技術(shù)報(bào)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(xué),,,智能移動(dòng)終端的功能越來越強(qiáng)：計(jì)算能力：多核CPU、GPU等通信能力：藍(lán)牙、3/4/5G、WiFi、NFC等感知能力：陀螺儀、光強(qiáng)計(jì)、氣壓計(jì)、高清攝像頭、磁力計(jì)等,如下領(lǐng)域得到迅速發(fā)展：移動(dòng)計(jì)算（Mobile Computing）移動(dòng)感知（Mobile Sensing）眾包（Crowdsourcing）,背景介紹—智能終端帶來

2、的,,研究場(chǎng)所：校園環(huán)境網(wǎng)絡(luò)環(huán)境：IPv4/6無線網(wǎng)絡(luò)全覆蓋研究目標(biāo)：車輛行駛數(shù)據(jù)采集與建模研究工具：基于Android的移動(dòng)平臺(tái),背景介紹—項(xiàng)目場(chǎng)景和目標(biāo),通過移動(dòng)終端設(shè)備內(nèi)部的多項(xiàng)傳感器捕獲車輛的行駛數(shù)據(jù)，結(jié)合眾包數(shù)據(jù)采集方案收集海量數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)算法構(gòu)建車輛駕駛行為識(shí)別檢測(cè)模型,,系統(tǒng)架構(gòu)—概述,,主要功能：與智能移動(dòng)終端進(jìn)行數(shù)據(jù)交互利用機(jī)器學(xué)習(xí)方法對(duì)增長(zhǎng)數(shù)據(jù)進(jìn)行挖掘通過Web顯示數(shù)據(jù)采集情況,系統(tǒng)架構(gòu)—云計(jì)算平臺(tái)

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(diào)度智能設(shè)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(luò)，提交采集的傳感數(shù)據(jù)2. 駕駛行為的實(shí)時(shí)檢測(cè)在一定規(guī)模的傳感器數(shù)據(jù)基礎(chǔ)上，利用機(jī)器學(xué)習(xí)方法訓(xùn)練相應(yīng)模型，并智能移動(dòng)終端對(duì)實(shí)時(shí)采集的數(shù)據(jù)進(jìn)行分析和顯示,系統(tǒng)架構(gòu)—數(shù)據(jù)采集端,,系統(tǒng)架構(gòu)—傳感器數(shù)據(jù)定性分

4、析,選擇加速度計(jì)和陀螺儀兩種慣性傳感器的反饋數(shù)據(jù)進(jìn)行采集對(duì)5種常見行駛行為進(jìn)行采集：左/右轉(zhuǎn)向、左/右變道和掉頭,,采用如圖的相對(duì)位置固定智能移動(dòng)終端，構(gòu)建傳感器與車輛的相對(duì)坐標(biāo)系映射關(guān)系。通過慣性傳感器的實(shí)時(shí)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(jī)：教師、學(xué)生家長(zhǎng)、的士司機(jī)和專車司機(jī)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(gòu)—終端放置&am

5、p;采集實(shí)驗(yàn),,利用檢測(cè)的識(shí)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(dòng)窗口更為有效的捕獲車輛的五種行駛事件。針對(duì)車輛行駛過程中產(chǎn)生的波形發(fā)生區(qū)間內(nèi)數(shù)據(jù)，提出了一個(gè)8維統(tǒng)計(jì)特征參數(shù)集：{最大值、最小值、均值、方差、標(biāo)準(zhǔn)差、上四分位數(shù)、下四分位數(shù)、信息熵}，作為訓(xùn)練輸入。,車輛行駛檢測(cè)模型—特征集,,,分別通過隨機(jī)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(cè)試了5類不同的機(jī)器學(xué)習(xí)算法，分別是：支持向量機(jī)（C-SVC）、鄰近算法（IBK）、決策樹算法（J48）、規(guī)則歸納學(xué)習(xí)（JRip）和樸素貝葉斯分類器（Naïve Bayes）。每次對(duì)訓(xùn)練樣本集進(jìn)行隨機(jī)排序初始化，訓(xùn)練使用10-fold交叉驗(yàn)證方法，不同規(guī)模數(shù)據(jù)量和算法組合重復(fù)10次，求取識(shí)別準(zhǔn)確度的均值和標(biāo)準(zhǔn)差。,車輛行駛檢測(cè)模型—實(shí)驗(yàn),,不同算法的總體平均準(zhǔn)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(xùn)練數(shù)據(jù)規(guī)模相對(duì)能夠滿足模型訓(xùn)練的需求。而誤差隨數(shù)據(jù)比例上升持續(xù)縮小，說明訓(xùn)練模型的穩(wěn)定性隨數(shù)據(jù)增長(zhǎng)而增加。在采用全部數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)，基于決策樹的識(shí)別模型準(zhǔn)確度最高，可達(dá)96%以上，模型最優(yōu)。,車輛行駛檢測(cè)模型—實(shí)驗(yàn),,總結(jié),,將該決策樹算法及相關(guān)的決策參數(shù)整合到移動(dòng)智能終端，使得智能終端能夠?qū)崟r(shí)對(duì)車輛的行駛模式進(jìn)行判斷接下來的工作將在此基礎(chǔ)上進(jìn)一步提出危險(xiǎn)駕駛識(shí)別模型，并通過IPv6網(wǎng)絡(luò)構(gòu)建車聯(lián)網(wǎng)環(huán)境，進(jìn)行相關(guān)的模擬