在老年司机的轨迹数据中检测异常行为
Seyedeh Gol Ara Ghoreishi1, Sonia Moshfeghi1, Muhammad Tanveer Jan1
1Florida Atlantic University, Boca Raton, USA.
2023 IEEE 20th International Conference on Smart Communities: Improving Quality of Life using AI, Robotics and IoT (HONET)
|April 3, 2024
概括
这项研究引入了一个边缘归因矩阵,从轨迹数据中检测出异常的驾驶行为. 该方法有助于识别潜在的健康问题,如轻度认知障碍 (MCI),并提高道路安全.
科学领域:
- 计算科学是一种计算科学.
- 交通运输安全运输安全
- 数据科学是数据科学.
背景情况:
- 在驾驶过程中检测异常行为 (ABD) 对轻度认知障碍 (MCI) 检测和老年司机安全导航等应用至关重要.
- 对 ABD 分析大型,时间详细的轨迹数据集带来了重大的计算挑战.
研究的目的:
- 开发一种有效的方法来识别异常的驾驶行为,其特点是方向偏差,硬制动和加速.
- 为了解决与处理ABD广泛的轨迹数据相关的计算复杂性.
主要方法:
- 提出一个边缘归因矩阵,以有效地表示时间详细的轨迹数据集的关键属性.
- 使用这个矩阵来识别表现出异常驾驶模式的司机.
主要成果:
- 提出的边缘归因矩阵成功地表示了关键轨迹数据属性.
- 在真实世界数据集上的实验结果证实了该方法在识别异常驾驶行为的有效性.
结论:
- 边缘归因矩阵为异常驾驶行为检测提供了一个计算可行的解决方案.
- 这种方法对公共卫生和运输安全应用有重大影响.
