سیستم کم هزینه برای تشخیص خودکار الگوی رانندگی در ارزیابی تحرک بین شهری با استفاده از اطلاعات جغرافیایی

خلاصه

تحرک در مناطق شهری و بین شهری، عمدتاً توسط اتومبیل، فعالیت روزمره بسیاری از مردم است. با این حال، برخی از اشکالات اصلی آن ترافیک و تصادفات است. وسایل نقلیه جدید دارای سیستم های ارزیابی رانندگی از پیش نصب شده هستند که می تواند از تصادف جلوگیری کند. با این حال، اکثر خودروهای موجود در جاده های ما سیستم ارزیابی راننده ندارند. در این مقاله، ما رویکردی را برای شناخت سبک‌های رانندگی و توانمندسازی رانندگان برای رسیدن به رانندگی ایمن‌تر و کارآمدتر پیشنهاد می‌کنیم. این سیستم شامل دو حسگر فیزیکی است که به یک گره دستگاه با یک نمایشگر و یک بلندگو متصل هستند. یک شبکه عصبی مصنوعی (ANN) در گره گنجانده شده است که داده های حسگرها را تجزیه و تحلیل می کند و سپس سبک رانندگی را تشخیص می دهد. هنگامی که یک الگوی رانندگی غیرعادی تشخیص داده شود، بلندگو یک پیام هشدار پخش می کند. نمونه اولیه با استفاده از یک جاده بین شهری، به ویژه در یک جاده معمولی با سه سبک رانندگی، مونتاژ و آزمایش شد. داده های جمع آوری شده برای آموزش و اعتبار سنجی شبکه عصبی مصنوعی استفاده شد. نتایج، از نظر دقت، نشان می‌دهد که دقت بهتری زمانی به دست می‌آید که از سرعت، موقعیت (طول و عرض جغرافیایی)، زمان و سرعت چرخش برای محور ۳ استفاده شود، که دقت متوسط ۸۳٪ را ارائه می‌دهد. اگر طبقه بندی فقط با در نظر گرفتن دو سبک رانندگی معمولی و تهاجمی انجام شود، دقت به ۹۲٪ می رسد. هنگامی که اطلاعات جغرافیایی و داده های زمانی گنجانده شود، تازگی اصلی این مقاله، دقت طبقه بندی تا ۱۳ درصد بهبود یافته است. نشان می دهد که وقتی از سرعت، موقعیت (طول و عرض جغرافیایی)، زمان و سرعت چرخش برای ۳ محور استفاده می شود، دقت بهتری به دست می آید که دقت متوسط ۸۳٪ را ارائه می دهد. اگر طبقه بندی فقط با در نظر گرفتن دو سبک رانندگی معمولی و تهاجمی انجام شود، دقت به ۹۲٪ می رسد. هنگامی که اطلاعات جغرافیایی و داده های زمانی گنجانده شود، تازگی اصلی این مقاله، دقت طبقه بندی تا ۱۳ درصد بهبود یافته است. نشان می دهد که وقتی از سرعت، موقعیت (طول و عرض جغرافیایی)، زمان و سرعت چرخش برای ۳ محور استفاده می شود، دقت بهتری به دست می آید که دقت متوسط ۸۳٪ را ارائه می دهد. اگر طبقه بندی فقط با در نظر گرفتن دو سبک رانندگی معمولی و تهاجمی انجام شود، دقت به ۹۲٪ می رسد. هنگامی که اطلاعات جغرافیایی و داده های زمانی گنجانده شود، تازگی اصلی این مقاله، دقت طبقه بندی تا ۱۳ درصد بهبود یافته است.

کلید واژه ها:

ژیروسکوپ ; شتاب ; سیستم موقعیت یاب جهانی (GPS) ؛ ANN ; جاده معمولی ; سبک رانندگی ؛ رفتار رانندگی ؛ امنیت رانندگی

۱٫ معرفی

در سال ۲۰۱۸، سازمان بهداشت جهانی ۱٫۳۵ میلیون مرگ و میر سالانه در سراسر جهان را در اثر تصادفات وسایل نقلیه گزارش کرد [ ۱ ]. سرعتی که وسیله نقلیه با آن حرکت می کند مستقیماً بر خطر تصادف و شدت جراحات و همچنین احتمال مرگ ناشی از آن تصادف تأثیر می گذارد [ ۲ ]]. بنابراین، تشخیص بی‌درنگ الگوهای رانندگی غیرعادی می‌تواند با هشدار دادن به رانندگان در مورد سناریوهای خطرناک پیش‌بینی‌شده بالقوه، به طور موثری از چنین حوادث مرگباری جلوگیری کند. الگوی رانندگی نحوه رانندگی وسیله نقلیه تحت عوامل مختلف خارجی و ویژگی های شخصی است. در متن این مقاله، رفتار رانندگی یا سبک رانندگی نیز تعریف شده است. علاوه بر این، تشخیص بی‌درنگ الگوهای رانندگی غیرعادی به یک رویکرد ارزشمند برای گزارش موارد خطر شناسایی شده به مرکز مدیریت حمل‌ونقل تبدیل می‌شود [ ۳ ]. این اقدامات شامل سرعت بیش از حد، دنبال کردن نامناسب، تغییر نامنظم خط و پیچ‌های نامناسب است [ ۴ ]. سه عامل کلیدی مؤثر در تصادفات جاده ای عبارتند از خطای انسانی، قابلیت های وسیله نقلیه و زیرساخت های جاده ای [ ۵ ].]. بنابراین، انجام مطالعاتی در مورد الگوهای رانندگی در ترافیک ضروری است. تصمیماتی که در طول سفر گرفته می شود به این شرایط بستگی دارد و در الگوهای رفتاری یا سبک های رانندگی بیان می شود. در طول سه دهه گذشته، چندین مطالعه با هدف طبقه‌بندی سبک‌های رانندگی با استفاده از ابزارهای مختلف مانند گزارش‌های شخصی یا رفتارهای سینماتیک مشاهده شده انجام شده است [ ۶ ]. با این حال، سبک رانندگی نیز برای پیشنهاد چگونگی کاهش مصرف سوخت وسیله نقلیه [ ۷ ]، صرفه جویی در باتری در وسایل نقلیه الکتریکی [ ۸ ]، بهبود وضعیت سلامت رانندگی [ ۹ ]، یا برای بررسی ترافیک [ ۱۰ ] تجزیه و تحلیل می شود.

چندین پروژه تحقیقاتی قبلی روش‌هایی را برای طبقه‌بندی رانندگی تهاجمی با استفاده از داده‌ها و روش‌های مختلف بررسی کرده‌اند [ ۴ ]. هدف اصلی این مطالعات شناسایی الگوهای رفتاری به منظور توصیه مانورهای ایمن تر است. بسیاری از شرکت ها محصولات گران قیمتی را در بازار برای تعیین الگوی رانندگی راننده ارائه می کنند، عمدتاً برای بخش های تدارکات و تجاری [ ۱۱ ، ۱۲ ، ۱۳ ].

این مقاله سیستمی را برای توصیه تغییرات در الگوی رانندگی، با در نظر گرفتن رفتار رانندگی مدل‌سازی شده توسط ANN، با استفاده از یک سیستم حسگر کم‌هزینه و بدون نیاز به نصب ارائه می‌کند. تغییرات شامل سرعت خودرو، شتاب و الگوی چرخش خواهد بود. این سیستم از یک دستگاه گره، حسگرهای فیزیکی، یک صفحه نمایش کریستال مایع (LCD)، یک بلندگو و یک باتری تشکیل شده است. بنابراین، می‌توان به راننده هشدار داد که الگوهای سرعت و شتاب خودرو را افزایش یا کاهش دهد تا استانداردهای ایمنی تعریف‌شده توسط مدل حفظ شود. این مطالعه شامل تست‌های رانندگی برای مدل‌های آموزشی و اعتبارسنجی است که در منطقه والنسیا، اسپانیا انجام شده است. روش های تشخیص الگو برای شناسایی انواع مختلف سبک های رانندگی استفاده می شود. سه روش رانندگی مرتبط با سرعت، الگوهای شتاب و پیچ، اطلاعات جغرافیایی (موقعیت خودرو از نظر طول و عرض جغرافیایی) و داده های زمانی گنجانده شد. از آنجایی که دارای یک سیستم اجرای گره محلی است، نیازی به ارسال داده به ابر یا سرورها برای تشخیص خودکار الگوهای رانندگی وجود ندارد و امکان عملیات آفلاین را فراهم می کند. با این وجود، به منظور بهبود ANN، این سیستم امکان ذخیره سازی اطلاعات و امکان ارسال آن به ابر را پس از رسیدن راننده به مقصد فراهم می کند. تا آنجا که به ما مربوط می شود، هیچ مقاله دیگری استفاده از اطلاعات جغرافیایی همراه با داده های شتاب، سرعت یا چرخش را در تشخیص سبک رانندگی آزمایش نکرده است. دلیل اصلی گنجاندن اطلاعات جغرافیایی بر اساس تغییرات مورد انتظار رفتار رانندگی در مکان‌های مختلف است (به عنوان مثال، تفاوت در الگوهای رانندگی در مناطق کم ارتفاع در مقابل شیب های صعودی یا نزولی). علاوه بر این، با یک پایگاه داده گسترده، می توان از اطلاعات جغرافیایی برای شناسایی رفتار رانندگی مورد انتظار اختصاص داده شده به نوع جاده، حتی بدون نقشه راه استفاده کرد. این به سیستم ما اجازه می دهد تا بدون وابستگی به داده های خارجی نقشه راه به صورت آفلاین کار کند.

