用卷积神经网络和深度学习检测循环行为中的异常
Shumayla Yaqoob1, Salvatore Cafiso2, Giacomo Morabito1
1Department of Electrical, Electronic, Computer and Telecommunication Engineering, University of Catania, Catania, Italy.
European transport research review
|April 16, 2024
概括
本研究介绍了BeST-DAD,这是一种使用GPS数据识别危险骑自行车地点并防止关键安全事件的深度学习模型. 它在检测异常方面的性能优于传统方法,提高了骑自行车者的安全性.
科学领域:
- 运输工程 运输工程
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 骑自行车是一种可持续的交通方式,由于乘客数量增加,它面临着安全挑战.
- 对于骑自行车者特定的安全分析而言,有限的数据可用性阻碍了传统的道路安全方法.
- 智能城市技术为收集和分析关键自行车数据提供了新的途径.
研究的目的:
- 通过开发一种新的数据分析方法来解决骑自行车者的安全问题.
- 使用GPS轨迹数据识别和绘制骑自行车者危险的位置.
- 提出一种深度学习模型,用于检测骑自行车行为的异常.
主要方法:
- 使用GPS设备收集自行车轨迹数据.
- 开发了一个深度学习模型,BeST-DAD (自行车安全轨迹数据异常检测),采用卷积神经网络和自动编码器.
- 通过测试各种数据特征和参数来优化模型,并将其性能与主要组件分析 (PCA) 相比较.
主要成果:
- 在异常检测方面,BeST-DAD获得了77%的F-score,超过了传统的PCA方法.
- 该模型在与各种数据集进行测试时,对个别用户训练模型进行了100%的回忆.
- 在骑自行车的地图上确定了特定的危险点.
结论:
- 对GPS轨迹数据的深度学习分类有效地识别了骑自行车行为的异常.
- BeST-DAD模型为增强智能城市自行车安全提供了可行的工具.
- 这种方法可以促进积极的安全干预和改善骑自行车的基础设施.
