Sürücü Davranışlarının Makine Öğrenmesi Algoritmaları ile Sınıflandırılmasında Pencereleme Yönteminin Etkisi

Yıl 2019, , 75 - 80, 31.07.2019

Asım Sinan Yüksel , Şerafettin Atmaca

https://doi.org/10.35354/tbed.562181

Öz

Günlük
yaşantımızda ulaşım önemli bir yere sahiptir. Birçok insan kara yolu ulaşımını
kullanıp bir noktadan başka bir noktaya kendi aracı ile gitmektedir. Gün
içerisinde insanların araç kullanımı sırasında yapmış olduğu bazı riskli
hareketler (ani hızlanma, ani yavaşlama, ani sağa dönüş, ani sola dönüş, ani
şerit değişimi vb.)  sonucunda kazalar
yaşanmaktadır. Sürücülerin yapmış olduğu bu riskli hareketler modellenip sürücü
profilleri oluşturulabilir. Oluşturulan sürücü profillerine göre sürücüler
uyarılabilir ya da araç kullanımı sırasında kazaya neden olabilecek bu
davranışları yapmaması için gerekli yaptırımlar uygulanabilir. Bu çalışmada,
sürücünün araç kullanımı sırasında sürüş verileri alınmış ve çeşitli makine
öğrenmesi algoritmaları ile sürücü davranışları (ani hızlanma, ani sağa dönüş,
ani sola dönüş) modellenmiştir. Bu modelleme sonucunda makine öğrenimi
algoritmalarının başarı oranları Rastgele Orman için 65,50%, Bayes Ağları için 47.97%,
Karar Tabloları için 59.55%, Yapay Sinir Ağları için 55.84% ve Destek Vektör
Makineleri için 53.82% olarak bulunmuştur. Sürücü davranışlarının
sınıflandırılmasındaki başarıyı artırabilmek için pencereleme yöntemi
kullanılmış ve Rastgele Orman’da 89,61%, Bayes Ağları’nda 90.90%, Karar
Tabloları’nda 92,20%, Yapay Sinir Ağları’nda 84,41%, Destek Vektör Makineleri’nde
90,90% başarı oranları elde edilmiştir. Sürücü davranışlarının modellenmesinde pencereleme
yöntemi olumlu etki oluştururken en yüksek başarı oranına sahip makine
öğrenmesi algoritması Karar Tabloları olarak belirlenmiştir.

Anahtar Kelimeler

Yapay Zeka, Sürücü Davranışları, Veri Analizi, Makine Öğrenmesi

Destekleyen Kurum

Süleyman Demirel Üniversitesi Bilimsel Araştırma Projeleri Yönetim Birimi

Proje Numarası

5058-YL1-17

Teşekkür

5058-YL1-17 numaralı proje ile desteklenen bu çalışmada Süleyman Demirel Üniversitesi Bilimsel Araştırma Projeleri Yönetim Birimi’ne teşekkür ederiz.

Kaynakça

• Junıor, J.F., et al. (2017). Driver Behavior Profiling: An İnvestigation With Different Smartphone Sensors And Machine Learning. PLOS ONE, pp. 1-16.
• Hallac, D., et al. (2016). Driver Identification Using Automobile Sensor Data from a Single Turn. 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), pp. 1-6.
• Rızzo, N., et al. (2015). Privacy Preserving Driving Style Recognition. 2015 International Conference on Connected Vehicles and Expo (ICCVE), pp. 232-237.
• Atalay,M., Çelik,E., Büyük Veri Analizinde Yapay Zekâ Ve Makine Öğrenmesi Uygulamaları, Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Cilt.9 Sayı.22 2017 - Aralık (s.155-172)
• KALRA, N., et al. (2014). Analyzing Driving and Road Events via Smartphone. International Journal of Computer Applications, Volume 98– No.12, pp. 5-9.
• HALLAC, D., et al. (2016). Driver Identification Using Automobile Sensor Data from a Single Turn. 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), pp. 1-6.
• A Hall, M., Frank, E. , Holmes, G. ,Pfahrınger, B., Reutemann, P. And Whıtten, I.H. (2009).The WEKA Data Mining Software: An Update, SIGKDD Explorations Volume 11, Issue 1, p.10-18.
• Fürnkranz,J., Integrative windowing.Journal of Artifical Intelligence Research, 8:129-164,1998.
• Freeman, J. A. ,Skapura, D. M., Neural Networks Algorithms , Applications and Programming Techniques. New York, USA: Addison-Wesley Publishing Company, 1991. ACTA INFOLOGICA – 2017 – 1 (2) ISSN: 2602-3563 dergipark.gov.tr/acin 73
• Negnevitsky, M., Artificial Intelligence: A Guide to Intelligent Systems. Pearson Education, 2005.
• Cortes, C., Vapnik, V. (1995). Support vector networks, Machine Learning, 20,1-25.
• Cortes, C. and Vapnik, V., “Support Vector Networks,” Machine Learning, Vol.20, No. 3, pp. 273-297, 1995.
• Ben-Gal,I., Bayesian Networks. John Wiley & Sons, Ltd; 2008.
• Kohavi, R., “The Power of Decision Tables”, Proceedings of the European Conference on Machine Learning, Lecture Notes in Artificial Intelligence 914, Springer Verlag, Berlin, Heidelberg, NY, pages 174-189.
• Quinlan, J., C4.5:Programs For Machine Learning, Morgan Kaufmann Publishers, Inc., 1993.
• Hertz, J., Krogh, A., Palmer, R., Introduction to the Theory of Neural Computation, Addison Wesley, 1991.
• LeBlanc, J., Ward, M., Wittels N., “Exploring N-Dimensional Databases”, Proceedings of First IEEE Conference on Visualization (Visualization ‘90), pages 230-237, 1990.
• Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. doi:10.1023/A:1010933404324