بقیه مقاله به شرح زیر سازماندهی شده است. بخش ۲ راه حل های فعلی برای ارزیابی تحرک در جاده های بین شهری را تشریح می کند. این پیشنهاد، شامل مناطق تحرک، سخت افزار، آزمون های رانندگی، و تأسیسات ANN، در بخش ۳ تعریف شده است . بخش ۴ نتایج آزمون های رانندگی را با تجزیه و تحلیل متغیرها شرح می دهد. تأثیر، تازگی و پیشرفت فراتر از وضعیت سیستم پیشنهادی و نتایج آن در بخش ۵ مورد بحث قرار گرفته است. در نهایت، بخش ۶ نتیجه اصلی این مقاله را خلاصه می کند و کار آینده ما را ارائه می دهد.

۲٫ کارهای مرتبط

در حال حاضر، راه حل های نظارتی کم هزینه کمی برای رانندگان وجود دارد. با این حال، مطالعات جایگزین‌های کم‌هزینه‌ای را با استفاده از حسگرهای موجود در تلفن‌های همراه برای ایجاد برنامه‌های کاربردی [ ۱۴ ] یا همراه با سنسورهای دیگر مانند سیستم موقعیت‌یابی جهانی (GPS) و یک شتاب‌سنج [ ۵ ] پیشنهاد می‌کنند. داده های شتاب سنج بینشی در مورد حرکت طولی و جانبی تلفن ارائه می دهد، در حالی که گیرنده GPS داخلی اطلاعات مکان را از نظر طول و عرض جغرافیایی در اختیار ما قرار می دهد [ ۵ ]]. علاوه بر این، با پیشرفت فناوری، برخی از مدل‌های گوشی‌های هوشمند دارای حسگرهای موتی داخلی هستند، مانند جمع‌آوری اطلاعات در بازار. از آنجایی که گوشی‌های هوشمند در سال‌های اخیر به طور فزاینده‌ای محبوب شده‌اند و در زندگی روزمره ما ادغام شده‌اند، برنامه‌های کاربردی وسایل نقلیه مبتنی بر گوشی‌های هوشمند بیشتر و بیشتر در سیستم‌های حمل و نقل هوشمند توسعه یافته‌اند [ ۱۸ ] . مطالعات راه‌حل‌های تشخیص رویداد رانندگی را برای هشدار دادن به رانندگان وسایل نقلیه در مورد موقعیت‌های خطرناک یا مانور هنگام رانندگی با استفاده از حسگرها و تلفن‌های هوشمند [ ۳ ، ۵ ، ۱۹ ، ۲۰ ، ۲۱ ] یا شبکه‌های عصبی برای تشخیص الگوی رانندگی [ ۲۲ ] مورد بررسی قرار می‌دهند.، ۲۳ ].

شبکه‌های عصبی مصنوعی (ANN) برای تولید پروفایل‌های مانورها و سبک‌های رانندگان برای مدل‌های شبیه‌سازی ترافیک استفاده می‌شوند. در این راستا، ANN ثابت می‌کند که یک تکنیک مدل‌سازی قدرتمند است، زیرا امکان تقریب توابع غیرخطی دلخواه با پیچیدگی را فراهم می‌کند. علاوه بر این، آنها امکان داد و ستد بین برازش و درون یابی را بسته به تعداد نورون ها در لایه پنهان می دهند [ ۲۴ ]. مدل‌های رانندگی انسانی به‌جای پیش‌بینی‌های حداکثر احتمال، توزیع‌هایی را بر روی اقدامات تولید می‌کنند که امکان پیش‌بینی تصادفی و ارزیابی ریسک آماری را فراهم می‌کند [ ۲۵ ]. بنابراین، روش‌های مختلفی برای استنباط و هشدار به راننده در زمان واقعی در مورد مانورهای ناایمن وجود دارد که بر رانندگی، پیچ‌های خطرناک یا سرعت‌های بالا تأثیر می‌گذارد [ ۲۶ ].].

دسترسی فعلی به سیستم‌های حسگر ارزان قیمت و اهمیت رفتار راننده در زمینه‌های صرفه‌جویی در انرژی خودرو، مصرف سوخت و ایمنی راننده، مطالعات بسیاری را با استفاده از فناوری‌ها در این زمینه‌ها نشان می‌دهد. بخشی از این مطالعات در این بخش برای شناسایی شکاف موجود در راه‌حل‌های موجود تحلیل می‌شود.

مانزونی و همکاران از مدلی مبتنی بر برخی متغیرها مانند شتاب و موقعیت خودرو برای تمایز بین رفتار رانندگی تهاجمی و غیرتهاجمی استفاده کرد [ ۲۷ ]. مطالعه دیگری مدل‌های ماشین عصبی را بر اساس داده‌های رانندگی طبیعی توصیف کرد و یک روش کلی برای ساخت چنین مدل‌هایی را ترسیم کرد. علاوه بر این، برخی از مطالعات از ویژگی های چهره برای کمک به پیش بینی تصادف راننده استفاده کردند. آنها دینامیک وسیله نقلیه و تحلیل چهره راننده را برای پیش بینی تصادف ترکیب کردند [ ۲۸ ].

سایر زمینه های تحقیقاتی نقش مهمی در توسعه مطالعات رفتار رانندگی انسان ایفا کردند. آلوارز و همکاران [ ۸ ] سیستمی را برای تخمین مصرف باتری یک وسیله نقلیه الکتریکی (و در نتیجه شارژ باقیمانده) با در نظر گرفتن رفتار رانندگی مدل‌سازی شده از طریق ANN، تنها با استفاده از حسگرهایی که معمولاً در تلفن‌های هوشمند فعلی موجود است، ارائه کرد. علاوه بر این، هدف [ ۲۹ ] درک بهتر ماهیت مشکلات رانندگی بالقوه در افراد مبتلا به اختلال طیف اوتیسم با عملکرد بالا بود. شینو و همکاران [ ۳۰] شاخص های پیشنهادی است که حالت های انحرافی رانندگان را تشخیص می دهد. این سیستم فرآیندهای قضاوت رانندگان را در نظر می گیرد و از محیط جاده و پایگاه داده رفتار رانندگی طبیعی استفاده می کند. برای دستیابی به این هدف، آنها بر رفتار انتخاب سرعت رانندگان در اطراف موقعیت های منحنی تمرکز کردند و فرآیند انتخاب سرعت را فرموله کردند [ ۳۰ ].

با این وجود، هیچ مطالعه دیگری با استفاده از سیستم‌های حسگر گره خارجی کم‌هزینه برای رانندگی، که هشدار ارسال می‌کنند، بدون نیاز به نصب یافت نشد. با این حال، برخی دیگر که از تلفن های هوشمند استفاده می کنند به عنوان جایگزینی کم هزینه رایج تر هستند. به عنوان مثال، نگوین و همکاران. [ ۳ ] ابتدا یک رویکرد جدید پیشنهاد کرد: تطبیق دنباله فعالیت پایه پویا (DAS)، ترکیبی از یادگیری ماشین و روش‌های مبتنی بر آستانه برای شناسایی الگوهای رانندگی عادی و غیرعادی. ثانیا، آنها یک چارچوب کارآمد برای تشخیص الگوهای رانندگی غیرعادی خاص، به عنوان مثال، بافندگی، ترمز ناگهانی و غیره ارائه کردند [ ۳ ]. در مطالعه پالتی و همکاران. [ ۱۹]، داده‌های حسگر گوشی هوشمند برای محاسبه معیارهای ترافیکی میکروسکوپی که برای این الگوهای رانندگی متوسط جایگزین شده بودند و متعاقباً با تصادفات مرتبط بودند، استفاده شد.

به طور خلاصه، رویکردهای مختلفی برای تشخیص الگو در رفتار رانندگی در ادبیات وجود دارد که از مدل‌های هوش مصنوعی استفاده می‌کنند و سیستم‌های هشدار راننده داخلی را ایجاد می‌کنند. با این وجود، یافتن نمونه‌های اولیه با استفاده از سیستم‌های حسگر کم‌هزینه هنوز دشوار است. این مقاله با مونتاژ یک نمونه اولیه که می‌تواند داده‌های جمع‌آوری‌شده توسط سنسورهای جفت شده دیگر، مانند GPS و G-sensor را ضبط کند، به این شکاف در ادبیات می‌پردازد تا به راننده خودرو در زمان واقعی در مورد مانورهای سرعت ایمن هشدار دهد.

