基于IPv6校园环境车辆行驶行为建模与分析.pptVIP

基于IPv6校园环境车辆行驶行为建模与分析 背景介绍 系统架构 车辆行驶检测模型 实验分析 总结 智能移动终端的功能越来越强： 计算能力：多核CPU、GPU等 通信能力：蓝牙、3/4/5G、WiFi、NFC等 感知能力：陀螺仪、光强计、气压计、高清摄像头、磁力计等 如下领域得到迅速发展： 移动计算（Mobile Computing） 移动感知（Mobile Sensing） 众包（Crowdsourcing） 背景介绍—智能终端带来的 研究场所：校园环境 网络环境：IPv4/6无线网络全覆盖 研究目标：车辆行驶数据采集与建模 研究工具：基于Android的移动平台 背景介绍—项目场景和目标 通过移动终端设备内部的多项传感器捕获车辆的行驶数据，结合众包数据采集方案收集海量数据，结合机器学习算法构建车辆驾驶行为识别检测模型 系统架构—概述 主要功能： 与智能移动终端进行数据交互 利用机器学习方法对增长数据进行挖掘 通过Web显示数据采集情况 系统架构—云计算平台 主要功能 1. 传感器数据的采集和上传 利用Eclipse+Java研发Android智能终端的采集系统，通过调度智能设备底层的传感器（如加速度传感器、陀螺仪等）接口读取车辆在行驶过程中数据，并通过校园环境IPv6与IPv4通信网络，提交采集的传感数据 2. 驾驶行为的实时检测 在一定规模的传感器数据基础上，利用机器学习方法训练相应模型，并智能移动终端对实时采集的数据进行分析和显示 系统架构—数据采集端 系统架构—传感器数据定性分析 传感器类型 位置敏感 方向敏感 功能 加速度计 否 是 加速度 陀螺仪 否 是 角速度 磁力计 否 是 方向 GPS 否 否 位置、速度 重力计 否 是 重力 摄像头 是 是 图像 光感传感器 是 是 光强 选择加速度计和陀螺仪两种惯性传感器的反馈数据进行采集 对5种常见行驶行为进行采集：左/右转向、左/右变道和掉头 采用如图的相对位置固定智能移动终端，构建传感器与车辆的相对坐标系映射关系。通过惯性传感器的实时数据捕获车辆行驶中的反馈数据 数据采集 司机：教师、学生家长、的士司机和专车司机 车型：轿车和SUV 智能终端： Samsung Note3、Google NS5、红米Note1、Note3、联想S1 系统架构—终端放置采集实验 利用检测的识别算法MultiWave，能够有效的过滤原始传感器的噪声数据，并能够比传统的滑动窗口更为有效的捕获车辆的五种行驶事件。 针对车辆行驶过程中产生的波形发生区间内数据，提出了一个8维统计特征参数集：{最大值、最小值、均值、方差、标准差、上四分位数、下四分位数、信息熵}，作为训练输入。 车辆行驶检测模型—特征集 分别通过随机抽样，选取已采集的总体数据样本的10%、20%、30%、50%、70%、90%、100%，测试了5类不同的机器学习算法，分别是：支持向量机（C-SVC）、邻近算法（IBK）、决策树算法（J48）、规则归纳学习（JRip）和朴素贝叶斯分类器（Naïve Bayes）。 每次对训练样本集进行随机排序初始化，训练使用10-fold交叉验证方法，不同规模数据量和算法组合重复10次，求取识别准确度的均值和标准差。 车辆行驶检测模型—实验 不同算法的总体平均准确度随数据量（百分比）增加而上升，在数据百分比超过50%后上升不明显，说明目前的训练数据规模相对能够满足模型训练的需求。而误差随数据比例上升持续缩小，说明训练模型的稳定性随数据增长而增加。在采用全部数据进行训练时，基于决策树的识别模型准确度最高，可达96%以上，模型最优。 车辆行驶检测模型—实验 总结 采集平台搭建 校园IPv6和IPv4无线网络 C/S架构的服务器 Android智能移动端采集系统 众包技术的采集策略 行驶数据存储 不同车型的车辆 不同类型的智能终端 多名驾驶员 驾驶行为识别 Hadoop云平台 MultiWave波形识别算法 决策树识别算法 将该决策树算法及相关的决策参数整合到移动智能终端，使得智能终端能够实时对车辆的行驶模式进行判断 接下来的工作将在此基础上进一步提出危险驾驶识别模型，并通过IPv6网络构建车联网环境，进行相关的模拟实验，对危险驾驶车辆进行评级，构建通过车联网环境下的危险车辆周边预警系统 未来工作 谢谢 提问