Θεόδωρος Γαρεφαλάκης, “Εντοπισμός επιπέδου και διάρκειας επικίνδυνης συμπεριφοράς του οδηγού με τεχνικές μηχανικής εκμάθησης”, Διπλωματική Εργασία, Σχολή Πολιτικών Μηχανικών ΕΜΠ, Αθήνα, Μάρτιος 2022.

Στόχος της παρούσας Διπλωματικής Εργασίας αποτελεί o εντοπισμός του επιπέδου και της διάρκειας επικίνδυνης συμπεριφοράς του οδηγού με τεχνικές μηχανικής εκμάθησης. Για τον σκοπό αυτό συλλέχθηκαν χρήσιμα δεδομένα σχετιζόμενα με την συμπεριφορά του
οδηγού μέσω προσομοιωτή οδήγησης. Με βάση την επεξεργασία και την ανάλυση των δεδομένων καθορίστηκαν τρία επίπεδα κινδύνου. Στο πρώτο μέρος των αναλύσεων αναπτύχθηκαν τέσσερεις αλγόριθμοι μηχανικής εκμάθησης με σκοπό την ταξινόμηση της
συμπεριφοράς των οδηγών σε ένα από τα τρία επίπεδα ασφαλείας, με τον αλγόριθμο ‘Τυχαίων Δασών’ να σημειώνει την υψηλότερη επίδοση. Στο πλαίσιο διερεύνησης της επιρροής των παραγόντων οδήγησης στην αναγνώριση της επικίνδυνης οδήγησης, προέκυψαν ως σημαντικότερες η διανυθείσα απόσταση, η ταχύτητα και το όριο ταχύτητας. Στο δεύτερο μέρος των αναλύσεων εξετάστηκε η επίδραση των οδηγικών χαρακτηριστικών στη διάρκεια οδήγησης στα διαφορετικά στάδια με την ανάπτυξη τριών αλγορίθμων παλινδρόμησης για την πρόβλεψη της διάρκειας οδήγησης σε κάθε επίπεδο ασφαλείας. Η επίδραση των διαφορετικών μεταβλητών στη διαδικασία της πρόβλεψης καθορίστηκε με βάση τις επιδόσεις των μοντέλων και της στατιστικής σημαντικότητας τους. Από τα αποτελέσματα προέκυψε ως σημαντικότερη μεταβλητή η μέγιστη ταχύτητα η οποία επιδρά αρνητικά στην διάρκεια οδήγησης σε κάθε επίπεδο ασφαλείας.


ID ad125
Presentation
Full Text
Publications The objective of this Thesis is the identification of driver’s risky behavior level and duration with machine learning techniques. For this purpose, useful data related to driving behavior were collected through a driving simulator experiment. Based on the processing and analysis of the data, three levels of risk were defined. In the first part of the analysis, four machine learning algorithms were developed to classify driver behavior into one of three risk levels, with the 'Random Forests' algorithm scoring the highest performance. In the context of investigating the influence of driving factors to identify driving behavior, the distance traveled, speed and speed limit emerged as the most important. In the second part of the analysis, the effect of driving characteristics on driving duration at different stages was examined. To achieve the above goal, three regression algorithms were developed to predict driving duration at each safety level. The effect of different variables on the forecasting process was determined based on the performance of the models and their statistical significance. The results showed that the maximum speed was the most important variable, which negatively affects the driving duration at each safety level.
Tags