راه حل های فعلی با هدف شناسایی الگوهای رانندگی مبتنی بر استفاده از دستگاه های متصل به خودرو و سنجش داده های موتور است. این راهکارها هزینه بالایی دارند و مختص خودروهای خاصی هستند و امکان تعویض دستگاه از خودرویی به خودرو دیگر وجود ندارد. راه حل های موجود بر اساس آن دستگاه ها با پیشنهاد ما در زمینه هزینه اقتصادی قابل مقایسه نیست. مزایای بالقوه سیستم پیشنهادی به شرح زیر است:

هزینه کم پیشنهاد ما به دلیل هزینه کمتر آن به نفع کاربران است.
تعداد بالای کاربران یک پایگاه داده بزرگتر ایجاد می کند که قوانین تصمیم گیری دقیق تری را توسط ANN ارائه می دهد.
دستیابی به سیستم پیشنهادی در مناطق با درآمد کم، به طور کلی مناطق روستایی، تضمین می کند که پایگاه داده تولید شده مناطق روستایی و مکان های کمتر پرجمعیت را پوشش می دهد.

سایر مزایایی که به قیمت پایین مرتبط نیستند عبارتند از: هشدارها به شکل سیگنال های صوتی در هنگام تغییر سبک رانندگی راننده، یادگیری مداوم بر اساس ANN و داده های تولید شده، و گنجاندن اطلاعات جغرافیایی و داده های زمانی.

۳٫ پیشنهاد سیستم

اگرچه چندین سیستم برای بهبود ایمنی و کارایی راننده ارائه شده است، اکثر آنها به دوربین ها یا سنسورهای موجود در خودروها متکی هستند. با این وجود، یک سیستم خارجی کم هزینه و بدون نیاز به نصب یافت نشد. سیستم ما مبتنی بر گره‌ای است که اطلاعاتی را در مورد یک سری پارامتر جمع‌آوری می‌کند که می‌تواند برای تشخیص الگوی رانندگی راننده به منظور ارائه توصیه‌هایی برای افزایش ایمنی حرکت استفاده شود. هوش مصنوعی (AI) برای شناسایی سبک رانندگی راننده، به ویژه شبکه های عصبی مصنوعی استفاده می شود. به منظور جلوگیری از تاخیرهای غیر ضروری، وابستگی به پوشش و هزینه اضافی استفاده از ارائه دهندگان خدمات اینترنتی، ANN به صورت محلی در گره بدون اتکا به یک سیستم محاسبات ابری اجرا می شود.

۳٫۱٫ خصوصیات مناطق تحرک

ما چهار ناحیه مختلف تحرک را برای تنظیم سیستم خود شناسایی کرده ایم ( شکل ۱ را ببینید). دو مورد از مناطق شناسایی شده متعلق به مناطق شهری (منطقه ۱ و منطقه ۴) هستند که با محدودیت سرعت کمتر و تعداد بیشتری از مقررات مؤثر بر رفتار رانندگی مانند سیگنال های STOP، ترافیک، چراغ های راهنمایی و عابر پیاده مشخص می شوند. . تفاوت اصلی هر دو منطقه در این است که در مناطق مسکونی، جاده ها عمدتاً از هر جهت از یک خط تشکیل شده و سبقت از خودروهای دیگر مجاز نیست. در محل کار، جاده ها به طور کلی با بیش از یک خط در هر جهت مشخص می شوند و پیشی گرفتن از سایر خودروها مجاز است. در مورد جاده های بین شهری، دو منطقه مختلف بر اساس نوع راه شناسایی می شوند: جاده معمولی (منطقه ۲) و بزرگراه (منطقه ۳). نسبت به جاده های معمولی که معمولاً دارای دو یا چند خط هستند، جنبه های کمتری بر مقررات در بزرگراه ها تأثیر می گذارد. در آن خطوط، پیشی گرفتن از خودروهای دیگر مجاز است. در ضمن زمانی که در جاده های معمولی یک یا دو لاین وجود دارد، در صورت مساعد بودن شرایط، سبقت گرفتن از سایر خودروها به طور کلی مجاز است. در برخی مناطق با یک خط، در صورت مساعد نبودن شرایط (دید، انحنا، شیب و غیره)، پیشی گرفتن از سایر وسایل نقلیه مجاز نیست. همچنین در رایج ترین وسایل نقلیه ای که از جاده ها در هر منطقه استفاده می کنند، تفاوت هایی وجود دارد. مهم ترین تفاوت تراکتور کشاورزی و ماشین آلات مشابه با استفاده از جاده های معمولی است. سایر تفاوت‌های مهم، مانند ظرفیت خط، حجم ترافیک، سلسله مراتب جاده و کیفیت سطح، ممکن است به طور قابل توجهی در داخل و بین مناطق حرکتی فوق‌الذکر متفاوت باشد. با این وجود، این چهار منطقه تحرک برای هدف این مقاله و برای ساده‌سازی مناطق مختلف تحرک در نظر گرفته شده‌اند. تعداد و ویژگی های مناطق تحرک را می توان در آینده افزایش داد. خلاصه ای از ویژگی های مختلف جاده های شهری و بین شهری را می توان درشکل ۱ .

به منظور آموزش و تایید سیستم پیشنهادی، سناریوی پیچیده ای از یک منطقه بین شهری، جاده متعارف، در نظر گرفته شده است. از یک طرف، تنوع شرایط موثر بر الگوهای راننده بزرگراه محدودتر است. از سوی دیگر، مناطق شهری ممکن است برای تقریب اولیه به سیستم پیشنهادی بسیار پیچیده باشند. در آینده، این سیستم باید در مناطق بیشتری آزمایش شود و مناطق و زیرمناطق جدید با ویژگی های متفاوت را شامل شود.

۳٫۲٫ توضیحات سیستم

سخت افزار سیستم از یک دستگاه گره، یک باتری، دو حسگر فیزیکی، یک صفحه نمایش کریستال مایع (LCD) و یک بلندگو تشکیل شده است. تمامی قطعات در یک جعبه مونتاژ شده اند که می تواند روی داشبورد خودرو مستقر شود.

حسگرهای فیزیکی داده هایی را در مورد الگوی رانندگی و تغییرات آن در طول مسیر جمع آوری می کنند. حسگرهای فیزیکی موجود در این سیستم یک حسگر g (همچنین به عنوان شتاب سنج یا ژیروسکوپ نیز شناخته می شود) و یک سنسور GPS هستند. به طور خاص، سنسورهای انتخاب شده GY-521 MPU-6050 [ ۳۱ ] (حسگر G) و GPS GY-NEO6MV2 [ ۳۲ ] (سنسور GPS) بودند. با سنسور G، می توان داده های شتاب را برای ۳ محور به دست آورد، که در مقاله به صورت فکس، فای و فاز تعریف شده است که در m/s ^{۲ بیان شده است.}. جهت گیری محورهای سیستم مختصات مربوط به خودرو به شرح زیر است. محور x با جهت جلو خودرو در یک راستا قرار دارد. محور y با جهت جلو خودرو مماس است. در نهایت، محور z با شتاب گرانشی همسو می شود. علاوه بر این، سرعت چرخش چرخش برای محور ۳ محور را می توان به صورت fgx، fgy و fgz محاسبه کرد که بر حسب درجه بر ثانیه بیان می شود. سنسور G دارای یک شتاب سنج قابل برنامه ریزی توسط کاربر است. محدوده انتخاب شده ۲± گرم بود. بنابراین، حساسیت ۱۶۳۸۴ LSB/g را ارائه می دهد. در مورد سنسور GPS، داده‌های پارامترهای زیر را می‌توان جمع‌آوری کرد: اطلاعات جغرافیایی (از جمله عرض جغرافیایی (°، “،”) و طول جغرافیایی (°، “،””)، زمان (hh:mm:ss)، و سرعت (km/h) حسگرها با اتصال مربوطه به پروتوبرد در شکل ۲ قابل مشاهده هستند.; به ویژه، سنسور و آنتن GPS در شکل ۲ الف، و سنسور G در شکل ۲ ب.

گره وظیفه تبدیل سیگنال هر دو سنسور را به مقدار هر یک از پارامترهای ذکر شده بر عهده دارد. علاوه بر این، گره سنسورها را نیز تامین می کند. گره طوری پیکربندی شده است که داده ها را در هر ثانیه از حسگرها بخواند. داده های حس شده بر روی LCD به صورت یک سری اعداد نمایش داده می شوند. علاوه بر این، تمام داده های حس شده در یک کارت SD ذخیره می شوند و می توان آنها را برای استفاده در آینده در فضای ابری بارگذاری کرد. در گره، تشخیص الگوی رانندگی نیز با استفاده از داده های حسگرها به عنوان ورودی برای یک شبکه عصبی مصنوعی انجام می شود. با توجه به نتیجه ANN، که می تواند یک الگوی رانندگی عادی (Nor)، محافظه کارانه (Con)، یا تهاجمی (Agg) باشد، گره یک توصیه صوتی برای راننده ایجاد می کند. داده های ذخیره شده در کارت SD را می توان به عنوان داده های برچسب گذاری شده در ANN گنجاند. پس از اتمام رانندگی راننده، داده های کارت SD را می توان در رایانه بارگیری کرد و توسط یک سرویس محاسبات ابری برچسب گذاری کرد که ANN را مطابق آخرین داده های سنجش شده تنظیم می کند. برای اطمینان از اینکه گره انتخاب شده ظرفیت محاسباتی کافی برای اجرای ANN دارد، Raspberry Pi 3 [33 ] انتخاب شد ( شکل ۳ را ببینید ).

به عنوان یک نمای کلی، شکل ۴ اجزاء و عملکردهای عناصر مختلف سیستم را خلاصه می کند. نمونه اولیه مونتاژ شده مورد استفاده در آزمایش را می توان در شکل ۵ مشاهده کرد.

