Geri Dön

Araç sürüş verilerinden makine öğrenmesi tekniklerini kullanarak sürücü sınıflandırma

Driver classification with using machine learning methods on vehicle driving data

  1. Tez No: 498485
  2. Yazar: BATUHAN KARATAŞ
  3. Danışmanlar: DOÇ. DR. OSMAN ABUL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: Türkçe
  9. Üniversite: TOBB Ekonomi ve Teknoloji Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 73

Özet

Araç donanım teknolojisindeki gelişmeler büyük ölçekli araç sürüş verilerinin toplanmasına olanak sağlamıştır. Bu veriler özellikle kentsel alan trafik yönetimi ve araç sürüş destek sistemi uygulamaları için önemli bir kaynak teşkil etmektedir. Bu çalışmada, bu verilerin sürücü ile ilgili çıkarım yapabilme yeteneği ile ilgilenilmiştir. Veri kaynağı olarak Uyanık veri kümesi [1] CAN (Controller Area Network) verileri kullanılmıştır. Sürücü kümeleme, sürücü cinsiyet sınıflandırma ve sürücü tanıma ile ilgili deneyler gerçekleştirilmiştir. Sürücü kümeleme deneylerinde Dynamic Time Warping ve kendi geliştirdiğimiz Dynamic Distance Warping veri dönüşüm metodları uygulanarak farklı mesafe metriklerine göre hiyerarşik sürücü kümeleme işlemi gerçekleştirilmiştir. Bu işlemin sonucunda tutarlı sürücü gruplamaları elde edilmiştir. Sürücü cinsiyet sınıflandırma deneylerinde veri örnekleme, öznitelik çıkarımı, öznitelik eleme ve ayrıştırma veri ön işleme metodları uygulanarak 0.97 doğruluk oranına ulaşılmıştır. Sürücü tanıma deneylerinde kendi geliştirdiğimiz bir örüntü parçalama tekniği ve öznitelik çıkarımı veri ön işleme metodları uygulanarak 105 adet sürücü arasından 0.1 doğruluk oranında sürücü sınıflandırma işlemi gerçekleştirilmiştir. Tüm bu deneyler ile ortaya çıkan çıkarımlar neticesinde literatürde yeni bir tartışma konusu ortaya çıkmaktadır; Sürüş verisi hassas kişisel veri kapsamında değerlendirilmeli midir?

Özet (Çeviri)

The advances in vehicle equipment technology enabled us collecting large-scale vehicle driving data. This data is an important resource for urban area traffic management and vehicle driving support system applications. In this study, we are interested making inferences ability of these data about the driver. Uyanık data set [1] CAN (Controller Area Network) bus data are used as the data source. Experiments are carried out on driver gender classification, driver identification, and driver clustering. In the driver clustering experiments, hierarchical driver clustering is performed with using the Dynamic Distance Warping developed by us and Dynamic Distance Time data conversion methods according to different distance metrics. As a result, consistent driver groupings are achieved. In driver gender classification experiments, gender classification is performed with applying data sampling, feature extraction, feature elimination and discretization data preprocessing methods. Best classifiers reached up to 0.97 accuracy rate. In driver identification experiments, driver classification is carried out with applying driver pattern splitting technique developed by us and feature extraction data preprocessing methods and driver identification performance reached 0.1 accuracy rate among the 105 drivers. All these experiment results open up a new thread of discussion: whether the driving data should be treated as a sensitive personal feature?

Benzer Tezler

  1. State of charge estimation of lithium-ion batteries using machine learning approach

    Makine öğrenmesi yaklaşımı kullanılarak lityum iyon pillerin şarj durumu tahmini

    OSMAN ALPER ALTUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. EMİNE AYAZ

  2. Enabling adaptive road lighting through lighting class prediction with real time and historical data

    Gerçek zamanlı ve geçmiş veriye dayanan aydınlatma sınıfı tahmini ile uyarlanabilir yol aydınlatmasının sağlanması

    HASAN MERT TOKGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN

  3. Driver behavior analysis based on vehicle diagnostic data

    Araç tanı verilerinden sürücü davranış analizi

    CANER ASLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YAKUP GENÇ

  4. A comparative study of deep learning approaches for autonomous vehicle control

    Otonom araç kontrolü için ̇derin öğrenme yaklaşımlarının karşılaştırılması

    EMRE ŞAHİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLAY ÖKE GÜNEL

  5. Sample-efficient deep learning methods for autonomous systems

    Otonom sistemler için verimli örneklemeli derin öğrenme yöntemleri

    YUNUS BİÇER

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NAZIM KEMAL ÜRE