当前位置: X-MOL 学术J. Intell. Transp. Syst. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Driver’s black box: a system for driver risk assessment using machine learning and fuzzy logic
Journal of Intelligent Transportation Systems ( IF 2.8 ) Pub Date : 2020-12-02 , DOI: 10.1080/15472450.2020.1852083
A. S. Yuksel 1 , S. Atmaca 2
Affiliation  

Abstract

Risky driving behaviors can cause accidents, which may result in major material and moral damages. Due to the increase in road accidents, it has become an important issue to identify risky driving behaviors and reward people who drive safely. With the development of technology, it is now possible to model driving behavior through advanced sensors integrated into embedded systems. In this study, we modeled four major risky driving behaviors and created driver profiles using data obtained from accelerometer and gyroscope sensors and applying widely used machine learning algorithms in behavior analysis, including the C4.5 Decision Tree, Random Forest, Artificial Neural Network, Support-Vector Machine, K-Nearest Neighbor, Naive Bayes, and K-Star algorithms. Risky driving behaviors and their risk levels were evaluated in accordance with the expert opinions of traffic officers, and driver risk was modeled using the fuzzy logic method. The applied machine learning algorithms were compared using common validation metrics such as accuracy, f-measure, precision, and recall. In our experiments, the K-Star algorithm was the most successful algorithm, with 100% accuracy. As a result, a highly accurate, low-cost system which acts as the driver’s black box was developed. The system can be integrated into vehicles and it can record the driver’s behaviors and identify the risky ones. It can also open up new horizons for insurance companies to utilize usage-based policies, in which customers who drive safely are rewarded with lower car insurance premiums, encouraging others to do the same.



中文翻译:

驾驶员黑匣子:使用机器学习和模糊逻辑进行驾驶员风险评估的系统

摘要

危险的驾驶行为可能导致事故,这可能会导致重大的物质和精神损失。由于道路交通事故的增加,识别危险驾驶行为并奖励安全驾驶的人已成为一个重要问题。随着技术的发展,现在可以通过集成到嵌入式系统中的先进传感器对驾驶行为进行建模。在这项研究中,我们使用从加速度计和陀螺仪传感器获得的数据并在行为分析中应用广泛使用的机器学习算法(包括 C4.5 决策树、随机森林、人工神经网络、支持)对四种主要的危险驾驶行为进行建模并创建驾驶员档案-Vector Machine、K-Nearest Neighbor、Naive Bayes 和 K-Star 算法。根据交通官员的专家意见对危险驾驶行为及其风险等级进行评估,并使用模糊逻辑方法对驾驶员风险进行建模。应用的机器学习算法使用常见的验证指标进行比较,例如准确性、f 度量、精度和召回率。在我们的实验中,K-Star 算法是最成功的算法,准确率为 100%。因此,开发了一种作为驾驶员黑匣子的高精度、低成本系统。该系统可以集成到车辆中,可以记录驾驶员的行为并识别危险的行为。它还可以为保险公司利用基于使用情况的政策开辟新的视野,其中安全驾驶的客户可以获得较低的汽车保险费,鼓励其他人也这样做。并且使用模糊逻辑方法对驾驶员风险进行建模。应用的机器学习算法使用常见的验证指标进行比较,例如准确性、f 度量、精度和召回率。在我们的实验中,K-Star 算法是最成功的算法,准确率为 100%。因此,开发了一种作为驾驶员黑匣子的高精度、低成本系统。该系统可以集成到车辆中,可以记录驾驶员的行为并识别危险的行为。它还可以为保险公司利用基于使用情况的政策开辟新的视野,其中安全驾驶的客户可以获得较低的汽车保险费,鼓励其他人也这样做。并且使用模糊逻辑方法对驾驶员风险进行建模。应用的机器学习算法使用常见的验证指标进行比较,例如准确性、f 度量、精度和召回率。在我们的实验中,K-Star 算法是最成功的算法,准确率为 100%。因此,开发了一种作为驾驶员黑匣子的高精度、低成本系统。该系统可以集成到车辆中,可以记录驾驶员的行为并识别危险的行为。它还可以为保险公司利用基于使用情况的政策开辟新的视野,其中安全驾驶的客户可以获得较低的汽车保险费,鼓励其他人也这样做。应用的机器学习算法使用常见的验证指标进行比较,例如准确性、f 度量、精度和召回率。在我们的实验中,K-Star 算法是最成功的算法,准确率为 100%。因此,开发了一种作为驾驶员黑匣子的高精度、低成本系统。该系统可以集成到车辆中,可以记录驾驶员的行为并识别危险的行为。它还可以为保险公司利用基于使用情况的政策开辟新的视野,其中安全驾驶的客户可以获得较低的汽车保险费,鼓励其他人也这样做。应用的机器学习算法使用常见的验证指标进行比较,例如准确性、f 度量、精度和召回率。在我们的实验中,K-Star 算法是最成功的算法,准确率为 100%。因此,开发了一种作为驾驶员黑匣子的高精度、低成本系统。该系统可以集成到车辆中,可以记录驾驶员的行为并识别危险的行为。它还可以为保险公司利用基于使用情况的政策开辟新的视野,其中安全驾驶的客户可以获得较低的汽车保险费,鼓励其他人也这样做。开发了充当驾驶员黑匣子的低成本系统。该系统可以集成到车辆中,可以记录驾驶员的行为并识别危险的行为。它还可以为保险公司利用基于使用情况的政策开辟新的视野,其中安全驾驶的客户可以获得较低的汽车保险费,鼓励其他人也这样做。开发了充当驾驶员黑匣子的低成本系统。该系统可以集成到车辆中,可以记录驾驶员的行为并识别危险的行为。它还可以为保险公司利用基于使用情况的政策开辟新的视野,其中安全驾驶的客户可以获得较低的汽车保险费,鼓励其他人也这样做。

更新日期:2020-12-02
down
wechat
bug