۳٫۳٫ تست های رانندگی

مجموعه ای از تست های رانندگی برای تولید داده هایی انجام شده است که می تواند برای آزمایش و اعتبارسنجی سیستم ما استفاده شود. آزمایشات در منطقه والنسیا (اسپانیا) انجام شد. به طور خاص، دو شهرداری، مونتسرات و پیکاسنت. منطقه انتخاب شده برای آزمون رانندگی شامل ۱۰ کیلومتر جاده است که یک منطقه مسکونی (در Monte Rosado از شهر Montserrat) و یک محل کار (در Picassent) را به هم متصل می کند. طول این مسیر به طور متوسط ۱۰ دقیقه است و شامل دوربرگردان ها، سرعت گیرها، بازده، توقف، ترافیک جزئی و شیب هایی است که بر رانندگی تأثیر می گذارد.

به منظور شبیه سازی الگوهای مختلف رانندگی، یک راننده مسیر را با سه حالت رانندگی مختلف رانندگی کرد: Nor، Con، Agg. ابتدا راننده مسیر را در حالت عادی رانندگی کرد و الگوی صحیح رانندگی یعنی حالت Nor را شبیه سازی کرد. شتاب گیری و ترمز به طور معمول انجام می شد و دوربرگردان ها به طور منظم رانده می شدند. سرعت ماشین کمی کمتر از حد جاده بود. حالت دوم رانندگی، الگوی رانندگی Con، شامل شتاب گیری و ترمز آهسته و دقیق است و دوربرگردان ها با دقت استثنایی رانندگی می شدند. سرعت ماشین کمتر از حد مجاز جاده بود. آخرین حالت رانندگی، شبیه‌سازی الگوی رانندگی Agg، شامل شتاب‌گیری ناگهانی، ترمزگیری و دوربرگردان‌های شدید است. سرعت ماشین برابر یا کمی بالاتر از حد جاده بود.

به منظور جمع آوری تنوع شرایط، هر مسیر و الگوی رانندگی توسط یک راننده سه بار تکرار شد. از راننده خواسته شده بود که در سه تکرار تا حد امکان مشابه رانندگی کند و تفاوت مسیرها را در مورد ترافیک گزارش کند.

۳٫۴٫ تاسیس ANN

برای یافتن ترکیبی از متغیرها که الگوی رانندگی را با دقت بیشتری تشخیص می دهد، متغیرها به گروه های مختلفی تقسیم شدند. سرعت، اطلاعات جغرافیایی و داده های مربوط به زمان همیشه گنجانده شده است. با این وجود، داده های ژیروسکوپ (فکس، fay، faz، fgx، fgy، و fgz) به مقدار زیادی اضافه شدند. برای اولین آزمایش، تمام داده های ژیروسکوپ اضافه شد. برای تست های بعدی، فقط fa یا fg گنجانده شد. در آزمایش اول، ANN شامل یک لایه ورودی با ده نورون، دو لایه پنهان، و یک لایه خروجی با سه نورون (سه الگوی محرک) بود ( شکل ۶ a را ببینید). در همین حال، برای شبکه عصبی مصنوعی دوم و سوم، هفت نورون در لایه ورودی، دو لایه پنهان و یک لایه خروجی با سه نورون وجود داشت ( شکل ۶ را ببینید.ب)؛ در حالی که در ANN دوم، اطلاعات fa برای شبکه عصبی سوم اضافه شد و اطلاعات اضافه شده متعلق به داده های fg بود.

۴٫ نتایج

این بخش نتایج آزمایش ما و دقت ANN در برچسب زدن الگوی رانندگی را شرح می دهد. مرحله اول، که در بخش فرعی اول توضیح داده شد، تأیید کرد که آیا تفاوت هایی در متغیرهای تحلیل شده در سه سبک رانندگی وجود دارد یا خیر. سپس، متغیرها در ANN گنجانده شدند تا صحت سیستم پیشنهادی، نمونه اولیه و ANN را تأیید کنند. تجزیه و تحلیل، مقایسه و بحث در مورد نتایج به دست آمده را می توان در بخش ۵ یافت .

۴٫۱٫ تنوع پارامترهای مورد مطالعه

۴٫۱٫۱٫ سرعت

سرعت ثبت شده در هر ثانیه به منظور ارزیابی تفاوت بین الگوهای رانندگی آزمایش شده مورد تجزیه و تحلیل قرار گرفت. از آمار ناپارامتریک استفاده شد زیرا پارامتر از توزیع نرمال پیروی نمی کند. آزمون کروسکال-والیس نشان داد که واریانس سرعت برای الگوهای رانندگی تحلیل شده متفاوت است. نتیجه آزمون کروسکال-والیس یک مقدار p برابر با ۰ بود. میانه‌ها برای هر سبک رانندگی به ترتیب ۵۹٫۳، ۶۸٫۵ و ۷۹٫۴ کیلومتر در ساعت برای سبک‌های رانندگی Con، Nor و Agg بود. روش بونفرونی نشان داد که تفاوت بین سه گروه از نظر آماری با اطمینان ۹۵٪ متفاوت است. توزیع جغرافیایی سرعت در طول مسیر برای اولین تکرار مسیر برای هر یک از الگوهای رانندگی را می توان درشکل ۷ . ما می توانیم در شکل تفاوت های نشان داده شده توسط تجزیه و تحلیل آماری را مشاهده کنیم. رنگ ها مقدار سرعت را در هر نقطه از مسیر نشان می دهند.

۴٫۱٫۲٫ سرعت چرخش

داده‌های سرعت چرخش برای یافتن تفاوت‌هایی بین الگوهای رانندگی آزمایش‌شده مورد تجزیه و تحلیل قرار گرفت. از آنجایی که fgx، fgy و fgz از توزیع نرمال پیروی نمی کنند، از آمار ناپارامتریک استفاده شد. با شروع با fgx، آزمون کروسکال-والیس نشان داد که هیچ واریانس آماری متفاوتی در بین الگوهای رانندگی تحلیل شده وجود ندارد. نتیجه آزمون کروسکال-والیس مقدار p برابر با ۰٫۱۷۵۶۷۹ بود. برای fgy و fgz، نتایج نشان داد که از نظر آماری تفاوت معنی‌داری برای واریانس آنها یافت نشد. مقادیر p برای fgy و fgz به ترتیب برابر با ۰٫۱۱۵۰۲۸ و ۰٫۷۹۵۷۶۱ بود. توزیع fgx در طول مسیر برای اولین تکرار مسیر برای هر یک از الگوهای رانندگی در شکل ۸ نشان داده شده است.. رنگ ها مقدار fgx را در هر نقطه نشان می دهند.

۴٫۱٫۳٫ شتاب

مقادیر شتاب جمع‌آوری‌شده برای تعیین اینکه آیا بین الگوهای رانندگی آزمایش‌شده تفاوت وجود دارد یا خیر، تجزیه و تحلیل شد. مجدداً از آمار ناپارامتریک استفاده شد زیرا فکس، فای و فاز از توزیع نرمال پیروی نمی کنند. برای فکس، آزمون کروسکال-والیس نشان داد که واریانس فکس از نظر آماری با الگوهای رانندگی تجزیه و تحلیل شده تفاوتی ندارد. نتیجه آزمون کروسکال-والیس مقدار p برابر با ۰٫۵۹۸۷۳ بود. در مورد فای، نتایج همچنین هیچ تفاوتی بین الگوهای رانندگی با مقدار p ۰٫۴۵۰۸۳۴ نشان نداد. با این وجود، برای فاز، آزمون کروسکال-والیس نشان داد که واریانس آن برای الگوهای رانندگی تحلیل شده متفاوت است. ص _-value برابر با ۰٫۰۱۳۵۴۷۴ بود که نشان دهنده معنی دار بودن تفاوت از نظر آماری است. میانگین برای هر سبک رانندگی به ترتیب ۹٫۸۴، ۹٫۸۲ و ۹٫۸۹ m/s ^۲ برای سبک های رانندگی Con، Nor و Agg بود. طبق روش بونفرونی، تفاوت بین سه گروه از نظر آماری با اطمینان ۹۵ درصد متفاوت بود. توزیع جغرافیایی فکس در طول مسیر برای اولین تکرار مسیر برای هر یک از الگوهای رانندگی در شکل ۹ قابل مشاهده است. رنگ ها ارزش فکس را در هر نقطه نشان می دهند.

۴٫۲٫ عملکرد ANN

داده های جمع آوری شده در آزمون، در مجموع ۵۲۰۸ ثبت، به دو گروه تقسیم شدند: گروه های آموزشی برای آموزش ANN و گروه اعتبار سنجی. در ابتدا، داده‌های دو تکرار اول برای هر الگوی رانندگی برای آموزش شبکه عصبی مصنوعی و داده‌های آزمون سوم برای اعتبارسنجی آن استفاده شد. با این وجود، حتی اگر راننده در تکرارها تا حد امکان مشابه رانندگی کرده است، تفاوت بین مسیرها بسیار قابل توجه بود. این بدان معناست که ANN می‌تواند آموزش مجموعه داده‌ها را با دقت بالای ۹۰% طبقه‌بندی کند، اما بیشتر مجموعه داده‌های اعتبارسنجی به اشتباه طبقه‌بندی شده‌اند، با دقت زیر ۲۹%. بنابراین، داده ها را به صورت تصادفی به دو مجموعه داده تقسیم کرده ایم. اندازه‌های مختلف مجموعه داده‌های آموزشی و اعتبارسنجی انتخاب شدند (۵۰۰، ۱۵۰۰، ۲۵۰۰، ۳۵۰۰ و ۴۵۰۰ ثبت برای مجموعه داده آموزشی).

