Geri Dön

Driver profiling using long short term memory (LSTM) and convolutional neural network (CNN) methods

UZUN KISA SÜRE BELLEKLİ ÖĞRENME VE EVRİŞİMLİ SİNİR AĞLARI YÖNTEMLERİ İLE SÜRÜCÜ PROFİLLEME

PDF İndir

  1. Tez No: 571024
  2. Yazar: ASLIHAN CURA
  3. Danışmanlar: PROF. DR. HALUK KÜÇÜK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Sürücü araç kullanım şekli, trafik güvenliği, yakıt tüketimi ve gaz emisyonu konuları üzerinde son derece etkilidir. Bu çalışmada, trafik güvenliğini arttırmak için araçtan toplanan verileri yapay sinir ağları kullanarak sınıflandırmak ve bu sayede sürücünün davranış profilini çıkarmak amaçlanmıştır. Sürücü profillemesi üzerindeki yapılan çalışmalar incelendiğinde, akıllı telefonlardan toplanan sensör verileri, kamera görüntüleri ve aracın kendi verileri birlikte kullanılarak sürücü profili çıkarılma üzerine yoğunlaşıldığı görülmüştür. Bu çalışmadaki ise sadece aracın; hız, motor devri, gaz pedalı, fren pedalı, teker açısı ve ivmelenme gibi verileri kullanılarak sınıflandırma yapılmıştır. Sınıflandırmada iki farklı derin öğrenme metodu kullanılmıştır. Zaman bağlı veriler için sıklıkla kullanılan Uzun-Kısa Süreli Bellek (LSTM) ve görüntü işlemede kullanılan ancak zamana bağlı verilerde de tercih edilen CNN (Convolutional Neural Network) derin öğrenme metodu kullanılarak sınıflandırmadaki başarı oranları incelenmiştir. Çalışma sonucunda CNN'in daha yüksek başarı sonuçları verdiği gözlemlenmiştir.

Özet (Çeviri)

Driver profiling has a major impact on traffic safety, fuel consumption and gas emission. The purpose of this work is to feed and train the neural network with the vehicle data and classify the driver behavior. When the driver profiling studies are examined, the majority of studies have classified the driver using sensor, image and vehicle data together. In this study, only the vehicle data such as engine speed, torque, steering wheel angle etc. were used. To classify driver, two different methods were implemented. One of them is Long Short Term Memory (LSTM) Neural Network which is usually for time series data classification and the other method is Convolutional Neural Network (CNN) which is frequently used for image classification but also can be used for time series classification. In the results section of this study, the success rates of two methods in classification were analyzed and the outcomes indicated that Convolutional Neural Network provided higher success rates.

Benzer Tezler

  1. Tez No

    1001077

    Hybrid deep learning architectures for early detection and continuous monitoring of parkinson's disease using multimodal sensor data

    Çok modlu sensör verileri kullanılarak parkinson hastalığının erken tespiti ve sürekli izlenmesi için hibrit derin öğrenme mimarileri

    MARWAH MUWAFAQ KADHIM AL-MOZANI

    Doktora

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik MühendisliğiKarabük Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN DEMİREL

  2. Tez No

    964929

    Anomaly detection in ınternet of medical things using deep learning

    Anomaly detect ionin internet of medical things using deep learning

    AYŞE BETÜL BÜKEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. DEVRİM AKGÜN

  3. Tez No

    1017512

    Design, development, and control of an active transfemoral prosthesis

    Aktif transfemoral protezin tasarımı, geliştirilmesi ve kontrolü

    OMID ARFAIE KHOSROWSHAHI

    Doktora

    İngilizce

    İngilizce

    2026

    BiyomühendislikÖzyeğin Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ RAMAZAN UNAL

  4. Tez No

    992139

    Sıvılaşma potansiyelinin makine öğrenmesi yöntemleri ile tahmini

    Prediction of liquefaction potential using machine learning methods

    EYYÜP HAKAN ŞEHMUSOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    İnşaat MühendisliğiMersin Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TALAS FİKRET KURNAZ

    DOÇ. DR. CANER ERDEN

  5. Tez No

    955621

    Derin sinir ağları ve öğrenme aktarımı ile kötü amaçlı yazılım tespiti

    Malware detection with deep neural networks and transfer learning

    ŞEYMA NUR ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖZDE KARATAŞ BAYDOĞMUŞ

    DOÇ. DR. ÖNDER DEMİR

Geri Dön