Πρότυπα μηχανικής μάθησης για την αναγνώριση ακραίας οδηγικής συμπεριφοράς

Ζυγούρης, Μιχαήλ; Zygouris, Michail

dc.contributor.author	Ζυγούρης, Μιχαήλ	el
dc.contributor.author	Zygouris, Michail	en
dc.date.accessioned	2016-07-29T06:30:02Z
dc.date.available	2016-07-29T06:30:02Z
dc.date.issued	2016-07-29
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/43326
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.12631
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Οδηγική συμπεριφορά	el
dc.subject	Ακραία γεγονότα	el
dc.subject	Έξυπνα κινητά	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ανομοιογενή δείγματα	el
dc.subject	Driving behavior	en
dc.subject	Extreme events	en
dc.subject	Smartphones	en
dc.subject	Machine learning	en
dc.subject	Inhomogeneous samples	en
dc.title	Πρότυπα μηχανικής μάθησης για την αναγνώριση ακραίας οδηγικής συμπεριφοράς	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-07-19
heal.abstract	Αντικείμενο της παρούσας Διπλωματικής Εργασίας είναι η διερεύνηση της κυκλοφοριακής συμπεριφοράς του οδηγού μέσω της χρήσης αισθητήρων του έξυπνου κινητού. Πιο συγκεκριμένα θα εξεταστεί το αν στοιχεία οδήγησης του οδηγού όπως η ταχύτητα, η επιτάχυνση κτλ μπορούν όχι μόνο να βοηθήσουν να καθοριστεί η οδηγική συμπεριφορά αλλά και η πρόβλεψη της. Επιπρόσθετος σκοπός της Διπλωματικής Εργασίας αποτελεί η επιλογή του κατάλληλου κατηγοριοποιητή (classifier) έτσι ώστε να αναπτυχθεί η εφαρμογή. Η σωστή επιλογή κατηγοριοποιητή έχει ως επακόλουθο την πιο ορθή χρήση των μεταβλητών που ορίστηκε με αποτέλεσμα την πιο αξιόπιστη πρόβλεψη της οδηγικής συμπεριφοράς. Η συλλογή των απαιτούμενων δεδομένων πραγματοποιήθηκε από δύο πηγές. Η πρώτη αφορά στους αισθητήρες που βρίσκονται σε έξυπνα κινητά, όπως επιταχυνσιόμετρο, γυροσκόπιο, και GPS. Η δεύτερη αφορά σε συσκευή στη θύρα OBD-II του οχήματος, η οποία είναι εξοπλισμένη με επιταχυνσιόμετρο και GPS, αλλά συλλέγει και δεδομένα από τον «εγκέφαλο» του οχήματος. Δεδομένου ότι η δυνατότητα αξιοποίησης των στοιχείων αυτών είναι σχετικά πρόσφατη, πρόκειται για ένα θέμα το οποίο δεν έχει μελετηθεί ιδιαιτέρως ούτε διεθνώς ούτε στην Ελλάδα, ωστόσο, όπως προκύπτει και από τη βιβλιογραφική ανασκόπηση, τα τελευταία χρόνια χάρη στην εξέλιξη της τεχνολογίας, παρατηρείται μία αυξανόμενη ενασχόληση του επιστημονικού κόσμου γύρω από το συγκεκριμένο ζήτημα. Τα δεδομένα καταγράφηκαν ανά δευτερόλεπτο στα ταξίδια διαφόρων οδηγών για 2 μήνες (Ιανουάριο και Φεβρουάριο του 2016) χρησιμοποιώντας εναλλασσόμενα τρείς συσκευές smartphone και tablet. Συνολικά χρησιμοποιήθηκαν 24 διαφορετικοί οδηγοί. Ως αποτέλεσμα της προκαταρκτικής ανάλυσης των δεδομένων υπάρχει η τελική αναγνώριση της συγκεκριμένης χρονικής στιγμής για ένδειξη ύπαρξης συμβάντος ή μη- συμβάντος. Η ανομοιογένεια μεταξύ των δύο κλάδων της πρόβλεψης, συμβάν ή κανονική οδήγηση, αντιμετωπίστηκε με μια στρατηγική δειγματοληψίας για μη ισορροπημένα δείγματα . Μέσω της στρατηγικής αυτής επιτυγχάνεται αύξηση του ποσοστού των συμβάντων λόγω κατάλληλης διαγραφής δεδομένων κανονικής οδήγησης από το δείγμα. Μετά την κατάλληλη επεξεργασία των δεδομένων, αναπτύχθηκαν 4 διαφορετικοί κατηγοριοποιητές :  Δέντρο απόφασης : J48- Consolidated  Δίκτυο Bayes : Bayes_net  Πολυεπίπεδο νευρωνικό δίκτυο: multi-layer perception  Λογιστική παλινδρόμηση: logistic Σκοπός ήταν να προβλεφθούν οι εξαρτημένες μεταβλητές :  Απότομη επιτάχυνση/ επιβράδυνση  Απότομος ελιγμός Συνοπτικά, από τις αναλύσεις που διεξήχθησαν προέκυψε ότι τα δεδομένα τα οποία καταγράφονται από τους αισθητήρες των έξυπνων κινητών μπορούν να αποθηκευθούν ηλεκτρονικά σε υπολογιστή και περιέχουν ιδιαιτέρως σημαντικές πληροφορίες οι οποίες μετά από κατάλληλη επεξεργασία και ανάπτυξη μαθηματικών μοντέλων, μπορούν να φανούν ιδιαιτέρως χρήσιμα στην εξαγωγή συμπερασμάτων για την οδηγική συμπεριφορά του οδηγού. Βασικός παράγοντας για την ανίχνευση συμβάντος απότομης στροφής είναι η καταγραφή της γωνιακής ταχύτητας μέσω του γυροσκοπίου. 4 Βασικός παράγοντας για την ανίχνευση συμβάντος απότομης επιτάχυνσης και επιβράδυνσης είναι η καταγραφή της επιτάχυνσης μέσω του επιταχυνσιόμέτρου. Καταλληλότερος κατηγοριοποιητής εμφανίζεται ως ο j48 consolidated όπου με εξαίρεση μια κατηγορία παρουσιάζει την μεγαλύτερη απόδοση. Αδυναμία στο να προβλέψουν είτε συμβάντα απότομης στροφής, είτε συμβάντα απότομης επιτάχυνσης και επιβράδυνσης έχουν η πολυεπίπεδη ταξινόμηση και η κλασσική λογιστική παλινδρόμηση. Η ευκρίνεια (Precision) των μοντέλων στην πρόβλεψη συμβάντων απότομης επιτάχυνσης και επιβράδυνσης είναι αρκετά χαμηλή λόγω και της δυσκολίας πρόβλεψης του φαινομένου. Σε δείγμα που περιέχει συμβάντα σε ποσοστό 3% παρατηρείται η μεγαλύτερη τιμή στους δείκτες μέτρησης Precision και F-Measure.	el
heal.advisorName	Βλαχογιάννη, Ελένη	el
heal.committeeMemberName	Γκόλιας, Ιωάννης	el
heal.committeeMemberName	Γιαννής, Γεώργιος	el
heal.committeeMemberName	Βλαχογιάννη, Ελένη	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Μεταφορών και Συγκοινωνιακής Υποδομής	el
heal.academicPublisherID	ntua
heal.numberOfPages	55 σ.	el
heal.fullTextAvailability	true