Driving maneuvers detection is an important component of proactive traffic safety management and connected vehicle systems. Most of the existing studies used supervised learning concepts to train their models with labeled data. These methods achieved promising results but were limited by the heavy dependence on the labeled data. With the development of mobile sensing technologies, massive traffic-related data can be efficiently collected by mobile devices (e.g., smartphones, tablets, etc.). Considering the high costs of labeling data, this paper proposed a semi-supervised deep learning method to learn from the unlabeled data. Data from a smartphone’s accelerometer and gyroscope were collected by different drivers with a variety of smartphones, vehicles, and locations. Three long short-term memory (LSTM) models were trained with the proposed semi-supervised learning algorithm. Experimental results indicated that the proposed semi-supervised LSTM could learn from the unlabeled data and achieve outstanding results with only a small portion of the labeled data. Using much fewer labeled data, semi-supervised LSTM could achieve similar results compared with the supervised method. Moreover, the proposed method outperformed other machine learning methods (e.g., convolutional neural network, XGBoost, random forest) on precision, recall, F1-score, and area under curve. More and more traffic data will be available in the future, the proposed method is expected to make use of the undiscovered potential from the massive unlabeled data.

驾驶操作检测是主动交通安全管理和联网车辆系统的重要组成部分。现有的大多数研究都使用监督学习概念来训练带有标签数据的模型。这些方法取得了可喜的结果，但受到严重依赖标记数据的限制。随着移动感测技术的发展，可以通过移动设备（例如，智能手机，平板电脑等）有效地收集与交通相关的大量数据。考虑到标签数据的高昂成本，本文提出了一种半监督式深度学习方法来从未标签数据中学习。来自智能手机的加速度计和陀螺仪的数据是由具有各种智能手机，车辆和位置的不同驾驶员收集的。使用建议的半监督学习算法训练了三个长短期记忆（LSTM）模型。实验结果表明，提出的半监督LSTM可以从未标记的数据中学习，并且仅使用一小部分标记的数据即可获得出色的结果。与监督方法相比，使用少得多的标记数据，半监督LSTM可以获得类似的结果。此外，所提出的方法在精度，召回率，F1得分和曲线下面积方面优于其他机器学习方法（例如，卷积神经网络，XGBoost，随机森林）。将来会有越来越多的交通数据可用，预计该方法将利用海量未标记数据中未发现的潜力。实验结果表明，提出的半监督LSTM可以从未标记的数据中学习，并且仅使用一小部分标记的数据即可获得出色的结果。与监督方法相比，使用少得多的标记数据，半监督LSTM可以获得类似的结果。此外，所提出的方法在精度，召回率，F1得分和曲线下面积方面优于其他机器学习方法（例如，卷积神经网络，XGBoost，随机森林）。将来会有越来越多的交通数据可用，预计该方法将利用海量未标记数据中未发现的潜力。实验结果表明，提出的半监督LSTM可以从未标记的数据中学习，并且仅使用一小部分标记的数据即可获得出色的结果。与监督方法相比，使用少得多的标记数据，半监督LSTM可以获得类似的结果。此外，所提出的方法在精度，召回率，F1得分和曲线下面积方面优于其他机器学习方法（例如，卷积神经网络，XGBoost，随机森林）。将来会有越来越多的交通数据可用，预计该方法将利用海量未标记数据中未发现的潜力。与监督方法相比，半监督LSTM可以获得类似的结果。此外，所提出的方法在精度，召回率，F1得分和曲线下面积方面优于其他机器学习方法（例如，卷积神经网络，XGBoost，随机森林）。将来会有越来越多的交通数据可用，预计该方法将利用海量未标记数据中未发现的潜力。与监督方法相比，半监督LSTM可以获得类似的结果。此外，所提出的方法在精度，召回率，F1得分和曲线下面积方面优于其他机器学习方法（例如，卷积神经网络，XGBoost，随机森林）。将来会有越来越多的交通数据可用，预计该方法将利用海量未标记数据中未发现的潜力。