Driver profiling using long short term memory (lstm) and convolutional neural network (cnn) methods


Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Türkiye

Tezin Onay Tarihi: 2019

Tezin Dili: İngilizce

Öğrenci: Aslıhan Cura

Danışman: HALUK KÜÇÜK

Özet:

Sürücü araç kullanım şekli, trafik güvenliği, yakıt tüketimi ve gaz emisyonu konuları üzerinde son derece etkilidir. Bu çalışmada, trafik güvenliğini arttırmak için araçtan toplanan verileri yapay sinir ağları kullanarak sınıflandırmak ve bu sayede sürücünün davranış profilini çıkarmak amaçlanmıştır. Sürücü profillemesi üzerindeki yapılan çalışmalar incelendiğinde, akıllı telefonlardan toplanan sensör verileri, kamera görüntüleri ve aracın kendi verileri birlikte kullanılarak sürücü profili çıkarılma üzerine yoğunlaşıldığı görülmüştür. Bu çalışmadaki ise sadece aracın; hız, motor devri, gaz pedalı, fren pedalı, teker açısı ve ivmelenme gibi verileri kullanılarak sınıflandırma yapılmıştır. Sınıflandırmada iki farklı derin öğrenme metodu kullanılmıştır. Zaman bağlı veriler için sıklıkla kullanılan Uzun-Kısa Süreli Bellek (LSTM) ve görüntü işlemede kullanılan ancak zamana bağlı verilerde de tercih edilen CNN (Convolutional Neural Network) derin öğrenme metodu kullanılarak sınıflandırmadaki başarı oranları incelenmiştir. Çalışma sonucunda CNN’in daha yüksek başarı sonuçları verdiği gözlemlenmiştir. -------------------- Driver profiling has a major impact on traffic safety, fuel consumption and gas emission. The purpose of this work is to feed and train the neural network with the vehicle data and classify the driver behavior. When the driver profiling studies are examined, the majority of studies have classified the driver using sensor, image and vehicle data together. In this study, only the vehicle data such as engine speed, torque, steering wheel angle etc. were used. To classify driver, two different methods were implemented. One of them is Long Short Term Memory (LSTM) Neural Network which is usually for time series data classification and the other method is Convolutional Neural Network (CNN) which is frequently used for image classification but also can be used for time series classification. In the results section of this study, the success rates of two methods in classification were analyzed and the outcomes indicated that Convolutional Neural Network provided higher success rates.