一种深度嵌入的集群方法,用于使用轨迹数据进行特定位置的驾驶安全分析

科学领域:

• 道路交通安全问题 道路安全问题
• 机器学习 机器学习
• 运输工程 运输工程 运输工程

背景情况:

• 传统的驾驶员行为分析侧重于个体形状,忽视了特定地点的碰撞度.
• 了解特定位置的驾驶模式对于有效的道路安全干预至关重要.

研究的目的:

• 开发一个机器学习框架来分类特定位置的驾驶行为风险.
• 创建一个统一的模型,同时分析不同的车辆类别.
• 识别高风险驾驶热点,并为目标安全措施提供信息.

主要方法:

• 利用印度奈的各种车辆类别的轨迹数据.
• 应用主要组件分析 (PCA) 用于缩小维度.
• 采用K-Means,DBSCAN,Mean Shift和深层嵌入式集群 (DEC) 来进行行为分类.
• 使用Silhouette分数,戴维斯-布尔丁指数 (DBI) 和卡林斯基-哈拉巴斯指数 (CHI) 评估集群性能.

主要成果:

• 深度嵌入式集群 (DEC) 在基于位置的驾驶行为分类方面表现出卓越的性能.
• 基于密度的应用程序与噪音的空间聚类 (DBSCAN) 产生了最不有效的聚类.
• 统一模型成功分析了跨模式的行为模式.

结论:

• 基于位置的统一机器学习模型提供了一种强大的方法来理解和减轻驾驶风险.
• 这一框架在现实世界中部署有很大的潜力,以提高驾驶员的意识和道路安全.
• 识别特定的驾驶热点可以为提高道路安全提供有针对性的干预措施.