ANÁLISIS DEL COMPORTAMIENTO SEGURO/AGRESIVO DEL CONDUCTOR DESDE UNA PRESPECTIVA DE MACHINE LEARNING

JACINTO SIMÓN, ORALDO (2020) ANÁLISIS DEL COMPORTAMIENTO SEGURO/AGRESIVO DEL CONDUCTOR DESDE UNA PRESPECTIVA DE MACHINE LEARNING. Maestría thesis, Universidad Autónoma de Chihuahua.

Vista Previa

Text Tesis_FING_Oraldo(29-1-2020).pdf Download (3717Kb) | Vista Previa

Resumen

La conducción agresiva de automóviles es conocida como el comportamiento del conductor que intenta directa o indirectamente provocar, perjudicar o causar daño de cualquier tipo a otras personas que comparten el espacio común por el que discurre el tráfico en la vía. El análisis del comportamiento de conducción mediante el uso de tecnología móvil, ha demostrado que la seguridad de conducción se puede inferir de los datos recopilados por los sensores de los Teléfonos Inteligentes (TI). Los algoritmos de clasificación de aprendizaje de máquina sobre los datos de un TI son muy usados en la clasificación de maniobras para detectar agresividad y está demostrado que pueden detectar con precisión eventos agresivos como: frenado, aceleración, giros y cambio de carril. La eficacia de un algoritmo de clasificación de aprendizaje de máquina para identificar eventos agresivos de conducción, depende en gran medida de la calidad de los datos y el método de extracción de características para su representación. Existen varias formas de representación de los datos que en combinación con algoritmos de clasificación permiten identificar maniobras agresivas de manera eficiente. Los mejores trabajos reportados en la literatura usan diferentes formas de representación y no usan las mismas métricas para medir sus resultados. Estos resultados no son comparables y se puede apreciar que no se ha hecho suficiente para determinar la mejor solución ante este problema. El objetivo de esta investigación es evaluar el comportamiento seguro/agresivo del conductor de un vehículo a través de los datos de teléfonos inteligentes. Para ello se experimenta con los métodos de extracción y representación de características de mejores resultados reportados en la literatura: (representación en valores estadísticos, Bag of Word (BoW) y el algoritmo de reglas mínimas MODLEM). Se determina la mejor combinación de parámetros más clasificador de acuerdo con los resultados obtenidos en la métrica Area Under Curve (AUC) en 8 clasificadores propuestos. A continuación, se muestran los mejores resultados obtenidos en este trabajo de investigación: • El algoritmo MODLEM junto al Análisis Discriminante Lineal Fisher (ADLF) obtuvo el 100% en la actividad de clasificación en un conjunto de datos de 69 eventos agresivos. Este no obtuvo buenos resultados en el resto de los experimentos con otros conjuntos de datos. • El incremento del tamaño de las ventanas deslizantes nf en la representación de valores estadísticos mejora la actividad de clasificación, siendo el clasificador MHLDForest el de mejores resultados con un AUC de 99.3%. • Con el uso del ADLF sobre la representación de BoW se mejora la actividad de clasificación, siendo el clasificador MLP el de mejores resultados con un AUC de 99.9%.

Actions (login required)

Ver Objeto