نتایج، از نظر دقت طبقه بندی برای مجموعه داده های آموزشی و اعتبار سنجی مختلف، در شکل ۱۰ قابل مشاهده است.. نتایج نشان می دهد که حداکثر دقت، صرف نظر از اندازه مجموعه داده آموزشی، زمانی به دست آمد که پارامترهای ورودی برای ANN عبارتند از: سرعت، اطلاعات جغرافیایی (طول و عرض جغرافیایی)، زمان، fgx، fgy، و fgz. نتایج، از جمله سرعت، طول جغرافیایی، طول جغرافیایی، زمان، فکس، فای، و فاز، مشابه اما کمی پایین‌تر بودند. در نهایت، دقت زمانی که تمام پارامترها گنجانده شده اند به طور قابل توجهی کمتر از سایر موارد بود. حداکثر دقت زمانی به دست آمد که اندازه مجموعه داده آموزشی بزرگتر بود. میانگین دقت برای مجموعه داده اعتبارسنجی در این موارد ۷۱٫۸۹، ۸۲٫۱۲، و ۸۳، ۸۲٪ بود که هم fa و fg، فقط fa و فقط fg را شامل می‌شد. به منظور امکان مقایسه آینده نتایج، ماتریس سردرگمی به دست آمده در مجموعه داده های آموزشی و اعتبارسنجی برای یک مورد متوسط، که فقط شامل fg است، نشان داده شده است.جدول ۱ و جدول ۲ . جدول ۱ نتایج یک مجموعه داده آموزشی را با دقت ۸۳٫۱۱% نشان می دهد، در حالی که جدول ۲ نتایج اعتبار سنجی را با دقت ۸۲٫۴۹% نشان می دهد.

۵٫ بحث

در این بخش، نتایج مقایسه تفاوت بین دقت سیستم ما و راه حل موجود در ادبیات در بخش فرعی اول را در جدول مورد بحث قرار خواهیم داد. بخش دوم به مزایای بالقوه پیشنهاد ارائه شده در مورد تحرک می پردازد. در نهایت، محدودیت‌های پیشنهاد و همچنین قابلیت‌های آینده، در بخش فرعی آخر شرح داده شده‌اند.

۵٫۱٫ پیشرفت فراتر از وضعیت هنر

در بخش ۲ ، قبلاً اشاره کردیم که چند پیشنهاد مبتنی بر حسگرهایی وجود دارد که قادر به تشخیص سبک راننده هستند. فقط [ ۲۷ ] پیشنهادی را ارائه می دهد که در آن الگوی محرک بر اساس داده ها با همان هدف سیستم ما شناسایی شده است. با این وجود، این پیشنهاد شامل داده هایی در مورد وسایل نقلیه، مانند دهانه دریچه گاز، به عنوان ورودی است. این یک تفاوت قابل توجه با سیستم های ما است زیرا ما سیستمی را پیشنهاد کرده ایم که می تواند در وسایل نقلیه مختلف استفاده شود و نیازی به اتصال فیزیکی با خودرو ندارد. علاوه بر این، در [ ۲۷ ]، هیچ آزمون رانندگی واقعی انجام نشد. فقط از یک شبیه ساز رانندگی استفاده شد. دقت [ ۲۷ ] ۸۶٫۶ درصد است که کمی بیشتر از دقت گزارش شده در جدول ۲ است .. با این وجود، مانند برخی مقالات، تنها دو سبک رانندگی (تهاجمی و عادی) مورد تجزیه و تحلیل قرار گرفت. ما مجموعه داده های خود را به منظور مقایسه تنها با دو کلاس تطبیق داده ایم. اولین گزینه حذف مجموعه داده Con است که در این صورت دقت ۸۹٫۶۴ درصد داریم. گزینه دیگر ادغام مجموعه داده های Nor و Con است. در این حالت دقت به ۹۲٫۴۳ درصد می رسد. در هر دو مورد، ما نتایج گزارش شده در [ ۲۶ ] را بهبود می بخشیم.

نمونه های دیگری از استفاده ترکیبی از تلفن های هوشمند و داده های حسگر داخل خودرو در [ ۳۴ ، ۳۵ ، ۳۶ ، ۳۷ ] ارائه شده است. در تمامی موارد از داده های واقعی آزمون رانندگی استفاده شد. در [ ۳۶ ، ۳۷ ]، تنها دو الگوی رانندگی مورد تجزیه و تحلیل قرار گرفت که حداکثر دقت ۷۶٫۲ و ۸۹٫۷٪ برای [ ۳۶ ، ۳۷ ] به دست آمد. نتایج ما بسیار مشابه هستند (زمانی که مجموعه داده Con استفاده نمی شود) یا دقت را بهبود می بخشد (زمانی که مجموعه داده Con با مجموعه داده Nor ادغام می شود) حتی بدون داده ای از حسگرهای داخل خودرو. با توجه به نتایج [ ۳۵]، سه سبک رانندگی مورد تجزیه و تحلیل قرار گرفت و دقت ۹۲٫۱۶ درصد به دست آمد. دقت ما برای طبقه بندی سه سبک کمی پایین تر است. با این وجود، سیستم ما انعطاف پذیری بیشتری نسبت به آنچه در [ ۳۵ ] ارائه شده است دارد. در [ ۳۴ ]، نویسندگان به دقت ۹۹٫۹۹٪ با پنج الگوی مختلف سبک رانندگی دست می یابند. با این وجود، روش طبقه‌بندی بسیار پیچیده‌تر از روش پیشنهادی است و احتمالاً نمی‌توان آن را در Raspberry Pi 3 تعبیه کرد. نیاز به اضافه کردن سنسورهای خاص با توجه به خودرو.

ما چند نمونه پیدا کردیم که در آنها فقط از داده های گوشی هوشمند استفاده شده بود [ ۳۷ ، ۳۸ ]. آزمون های واقعی رانندگی در هر دو مقاله انجام شد. در [ ۳۷ ]، بسیاری از متغیرهای حس‌شده توسط حسگرهای گوشی‌های هوشمند گنجانده شده‌اند، و دقت ۶۶٫۷٪ زمانی به دست می‌آید که داده‌ها با استفاده از یادگیری ماشین به دو الگوی سبک رانندگی طبقه‌بندی می‌شوند. نتایج ما دقت گزارش شده در [ ۳۷ ] را بهبود می بخشد. در نهایت، ر. [ ۳۸] شامل داده های شتاب سنج (فکس، فای و فاز) و GPS است و دو سبک رانندگی آزمایش شده است. چندین تکنیک برای طبقه بندی داده ها مقایسه شد و بهترین دقت با ماشین بردار پشتیبان (SVM) به دست آمد. دقت برای مجموعه داده های معمولی ۹۴ درصد و برای مجموعه داده های خطرناک ۹۰ درصد بود. هیچ داده ای در مورد دقت کلی داده نشده است. دقت برای مجموعه داده های ما ۹۵٪ و ۸۵٪ برای مجموعه داده های Con + Nor و Agg است. بنابراین، برای مجموعه داده Nor دقت بهتری دریافت می کنیم، اما برای مجموعه داده Agg دقت کمتری داریم. با توجه به اینکه SVM پیچیده تر از ANN است و نویسندگان [ ۳۸] همچنین از شبکه تابع پایه شعاعی با ۲۰ نورون پنهان و شعاع ۵ در تست خود استفاده کرده اند، با دقت ۸۷% و ۸۸% با الگوهای رانندگی خطرناک و عادی، پیشنهاد ما از دقت کلی بهتری برخوردار است. تمام داده های مربوط به راه حل های فعلی در جدول ۳ خلاصه شده است.

تازگی اصلی پیشنهاد ما استفاده از اطلاعات جغرافیایی و داده های زمانی به عنوان یک متغیر است. در [ ۳۸]، از داده های GPS فقط برای کالیبره کردن مجدد سرعت بردار استفاده شد. در پیشنهاد ما، از این داده ها می توان برای تقویت سیستم استفاده کرد. در سناریوهایی که اطلاعاتی در مورد محل توقف، منحنی ها، سرعت گیرها یا شیب ها وجود ندارد، سیستم یاد می گیرد که در این مناطق (مقادیر طول و عرض جغرافیایی)، کاهش سرعت طبیعی است. علاوه بر این، گنجاندن زمان به عنوان یک پارامتر به سیستم اجازه می‌دهد تا الگوهای روزانه یا هفتگی را شناسایی کند، مانند ترافیک متراکم برای دسترسی به مناطق کاری در صبح، کاهش سرعت در نزدیکی مدارس در صبح، یا ترافیک متراکم به مناطق تفریحی در آخر هفته. و غیره. این داده‌ها به پیشنهاد ما قابلیت‌های یادگیری را می‌بخشند که برای استفاده از آن در سناریوهای واقعی و متغیر کاملاً جدید و ضروری هستند. در حقیقت، ما می توانیم تشخیص دهیم که سیستم ما در حال یادگیری تأثیر موقعیت (اطلاعات جغرافیایی) و زمان بر رفتار رانندگی است. اگر آن متغیرها حذف شوند، دقت ۱۳% و در صورت عدم احتساب زمان ۹% کاهش می یابد.

