通过远程数据驱动的无监督学习来挖掘老司机的驾驶行为模式
Sonia Moshfeghi1, Jinwoo Jang2
1Ph.D. Candidate, Department of Civil, Environmental, and Geoamatics, College of Engineering and Computer Science, Florida Atlantic University, Boca Raton, FL 33431 USA.
IEEE sensors journal
|November 5, 2025
概括
根据一项使用车载传感器的研究,65岁以上的老司机主要表现出保守的驾驶模式. 这项研究分析了驾驶行为,以确定不同的风格,以提高交通安全洞察力.
科学领域:
- 老年学是一门学科.
- 运输安全运输安全
- 数据科学数据科学数据科学
背景情况:
- 人口老龄化在道路安全方面提出了独特的挑战.
- 年龄较大的司机 (65岁以上) 面临着更高的撞车风险和受伤严重程度.
- 了解特定年龄的驾驶行为对于安全干预至关重要.
研究的目的:
- 利用车载传感器数据开发一个分析和聚类老司机行为框架.
- 在65岁以上的人群中识别不同的驾驶风格和模式.
- 为了利用先进的机器学习来进行复杂的驾驶数据解释.
主要方法:
- 使用车载传感器数据,包括速度,加速,制动,RPM,快门,燃料,发动机和环境温度.
- 应用自组织地图 (SOMs) 用于数据可视化和维度减少.
- 使用深层嵌入式集群 (DEC) 结合K-means和聚合方法来识别模式.
主要成果:
- 5x5网格SOM有效地同时可视化了多个驾驶特征.
- DEC + K-平均值和DEC + 聚合集群对确定最佳集群数量的确定是有效的.
- 聚类分析揭示了两个不同的集群,主要的驾驶风格是保守的.
结论:
- 该研究成功地确定了保守的驾驶模式在老年驾驶员 (65岁以上) 中占主导地位.
- 提出的框架和方法适用于不同的驾驶特征和人口统计.
- 这些发现支持在交通分析,驾驶员行为建模和安全研究中更广泛的应用.
