Geri Dön

Driver behavior analysis based on vehicle diagnostic data

Araç tanı verilerinden sürücü davranış analizi

  1. Tez No: 731393
  2. Yazar: CANER ASLAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ YAKUP GENÇ
  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: 2022
  8. Dil: İngilizce
  9. Üniversite: Gebze Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 63

Özet

Bu araştırmanın amacı, sürüş davranışı analizinde iki ayrı alt probleme çözüm bulmaktı: sürücü kimlik tespiti ve sürücü davranış tespiti. İlk olarak, yapay sinir ağları ile araç tanı verileri kullanılarak makine öğrenme yöntemlerinin en zorlu adımlarından olan öznitelik çıkarımı olmaksızın sürücü kimlik tespiti yapılmıştır. Literatürde kullanılan veri kümeleri ile birlikte, deneysel olarak 5 farklı sürücü ile kırsal yol, şehiriçi ve otoyol güzergahlarını içerecek şekilde toplanan veri kümesi kullanılmıştır. Sürücü tespiti problemine çözüm için kurulmuş olan tamamen evrişimli sinir ağı mimarisi ile literatürde yer alan tekrarlayan sinir ağı tabanlı ve geleneksel makine öğrenme yöntemlerindeki başarı oranının üstüne çıkılmıştır. Veri eğitiminde ve doğrulamasında kayan pencere yöntemindeki pencere boyutu azaltılarak daha fazla veri üzerinde gözlemleme yeteneği kazandırılmıştır. Aynı zamanda modelin diskte kapladığı alan ve kayan nokta işlem sayısı düşürülerek araç içi sistemlerde kullanım olanağı arttırılmıştır. Sonuçlar katlamalı doğrulama ile elde edilirken, rota üzerinde tek sürüş içeren veri kümelerinde zaman serisi bölütleme yöntemi ile kıyaslanmıştır. İkinci olarak, sürüş davranışı tespit problemi için özel olarak tasarlanmış donanım ve bu donanım üzerinde geliştirilmiş yazılım bileşenleri kullanılarak 7 farklı sürücünün kişisel araçlarından 3 aya kadar doğal sürüş verileri toplanmıştır. Literatürdeki çalışmalardan farklı olarak, önerilen otomatik kodlayıcı mimarisi ve kümeleme yöntemi ile sürüş davranışı verileri otomatik olarak etiketlenmektedir. Benzerlik ölçümü için kullanılan Öklid mesafesine ek olarak, Mahalanobis mesafesi ve aykırı veri noktalarının kümeleme sonuçları üzerindeki etkisi t-SNE (t-dağıtılmış stokastik komşu yerleştirme) kullanılarak görselleştirilmiştir. Makine öğrenmesi teknikleri kullanılarak, etiketlenmiş davranış verileri %99 doğrulukla sınıflandırılmıştır. Sonuçlar zaman serisi bölütleme tekniği ile doğrulanmıştır. Ayrıca, önerilen tamamen evrişimli sinir ağı mimarisi ile farklı pencere boyutlarının kümeleme ve sınıflandırmaya olan etkisi araştırılmıştır.

Özet (Çeviri)

The goal of this research was to find solutions to two separate sub-problems in driving behavior analysis: driver identification and behavior detection. Firstly, driver identification task was performed using artificial neural networks and vehicle diagnosis data without feature engineering which is one of the most challenging steps of machine learning methods. Along with the data sets used in the literature, the data set including rural road, urban and highway routes with 5 different drivers was collected and used experimentally. With the FCN (Fully Convolutional Network) architecture established to solve the problem, the success rate of RNN (Recurrent Neural Network)-based architectures and traditional machine learning methods in the literature has been exceeded. The window size parameter has been reduced in training and validation. At the same time, model size and the number of floating-point operations were reduced, increasing the possibility of use in in-vehicle systems. While the results are obtained with the stratified fold validation, they are compared with the timeseries segmentation method in data sets containing a single drive on the route. Secondly, by using specially designed hardware and developed software components for the driving behavior detection problem, natural driving data for up to 3 months was collected from the personal vehicles of 7 different drivers. Unlike studies in the literature, driving behavior data is automatically labeled with the proposed autoencoder architecture and clustering method. In addition to the Euclidean distance used for similarity measurement, the effect of Mahalanobis distance and outlier data points on the clustering results was visualized using t-SNE (t-distributed stochastic neighbor embedding). Machine learning methods were used to classify labeled behavior data with 99% accuracy, and the results were validated using a timeseries segmentation technique. Also, the effect of different window sizes was investigated with the proposed FCN architecture.

Benzer Tezler

  1. Gauss tipi olmayan ve durağan olmayan yükleme koşullarının frekans uzayında yorulma ömrü tahminine etkisi

    The effect of non-Gaussian and non-stationary loading conditions on fatgue life estimation in frequency domain

    TARIK BALDAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. ATA MUGAN

  2. Human factor based advanced driver-assistance system (ADAS) design for electric vehicle

    Elektrikli araç için insan faktörü tabanlı gelişmiş sürücü yardım sistemi (ADAS) tasarımı

    DAĞHAN DOĞAN

    Doktora

    İngilizce

    İngilizce

    2022

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. OVSANNA SETA ESTRADA

  3. Facial feature point tracking based on a graphical model framework

    Grafiksel model tabanlı yüz öznitelik nokta takibi

    SERHAN COŞAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2008

    Elektrik ve Elektronik MühendisliğiSabancı Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    PROF. DR. AYTÜL ERÇİL

    YRD. DOÇ. DR. MÜJDAT ÇETİN

  4. Sinyalize kavşaklarda trafik ışık sürelerinin belirlenmesi için uyarlamalı etkin dinamik bir ışık kontrol yöntem(algoritma) önerileri

    Adaptive efficient dynamic signal control method(algori̇thm)proposals for determining traffic light durations at signalized intersections

    TUĞÇE İNAĞ

    Doktora

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiGazi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MURAT ARIKAN

  5. Akıllı bağlantılı araçlar için yeşil ışık optimum hız danışmanlığı (GLOSA) trafik akışı analizi

    Green light optimal speed advisory (GLOSA) traffic flow analysis for intelligent connected vehicles

    ŞAHAP OKAN KISA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiSüleyman Demirel Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ESİN YAVUZ