چندین مقاله از داده های گوشی هوشمند برای تشخیص رویدادهای رانندگی با استفاده از پارامترهای مشابه استفاده کردند، مانند [ ۴ ، ۵ ، ۳۸ ، ۳۹ ، ۴۰ ]. با این حال، هدف مقاله ما عمیق تر و پیچیده تر است. مقالات دیگر استفاده از دستگاه های مشابه را برای تخمین مصرف سوخت ارائه می کنند، مانند [ ۴۱ ]. این نمونه ها کاربردهای بالقوه آینده نمونه اولیه پیشنهادی را نشان می دهد. در این موارد، داده های جغرافیایی فقط برای تصحیح سرعت استفاده می شوند [ ۳۷ ، ۳۸ ]، یا هیچ اطلاعاتی در مورد استفاده از آنها ارائه نمی شود [ ۴۰ ، ۴۱ ]. فقط یک مورد [ ۵] از اطلاعات جغرافیایی به عنوان متغیرهای ورودی برای تعیین رویدادهای رانندگی استفاده کرده است. با این وجود، هیچ اطلاعاتی در مورد داده های زمانی استفاده نمی شود.

به طور خلاصه، تجزیه و تحلیل راه حل های موجود و دقت آنها، تازگی پیشنهاد ما را تایید می کند، از جمله اطلاعات جغرافیایی و داده های زمانی. علاوه بر این، آنها به ما اجازه می‌دهند تأیید کنیم که دقت‌های به‌دست‌آمده با ادبیات موجود در صورت استفاده از روش‌های طبقه‌بندی مشابه، همسو هستند.

۵٫۲٫ تأثیر پیشنهاد ارائه شده بر تحرک

بر اساس جدید بودن پیشنهاد ما و طبقه بندی دقیق منطقی سبک های رانندگی، تأثیری که این نمونه اولیه ممکن است داشته باشد مشخص است. از یک طرف، نمونه اولیه را می توان در وسایل نقلیه شخصی بدون نیاز به تعویض دستگاه استفاده کرد، هنگامی که سیستم از یک وسیله نقلیه به وسیله نقلیه دیگر تغییر می کند. در این مورد، مزیت سیستم پیشنهادی کمک به راننده برای حفظ سبک رانندگی نور، به حداقل رساندن خطرات تصادفات و به حداکثر رساندن راندمان استفاده از مواد قابل احتراق یا انرژی است.

از طرفی این سیستم در خودروهای حرفه ای قابل استفاده است. در این صورت می توان چندین کاربرد احتمالی را شناسایی کرد. اول از همه، استفاده بالقوه از این سیستم در وسایل نقلیه آموزشی به زبان آموزان کمک می کند تا الگوی Nor را در شتاب گیری، چرخش و تقریب STOP ها، منحنی ها، سرعت گیرها یا شیب ها حفظ کنند. ثانیاً، می توان از آن در وسایل نقلیه حمل و نقل استفاده کرد که رتبه بندی رانندگان حرفه ای را ارائه می دهد و به مدیران کمک می کند تا توصیه های دقیق یا دوره های آموزشی را برای به حداکثر رساندن امتیاز خود به کارگران خود ارائه دهند.

در نهایت، با توجه به هزینه پایین سیستم، سادگی آن و عدم نیاز به اتصال با خودرو، سیستم پیشنهادی می تواند به سرعت مورد استفاده رانندگان قرار گیرد. با افزایش تعداد درایورها، مجموعه داده‌های آپلود شده در ابر برای آموزش ANN بزرگ‌تر می‌شوند و قوانین اضافی را ایجاد می‌کنند که می‌توان به گره‌ها اضافه کرد و دقت سیستم را افزایش داد.

۵٫۳٫ محدودیت های پیشنهاد فعلی

پیشنهاد فعلی، از جمله نمونه اولیه و ANN، در محیط های واقعی، به ویژه یک خودروی آئودی A1 آزمایش شد. در طول آزمایشات، یک باتری (Powerbank Poss 6000 mAh) برای تغذیه گره استفاده شد. مصرف باتری مشاهده شده در طول آزمایشات کمتر از ۳۰ درصد انرژی اولیه پس از بیش از سه ساعت رانندگی بود. برآوردها طول عمر احتمالی ۱۰ ساعت را نشان می دهد. اگرچه ANN در طول آزمایش کار نمی کرد، اما می توانیم تأیید کنیم که نمونه اولیه کاملاً کار می کند و مصرف باتری اطمینان می دهد که می توان از آن در اتومبیل ها حتی برای سفرهای طولانی استفاده کرد. ANN در طول آزمایش اجرا نمی شد زیرا هیچ داده برچسب گذاری شده ای وجود نداشت. آزمایش‌ها برای تولید داده‌ها، که بعداً برچسب‌گذاری می‌شوند، خدمت کردند. با این وجود، باتری های قدرتمندتر با بیش از ۲۰۰۰۰ میلی آمپر ساعت، امروزه در بازار یافت می شود.

با این وجود، محدودیت اصلی پیشنهاد ما این است که نمونه اولیه و ANN فقط در یک خودرو استفاده شده است. بنابراین، ما باید مجموعه داده را نه تنها به خودروهای دیگر (مانند میکرو، وسایل نقلیه کاربردی ورزشی، هاچ بک، پیکاپ و کوپه، در میان دیگران)، بلکه به سایر وسایل نقلیه (مانند وانت، کامیون و موتور سیکلت) نیز گسترش دهیم. از آنجایی که ما انتظار داریم که نوع وسیله نقلیه به طور قابل توجهی بر مقادیر fa و fg تأثیر بگذارد، مجموعه داده های جدیدی برای آموزش یک ANN جدید ضروری است. در این مرحله دو احتمال وجود دارد. اولین امکان، پیوستن به مجموعه داده های وسایل نقلیه مختلف است، از جمله نوع وسیله نقلیه به عنوان یک متغیر جدید در یک ANN جدید، که می تواند در همه وسایل نقلیه به جای یکدیگر با یک نشان ساده از نوع وسیله نقلیه فعلی استفاده شود. دومین امکان، داشتن مجموعه داده های مختلف و آموزش چندین ANN برای هر نوع وسیله نقلیه است. در آن صورت، نوع وسیله نقلیه متغیر نخواهد بود، بلکه ملزم به اعمال قوانین ANN این نوع خودرو خواهد بود. محدودیت اصلی گزینه دوم این است که نمونه های اولیه تجاری به ظرفیت ذخیره سازی بیشتری برای ذخیره ANN های مختلف نیاز دارند و احتمالاً اندازه مورد نیاز مجموعه داده ها بزرگتر خواهد بود.

برای سناریوهای آینده، الزامات سیستم برای دریافت یک ANN که بتواند در زمان واقعی از سایر دستگاه های واقع در سایر وسایل نقلیه یاد بگیرد، عبارتند از:

اطمینان از اتصال با پهنای باند کافی و تاخیر کم برای تبادل داده با سایر دستگاه های متصل و/یا با پایگاه داده در فضای ابری؛
دستگاه را با باتری ماشین تغذیه کنید زیرا سرعت انتقال داده بالاتر به مصرف انرژی بالایی نیاز دارد.
روشی برای برچسب گذاری داده ها در زمان واقعی از وسایل نقلیه به منظور به روز رسانی قوانین ANN ایجاد کنید.

روش های مختلفی برای برچسب گذاری داده ها در نظر گرفته شده است. (۱) اولین گزینه تعریف دو حالت عملکرد پیش فرض برای سیستم است. اولین حالت عملیات بر اساس شناسایی الگوی رانندگی خواهد بود. در همین حال، دومین حالت عملیاتی موجود بر اساس تولید داده های برچسب گذاری شده بر اساس الگوهای رانندگی شناسایی شده قبلی است. (۲) روش دوم بر اساس تصحیح و برچسب گذاری داده های غیرعادی (داده های Con و Agg) با گنجاندن یک میکروفون و یک سری دستورات صوتی است. هنگامی که راننده متوجه شود که ANN الگوی رانندگی را به درستی برچسب گذاری نمی کند، این دستورات داده های برچسب گذاری شده خودکار را تصحیح می کنند. بنابراین، نتیجه طبقه‌بندی داده‌های سیستم با دستورات صوتی را می‌توان به عنوان داده برچسب‌گذاری شده در نظر گرفت که می‌تواند داده‌های ورودی برای سایر دستگاه‌های در حال اجرا باشد.

۶٫ نتیجه گیری

تحرک در مناطق شهری یا بین شهری هنوز باعث مرگ و میر بسیاری در جاده ها می شود. اگرچه برخی از وسایل نقلیه جدید دارای سیستم هایی هستند که قادر به تشخیص و شناسایی محیط خود برای کاهش خطر تصادفات هستند، چندین خودرو هنوز از این فناوری ها برخوردار نیستند. سیستم های موجود بیشتر بر اساس سنسورهای داخل خودرو نصب شده از کارخانه هستند. ادبیات مرتبط نشان می دهد که اکثر تولیدکنندگان خودرو این مشکل را با اضافه کردن یک ماژول تشخیص حل می کنند. با این وجود، این راه حل را نمی توان به راحتی استاندارد کرد زیرا ماژول ها برای هر سازنده و مدلی خاص هستند.

