/predict-aggressive-driving

Primary LanguagePython

Unsupervised Driver Behavior Profiling leveraging Recurrent Neural Networks

WISA 22nd (2021)에서 발표한 논문

목차

  1. 모델 구조: Unsupervised Learning
  2. 학습 데이터셋 구조
  3. 학습 데이터셋 구조: Feature Engineering
  4. 실험 결과

모델 구조: Unsupervised Learning

  • 운전자 행동 프로파일링을 이상 탐지 개념으로 접근
  • 타임 윈도우 피쳐 벡터를 인풋하여, 그 다음 타임 윈도우 피쳐 벡터를 예측하는 RNN 모델 설계
    • 학습은 정상 데이터로만 이루어짐
  • 일반적인 (정상) 운전 패턴 시퀀스에서는 낮은 regression (회귀) 에러가,
그 외 운전 패턴 (난폭운전) 시퀀스에서는 높은 회귀 에러가 산출 image

학습 데이터셋 구조

  • ‘Driver Behavior Dataset’ (github)
  • 각 장치 데이터들의 주파수를 맞추어 시계열 데이터로 재구성
    • 12 features: acceleration, linear acceleration, magnetometer, and gyroscope * x/y/z image
  • 타임 윈도우 (일정 시간)만큼의 feature vector들을 시퀀스와 그 직후 실측 feature vector를 페어로 학습 데이터 생성 image

학습 데이터셋 구조: Feature Engineering

Step 1. Timestamp Calibration

  • feature (acceleration, magnetometer, gyroscope)들의 frequency를 맞춰줌
  • Downsampling
    • frequency가 더 낮은 feature를 기준으로 잡고, 
중복 주기에서의 초기값을 대표값으로 샘플링 image

Step 2. Scaling

  • feature (acceleration, linear acceleration, magnetometer, gyroscope)들을 min-max scaling (0~1)
  • 난폭 운전 데이터는 정상 운전 데이터를 기반으로 스케일링

Step 3. Window Sliding

  • window 크기를 정하여 1 row씩 슬라이딩
  • window 크기의 feature vectors 시퀀스와 그 직후 feature vector를 실측 데이터로 묶음
    • (Sequence of feature vectors, Ground-Truth of single feature vector)
      • Sequence: Input to the model
      • Ground-Truth: for the model’s prediction
    image

실험 결과

  • 평가 방법: ROC-AUC
    • ‘난폭 운전’ 판단에서의 성공(TPR), 실패 (FPR) 여부를 나누는 기준을 확인할 수 있는 ROC 커브 선정
    • AUC (0.5~1.0)로부터 최고의 분류 성능을 측정
  • 전체적으로 좋은 성능을 보였지만, Aggressive Acceleration을 식별하는 성능은 좋지 않음
image