The approaches monitoring fatigue driving are studied because of the fact that traffic accidents caused by fatigue driving often have fatal consequences. This paper proposes a new approach to predict driving fatigue using location data of commercial dangerous goods truck (CDT) and driver’s yawn data. The proposed location data are from an existing dataset of a transportation company that was collected from 166 vehicles and drivers in an actual driving environment. Six different categories of the predictor set are considered as fatigue-related indexes including travel time, day of week, road type, continuous driving time, average velocity, and overall mileage. The driver’s yawn data are used as a proxy for ground truth for the classification algorithm. From the six different categories of the predictor set, we obtain a set of 17 predictor variables to train logistic regression, neural network, and random forest classifiers. Then, we evaluate the predictive performance of the classifiers based on three indexes: accuracy, F1-measure, and area under the ROC curve (AUROC). The results show that the random forest is more suitable for predicting fatigue driving using location data according to its best accuracy (74.18%), F1-measure (62.02%), and AUROC (0.8059). Finally, we analyze the relationship between fatigue driving and driving environment according to variable importance described by random forest. In summary, our results obviously exhibit the potential of location data for reducing the accident rate caused by fatigue driving in practice.

中文翻译：

---

使用位置数据的商业危险品卡车疲劳驾驶预测：疲劳驾驶与驾驶环境之间的关系

由于疲劳驾驶引起的交通事故经常具有致命的后果，因此研究了疲劳驾驶监测方法。本文提出了一种利用商业危险品卡车（CDT）的位置数据和驾驶员的打哈欠数据来预测驾驶疲劳的新方法。建议的位置数据来自运输公司的现有数据集，该数据集是从实际驾驶环境中的166辆汽车和驾驶员处收集的。预测变量集的六个不同类别被认为是与疲劳相关的指标，包括行驶时间，一周中的某天，道路类型，连续驾驶时间，平均速度和总里程。驾驶员的打哈欠数据用作分类算法的地面真理的代理。从预测变量集的六个不同类别中，我们获得了一组17个预测变量来训练逻辑回归，神经网络和随机森林分类器。然后，我们基于三个指标评估分类器的预测性能：准确性，F1度量和ROC曲线下面积（AUROC）。结果表明，随机森林更适合根据其最佳准确度（74.18％），F1量度（62.02％）和AUROC（0.8059）使用位置数据预测疲劳驾驶。最后，我们根据随机森林描述的变量重要性分析了疲劳驾驶与驾驶环境之间的关系。总而言之，我们的结果显然显示了位置数据在实践中降低疲劳驾驶所导致事故率的潜力。我们基于三个指标评估分类器的预测性能：准确性，F1度量和ROC曲线下面积（AUROC）。结果表明，随机森林更适合根据其最佳准确度（74.18％），F1量度（62.02％）和AUROC（0.8059）使用位置数据预测疲劳驾驶。最后，我们根据随机森林描述的变量重要性分析了疲劳驾驶与驾驶环境之间的关系。总而言之，我们的结果显然显示了位置数据在实践中降低疲劳驾驶所导致事故率的潜力。我们基于三个指标评估分类器的预测性能：准确性，F1度量和ROC曲线下面积（AUROC）。结果表明，随机森林更适合根据其最佳准确度（74.18％），F1量度（62.02％）和AUROC（0.8059）使用位置数据预测疲劳驾驶。最后，我们根据随机森林描述的变量重要性分析了疲劳驾驶与驾驶环境之间的关系。总而言之，我们的结果显然显示了位置数据在实践中降低疲劳驾驶所导致事故率的潜力。结果表明，随机森林更适合根据其最佳准确度（74.18％），F1量度（62.02％）和AUROC（0.8059）使用位置数据预测疲劳驾驶。最后，我们根据随机森林描述的变量重要性分析了疲劳驾驶与驾驶环境之间的关系。总而言之，我们的结果显然显示了位置数据在实践中降低疲劳驾驶所导致事故率的潜力。结果表明，随机森林更适合根据位置数据的最佳准确性（74.18％），F1量度（62.02％）和AUROC（0.8059）使用位置数据进行疲劳驾驶预测。最后，我们根据随机森林描述的变量重要性分析了疲劳驾驶与驾驶环境之间的关系。总而言之，我们的结果显然显示了位置数据在实践中降低疲劳驾驶所导致事故率的潜力。