Таблица | Карточка | RUSMARC | |
Разрешенные действия: –
Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Группа: Анонимные пользователи Сеть: Интернет |
Аннотация
В современных системах, обеспечивающих безопасность дорожного движения, актуальна задача оценки стиля вождения транспортного средства. Наиболее исследованным и популярным подходом в решении этой задачи является использование данных специализированных подключенных к транспортному средству устройств. Использование таких устройств сопровождается рядом технических ограничений и часть транспортных средств оказывается неохваченной. В то время как качество работы большинства современных методов анализа данных в большей степени зависит от количества наблюдений, недостаточный охват пользователей систем является важной для рассмотрения проблемой. Для увеличения охвата наблюдений требуется рассмотреть альтернативные неспециализированные источники данных. Такими источниками могут являться мобильные устройства, однако применение таких данных в задачах оценки стиля вождения слабо освещено в современных исследованиях. В данной работе рассматриваются методы обработки данных сигнала микроэлектромеханических систем мобильных устройств для выявления событий, произошедших в течении поездки транспортного средства и подход к классификации поездок на основе выявленных событий. Результатом работы является программный код реализующий описываемый алгоритм. В рамках разработки проводится исследование основных параметров, влияющих на работу алгоритма, и приводятся предложения по их настройке. Алгоритм применен к собранным из открытых ресурсов наборам данных с целью проведения исследования применимости метода на практике. В реализации программы использованы наиболее современные подходы к обработке данных, позволяющие сократить усилия при интеграции в крупные системы.
In modern road traffic safety systems important to score driver behaviour. The most researched and popular approach to solving this problem is the use of data from specialized on-board diagnostics units. The use of such devices is accompanied by a number of technical limitations and some of the vehicles are not considered. While the quality of application of modern data analysis methods is depends on the number of observations, insufficient number of system users is an important issue to consider. To increase the coverage of observations, need to research alternative non-specialized data sources. Mobile devices may be such data sources, but the use of such data for driver behaviour scoring is poorly researched. This thesis discusses preprocessing methods for data of MEMS-sensors to identify events that occurred during a vehicle trip and an approach to classifying trips based on identified events. Outcome of the thesis was program code that implements the described algorithm. As part of the development, a study is carried out of the main parameters that affect the operation of the algorithm and offers suggestions for setting them up. The algorithm is applied to data sets collected from open sources in order to conduct a study of the applicability of the method in practice. The most modern approaches to data processing were applied in the development, that allows to reduce efforts during integration of algorithm into large systems.
Права на использование объекта хранения
Место доступа | Группа пользователей | Действие | ||||
---|---|---|---|---|---|---|
Локальная сеть ИБК СПбПУ | Все | |||||
Интернет | Авторизованные пользователи СПбПУ | |||||
Интернет | Анонимные пользователи |
Оглавление
- Алгоритм оценки стиля вождения транспортного средства на основе данных мобильного устройства водителя
- Введение
- 1. Обзор технических средств для оценки стиля вождения
- 2. Постановка задачи
- 3. Описание алгоритма классификации стиля вождения
- 4. Настройка алгоритма
- 5. Исследование алгоритма
- Заключение
- Список использованных источников
- Приложение 1. Примеры кластеризации
- Приложение 2. Количество точек по кластерам
Статистика использования
Количество обращений: 7
За последние 30 дней: 0 Подробная статистика |