. IEEE Intell Vehicles Symposium (IV) 2013:1040–1045
Xingjian Z, Xiaohua Z, Jian R (2014) A study of individual characteristics of driving behavior based on hidden markov model. 167(3), 9
Yang C-H, Liang D, Chang C-C (2016) A novel driver identification method using wearables. In: 2016 13th IEEE annual consumer communications networking conference (CCNC), pp 1–5
Zhang et al. (2014) A study of individual characteristics of driving B.pdf. (n.d.). Retrieved August 24, 2021