این مقاله سیستمی مستقل از سازنده و مدل خودرو پیشنهاد می‌کند که تنها بر داده‌های جمع‌آوری‌شده از نمونه اولیه ساخته شده متکی است. این سیستم می تواند سبک درایور را بر اساس مدل ANN در حال اجرا بر روی یک گره در حالت آفلاین شناسایی کند. تازگی اصلی سیستم ما در مقایسه با سیستم‌های موجود، علاوه بر انعطاف‌پذیری آن، استفاده از اطلاعات جغرافیایی و داده‌های زمانی برای یادگیری تفاوت‌های رانندگی به دلیل ناهمگونی جاده (STOP، پیچ‌ها، سرعت‌گیرها یا شیب‌ها) است. ). دقت کلی سیستم ما با همه متغیرها و دو سبک غواصی ۹۲٫۴۳ درصد است که در صورت حذف داده های زمانی، ۹ درصد کاهش می یابد و اگر داده های زمانی و اطلاعات جغرافیایی لحاظ نشود، ۱۳ درصد کاهش می یابد.

کار آینده با گنجاندن سناریوهای شهری و وسایل نقلیه جدید به افزایش مجموعه داده ها مرتبط خواهد بود. علاوه بر این، همچنین با استفاده از پایگاه های داده توزیع شده به منظور مقایسه داده های جمع آوری شده ترکیب می شود [ ۴۲ ]. علاوه بر این، استفاده از SVM به عنوان یک روش طبقه بندی آزمایش خواهد شد. این واقعیت افزایش تعداد سنسورهای دستگاه های ما به منظور درک داده های محیطی، که می تواند بر رفتار راننده تأثیر بگذارد، مورد مطالعه قرار خواهد گرفت. در نهایت، ما مزایای بالقوه ترکیب داده‌های حس‌شده با اطلاعات بلادرنگ از Google Maps (یا سایر وسایل نقلیه [ ۴۳ ]) را تجزیه و تحلیل خواهیم کرد تا بررسی کنیم که آیا سیستم از داشتن اتصال برای پیشنهاد یک نسخه پیشرفته سود می‌برد یا خیر.

