技術報告-基于ipv6校園環(huán)境車輛行駛行為建模與分析

1、,基于IPv6校園環(huán)境車輛行駛行為建模與分析,歐陽真超，齊之平，趙曉軻，牛建偉北京航空航天大學,,,智能移動終端的功能越來越強：計算能力：多核CPU、GPU等通信能力：藍牙、3/4/5G、WiFi、NFC等感知能力：陀螺儀、光強計、氣壓計、高清攝像頭、磁力計等,如下領域得到迅速發(fā)展：移動計算（Mobile Computing）移動感知（Mobile Sensing）眾包（Crowdsourcing）,背景介紹—智能終端帶來

2、的,,研究場所：校園環(huán)境網(wǎng)絡環(huán)境：IPv4/6無線網(wǎng)絡全覆蓋研究目標：車輛行駛數(shù)據(jù)采集與建模研究工具：基于Android的移動平臺,背景介紹—項目場景和目標,通過移動終端設備內部的多項傳感器捕獲車輛的行駛數(shù)據(jù)，結合眾包數(shù)據(jù)采集方案收集海量數(shù)據(jù)，結合機器學習算法構建車輛駕駛行為識別檢測模型,,系統(tǒng)架構—概述,,主要功能：與智能移動終端進行數(shù)據(jù)交互利用機器學習方法對增長數(shù)據(jù)進行挖掘通過Web顯示數(shù)據(jù)采集情況,系統(tǒng)架構—云計算平臺

3、,,主要功能1. 傳感器數(shù)據(jù)的采集和上傳利用Eclipse+Java研發(fā)Android智能終端的采集系統(tǒng)，通過調度智能設備底層的傳感器（如加速度傳感器、陀螺儀等）接口讀取車輛在行駛過程中數(shù)據(jù)，并通過校園環(huán)境IPv6與IPv4通信網(wǎng)絡，提交采集的傳感數(shù)據(jù)2. 駕駛行為的實時檢測在一定規(guī)模的傳感器數(shù)據(jù)基礎上，利用機器學習方法訓練相應模型，并智能移動終端對實時采集的數(shù)據(jù)進行分析和顯示,系統(tǒng)架構—數(shù)據(jù)采集端,,系統(tǒng)架構—傳感器數(shù)據(jù)定性分

4、析,選擇加速度計和陀螺儀兩種慣性傳感器的反饋數(shù)據(jù)進行采集對5種常見行駛行為進行采集：左/右轉向、左/右變道和掉頭,,采用如圖的相對位置固定智能移動終端，構建傳感器與車輛的相對坐標系映射關系。通過慣性傳感器的實時數(shù)據(jù)捕獲車輛行駛中的反饋數(shù)據(jù)數(shù)據(jù)采集司機：教師、學生家長、的士司機和專車司機車型：轎車和SUV智能終端： Samsung Note3、Google NS5、紅米Note1、Note3、聯(lián)想S1,系統(tǒng)架構—終端放置&am

5、p;采集實驗,,利用檢測的識別算法MultiWave，能夠有效的過濾原始傳感器的噪聲數(shù)據(jù)，并能夠比傳統(tǒng)的滑動窗口更為有效的捕獲車輛的五種行駛事件。針對車輛行駛過程中產生的波形發(fā)生區(qū)間內數(shù)據(jù)，提出了一個8維統(tǒng)計特征參數(shù)集：{最大值、最小值、均值、方差、標準差、上四分位數(shù)、下四分位數(shù)、信息熵}，作為訓練輸入。,車輛行駛檢測模型—特征集,,,分別通過隨機抽樣，選取已采集的總體數(shù)據(jù)樣本的10%、20%、30%、50%、70%、90%、100%

6、，測試了5類不同的機器學習算法，分別是：支持向量機（C-SVC）、鄰近算法（IBK）、決策樹算法（J48）、規(guī)則歸納學習（JRip）和樸素貝葉斯分類器（Naïve Bayes）。每次對訓練樣本集進行隨機排序初始化，訓練使用10-fold交叉驗證方法，不同規(guī)模數(shù)據(jù)量和算法組合重復10次，求取識別準確度的均值和標準差。,車輛行駛檢測模型—實驗,,不同算法的總體平均準確度隨數(shù)據(jù)量（百分比）增加而上升，在數(shù)據(jù)百分比超過50%后上升不

7、明顯，說明目前的訓練數(shù)據(jù)規(guī)模相對能夠滿足模型訓練的需求。而誤差隨數(shù)據(jù)比例上升持續(xù)縮小，說明訓練模型的穩(wěn)定性隨數(shù)據(jù)增長而增加。在采用全部數(shù)據(jù)進行訓練時，基于決策樹的識別模型準確度最高，可達96%以上，模型最優(yōu)。,車輛行駛檢測模型—實驗,,總結,,將該決策樹算法及相關的決策參數(shù)整合到移動智能終端，使得智能終端能夠實時對車輛的行駛模式進行判斷接下來的工作將在此基礎上進一步提出危險駕駛識別模型，并通過IPv6網(wǎng)絡構建車聯(lián)網(wǎng)環(huán)境，進行相關的模擬