منابع

سازمان بهداشت جهانی. گزارش وضعیت جهانی ایمنی راه ۲۰۱۸ ; سازمان بهداشت جهانی: ژنو، سوئیس، ۲۰۱۸; پ. ۹۴٫
ویدبی، ا. فورسمن، Å. اثرات ایمنی ترافیک محدودیت های سرعت جدید در سوئد. اسید. مقعدی قبلی ۲۰۱۸ ، ۱۱۴ ، ۳۴-۳۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
نگوین، T.-H. لو، دی.-ن. نگوین، دی.-ن. نگوین، اچ.-ن. روش تطبیق دنباله فعالیت پایه پویا در تشخیص الگوی رانندگی غیرعادی با استفاده از سنسورهای تلفن هوشمند. Electronics ۲۰۲۰ , ۹ , ۲۱۷٫ [ Google Scholar ] [ CrossRef ]
جانسون، دی. Trivedi، MM تشخیص سبک رانندگی با استفاده از تلفن هوشمند به عنوان بستر سنسور. در مجموعه مقالات چهاردهمین کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند (ITSC)، واشنگتن، دی سی، ایالات متحده آمریکا، ۵ تا ۷ اکتبر ۲۰۱۱٫ [ Google Scholar ]
سایپراسرت، سی. فولپراسیت، تی. Thajchayapong، S. تشخیص رویدادهای رانندگی با استفاده از داده های حسی در تلفن هوشمند. بین المللی J. ITS Res. ۲۰۱۷ ، ۱۵ ، ۱۷-۲۸٫ [ Google Scholar ] [ CrossRef ]
یارلاگادا، ج. جین، پی. Pawar، DS ارزیابی الگوهای رانندگی حیاتی ایمنی رانندگان وسایل نقلیه سواری سنگین با استفاده از داده‌های وسیله نقلیه ابزاردار – رویکردی بدون نظارت. اسید. مقعدی قبلی ۲۰۲۱ ، ۱۶۳ ، ۱۰۶۴۶۴٫ [ Google Scholar ] [ CrossRef ]
لی، ک. لو، ام. لو، اف. Lv، Q. شانگ، ال. ماکسیموویچ، دی. نظارت و تحلیل شخصی رفتار رانندگی برای وسایل نقلیه هیبریدی در حال ظهور. در محاسبات فراگیر. فراگیر ۲۰۱۲ ، چاپ اول؛ Kay, J., Lukowicz, P., Tokuda, H., Olivier, P., Krüger, A., Eds.; Springer: برلین، آلمان، ۲۰۱۲; جلد ۷۳۱۹، ص ۱-۱۹٫ [ Google Scholar ]
آلوارز، AD; گارسیا، اف اس. نارانجو، جی. آنایا، جی جی؛ مدل سازی رفتار رانندگی وسایل نقلیه الکتریکی با استفاده از گوشی های هوشمند و شبکه های عصبی. IEEE Intell. ترانسپ سیستم Mag. ۲۰۱۴ ، ۶ ، ۴۴-۵۳٫ [ Google Scholar ] [ CrossRef ]
گونزالس، ای جی؛ وانگ، جی.ام. توماس، EM; کریگان، ای. هاستینگز، ال. پوساداس، ا. نگی، ک. وو، ع. اونتانون، اس. لی، ی. و همکاران تشخیص وضعیت سلامت راننده با نظارت بر رفتار رانندگی از طریق یادگیری ماشینی از مشاهده سیستم خبره Appl. ۲۰۲۲ ، ۱۹۹ ، ۱۱۷۱۶۷٫ [ Google Scholar ] [ CrossRef ]
خدایاری، ع. کاظمی، ر. غفاری، ع. Braunstingl, R. طراحی یک مدل مبتنی بر منطق فازی بهبود یافته برای پیش بینی رفتار متعاقب خودرو. در مجموعه مقالات کنفرانس بین المللی مکاترونیک IEEE در سال ۲۰۱۱، استانبول، ترکیه، ۱۳ تا ۱۵ آوریل ۲۰۱۱٫ ص ۲۰۰-۲۰۵٫ [ Google Scholar ]
ماشین‌های دیدنی. در دسترس آنلاین: https://seeingmachines.com/ (در ۵ اوت ۲۰۲۲ قابل دسترسی است).
Lytx. در دسترس آنلاین: https://www.lytx.com/en-us (در ۵ اوت ۲۰۲۲ قابل دسترسی است).
ترقی خواه. در دسترس آنلاین: https://www.progressive.com/manage-policy/ (در ۵ اوت ۲۰۲۲ قابل دسترسی است).
Meseguer، JE; Calafate، CT; Cano, JC; Manzoni, P. DrivingStyles: یک برنامه کاربردی تلفن هوشمند برای ارزیابی رفتار راننده. در مجموعه مقالات سمپوزیوم IEEE 2013 در کامپیوتر و ارتباطات (ISCC)، اسپلیت، کرواسی، ۷ تا ۱۰ ژوئیه ۲۰۱۳٫ صص ۰۰۰۵۳۵–۰۰۰۵۴۰٫ [ Google Scholar ]
وانگ، ی. یانگ، جی. لیو، اچ. چن، ی. گروتسر، م. مارتین، RP Sensing Vehicle Dynamics برای تعیین استفاده از تلفن راننده. در مجموعه مقالات یازدهمین کنفرانس بین المللی سالانه سیستم های تلفن همراه، برنامه ها و خدمات (MobiSys’ 13)، نیویورک، نیویورک، ایالات متحده آمریکا، ۲۵ تا ۲۸ ژوئن ۲۰۱۳٫ [ Google Scholar ]
هان، اچ. یو، جی. زو، اچ. چن، ی. یانگ، جی. زو، ی. ژو، جی. لی، ام. سنسپید: سنجش شرایط رانندگی برای تخمین سرعت خودرو در محیط‌های شهری. در مجموعه مقالات کنفرانس IEEE در زمینه ارتباطات کامپیوتری، تورنتو، ON، کانادا، ۲۷ آوریل ۲۰۱۴٫ [ Google Scholar ]
ردی، اس. مون، م. بورک، جی. استرین، دی. هانسن، ام. Srivastava, M. استفاده از تلفن های همراه برای تعیین حالت های حمل و نقل. ACM Trans. Sens. Netw. ۲۰۱۰ ، ۶ ، ۱-۲۷٫ [ Google Scholar ] [ CrossRef ]
چن، ز. یو، جی. زو، ی. چن، ی. Li, M. D3: تشخیص و شناسایی رفتارهای رانندگی غیرعادی با استفاده از سنسورهای تلفن هوشمند. در مجموعه مقالات دوازدهمین کنفرانس بین المللی سالانه IEEE در مورد سنجش، ارتباطات و شبکه (SECON)، سیاتل، WA، ایالات متحده آمریکا، ۲۲ تا ۲۵ ژوئن ۲۰۱۵٫ [ Google Scholar ]
پالتی، ر. شاهین، ا. Cetin، M. مدل سازی تاثیر الگوهای رانندگی پنهان بر ایمنی ترافیک با استفاده از داده های حسگر تلفن همراه. اسید. مقعدی قبلی ۲۰۱۷ ، ۱۰۷ ، ۹۲-۱۰۱٫ [ Google Scholar ] [ CrossRef ]
سینگ، پی. جونجا، ن. کاپور، اس. استفاده از حسگرهای تلفن همراه برای تشخیص رفتار رانندگی. در مجموعه مقالات سومین سمپوزیوم ACM در محاسبات برای توسعه (ACM DEV’ 13)، نیویورک، نیویورک، ایالات متحده آمریکا، ۱۱ تا ۱۲ ژانویه ۲۰۱۳٫ [ Google Scholar ]
چابرا، ر. ورما، اس. راما، KC تشخیص رفتار تهاجمی رانندگی با استفاده از تلفن همراه هوشمند. در مجموعه مقالات دومین کنفرانس بین المللی ارتباطات، محاسبات و شبکه ، ویرایش اول. کریشنا، سی، دوتا، ام.، کومار، آر.، ویرایش. Springer: سنگاپور، ۲۰۱۹؛ جلد ۴۶٫ [ Google Scholar ]
مک آدام، سی. بارکت، ز. فنچر، پ. اروین، آر. استفاده از شبکه های عصبی برای شناسایی سبک رانندگی و رفتار کنترل پیشروی رانندگان. وه سیستم دین ۲۰۰۷ ، ۲۹ ، ۱۴۳-۱۶۰٫ [ Google Scholar ] [ CrossRef ]
سید، ر. اسکندریان، الف. تشخیص خواب آلودگی محجوب توسط شبکه عصبی یادگیری فرمان راننده. جی. اتوموب. مهندس ۲۰۰۱ ، ۲۱۵ ، ۹۶۹-۹۷۵٫ [ Google Scholar ] [ CrossRef ]
هلستروم، ای. ایوارسون، ام. اسلوند، جی. Nielsen, L. کنترل نگاه به جلو برای کامیون های سنگین برای به حداقل رساندن زمان سفر و مصرف سوخت. مهندسی کنترل تمرین کنید. ۲۰۰۹ ، ۱۷ ، ۲۴۵-۲۵۴٫ [ Google Scholar ] [ CrossRef ]
مورتون، جی. ویلر، TA; Kochenderfer، MJ تجزیه و تحلیل شبکه های عصبی بازگشتی برای مدل سازی احتمالی رفتار راننده. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۷ ، ۱۸ ، ۱۲۸۹-۱۲۹۸٫ [ Google Scholar ] [ CrossRef ]
محمد، ک. الله، ع. لورت، جی. دل سر، جی. وی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۲۰ ، ۲۲ ، ۴۳۱۶-۴۳۳۶٫ [ Google Scholar ] [ CrossRef ]
وانگ، دبلیو. شی، جی. چونگ، آ. Li, L. طبقه بندی سبک رانندگی با استفاده از ماشین بردار پشتیبانی نیمه نظارت شده. IEEE Trans. هوم ماخ سیستم ۲۰۱۷ ، ۴۷ ، ۶۵۰-۶۶۰٫ [ Google Scholar ] [ CrossRef ]
جابون، م. بیلنسون، جی. پونتیکاکیس، ای. تاکایاما، ال. ناس، سی. تجزیه و تحلیل بیان چهره برای پیش بینی رفتار رانندگی ناایمن. محاسبات فراگیر IEE ۲۰۱۱ ، ۱۰ ، ۸۴-۹۵٫ [ Google Scholar ] [ CrossRef ]
ریمر، بی. فرید، آر. مهلر، بی. جوشی، جی. بولفک، ا. گادفری، ا. ژائو، ن. گلدین، آر. Biederman، J. گزارش مختصر: بررسی رفتار رانندگی در بزرگسالان جوان با اختلالات طیف اوتیسم با عملکرد بالا: یک مطالعه آزمایشی با استفاده از یک الگوی شبیه‌سازی رانندگی. J. اوتیسم Dev. بی نظمی ۲۰۱۳ ، ۴۳ ، ۲۲۱۱-۲۲۱۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
شینو، م. یوشیتاکه، اچ. هیراماتسو، م. سوندا، تی. Kamata، M. روش تشخیص حالت انحرافی در رانندگی در اطراف پیچ ها بر اساس پایگاه داده رفتار رانندگی طبیعی برای سیستم های کمک راننده. بین المللی J Automot. تکنولوژی ۲۰۱۴ ، ۱۵ ، ۷۴۹-۷۵۵٫ [ Google Scholar ] [ CrossRef ]
برگه داده GY-521 MPU-6050. در دسترس آنلاین: https://invensense.tdk.com/wp-content/uploads/2015/02/MPU-6000-Datasheet1.pdf (در ۱ اوت ۲۰۲۲ قابل دسترسی است).
برگه اطلاعات PS GY-NEO6MV2. در دسترس آنلاین: https://www.openimpulse.com/blog/wp-content/uploads/wpsc/downloadables/GY-NEO6MV2-GPS-Module-Datasheet.pdf (در ۱ اوت ۲۰۲۲ قابل دسترسی است).
برگه اطلاعات Raspberry Pi 3. در دسترس آنلاین: https://static.raspberrypi.org/files/product-briefs/Raspberry-Pi-Model-Bplus-Product-Brief.pdf (دسترسی در ۱ اوت ۲۰۲۲).
شاهوردی، م. فتحی، م. برنگی، ر. Sabokrou, M. شناسایی رفتار راننده و طبقه بندی با استفاده از شبکه های عصبی کانولوشن عمیق. سیستم خبره Appl. ۲۰۲۰ , ۱۴۹ , ۱۱۳۲۴۰٫ [ Google Scholar ] [ CrossRef ]
لیو، ی. وانگ، جی. ژائو، پی. کین، دی. Chen, Z. تحقیق در مورد طبقه بندی و شناخت سبک های رانندگی بر اساس مهندسی ویژگی. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۸۹۲۴۵–۸۹۲۵۵٫ [ Google Scholar ] [ CrossRef ]
لاتانزی، ای. کاستلوچی، جی. Freschi، V. بهبود یادگیری ماشین شناسایی رفتار راننده ناایمن با استفاده از ترکیب حسگر. Appl. علمی ۲۰۲۰ ، ۱۰ ، ۶۴۱۷٫ [ Google Scholar ] [ CrossRef ]
هنگ، جی اچ. حاشیه، بی. Dey، AK یک پلتفرم حسگر مبتنی بر تلفن هوشمند برای مدل‌سازی رفتارهای تهاجمی رانندگی. در مجموعه مقالات کنفرانس SIGCHI در مورد عوامل انسانی در سیستم های محاسباتی، تورنتو، ON، کانادا، ۲۶ آوریل تا ۱ مه ۲۰۱۴٫ ص ۴۰۴۷–۴۰۵۶٫ [ Google Scholar ]
Bejani، MM و Ghatee، M. یک سیستم آگاه از زمینه برای ارزیابی سبک رانندگی توسط گروهی که بر روی داده‌های حسگرهای گوشی هوشمند یادگیری می‌کند. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۱۸ ، ۸۹ ، ۳۰۳-۳۲۰٫ [ Google Scholar ] [ CrossRef ]
دپتاردار، س. لاکشمینارایانان، وی. ردی، اس. نیر، س. سهو، س. Sinha، P. Hidden Markov مبتنی بر تشخیص رویداد رانندگی و پروفایل راننده از داده‌های حسگر اینرسی تلفن همراه. در مجموعه مقالات سنسورهای IEEE 2015، بوسان، کره، ۱ تا ۴ نوامبر ۲۰۱۵٫ صص ۱-۴٫ [ Google Scholar ]
سینگ، جی. بانسال، دی. Sofat, S. تکنیکی مبتنی بر تلفن هوشمند برای نظارت بر رفتار رانندگی با استفاده از DTW و سنجش جمعیت. اوباش فراگیر. محاسبه کنید. ۲۰۱۷ ، ۴۰ ، ۵۶-۷۰٫ [ Google Scholar ] [ CrossRef ]
Meseguer، JE; Toh, CK; Calafate، CT; Cano, JC; Manzoni, P. Drivingstyles: یک پلت فرم متحرک برای سبک های رانندگی و مشخصه مصرف سوخت. J. Commun. شبکه ۲۰۱۷ ، ۱۹ ، ۱۶۲-۱۶۸٫ [ Google Scholar ] [ CrossRef ]
دیالو، او. رودریگز، JJPC; سنه، م. Lloret, J. تکنیک های مدیریت پایگاه داده توزیع شده برای شبکه های حسگر بی سیم. IEEE Trans. توزیع موازی سیستم ۲۰۱۳ ، ۲۶ ، ۶۰۴-۶۲۰٫ [ Google Scholar ] [ CrossRef ]
غفور، کز; ابوبکر، ک. لورت، جی. خوخر، RH; Lee, KC حمل و نقل جغرافیایی بدون چراغ هوشمند برای محیط های خودروهای شهری. سیم. شبکه ۲۰۱۳ ، ۱۹ ، ۳۴۵-۳۶۲٫ [ Google Scholar ] [ CrossRef ]