Araç Sürüş Verilerinden Makine Öğrenmesi Tekniklerini Kullanarak Sürücü Sınıflandırma

Abstract

Araç donanım teknolojisindeki gelişmeler büyük ölçekli araç sürüş verilerinin toplanmasına olanak sağlamıştır. Bu veriler özellikle kentsel alan trafik yönetimi ve araç sürüş destek sistemi uygulamaları için önemli bir kaynak teşkil etmektedir. Bu çalışmada, bu verilerin sürücü ile ilgili çıkarım yapabilme yeteneği ile ilgilenilmiştir. Veri kaynağı olarak Uyanık veri kümesi [1] CAN (Controller Area Network) verileri kullanılmıştır. Sürücü kümeleme, sürücü cinsiyet sınıflandırma ve sürücü tanıma ile ilgili deneyler gerçekleştirilmiştir. Sürücü kümeleme deneylerinde Dynamic Time Warping ve kendi geliştirdiğimiz Dynamic Distance Warping veri dönüşüm metodları uygulanarak farklı mesafe metriklerine göre hiyerarşik sürücü kümeleme işlemi gerçekleştirilmiştir. Bu işlemin sonucunda tutarlı sürücü gruplamaları elde edilmiştir. Sürücü cinsiyet sınıflandırma deneylerinde veri örnekleme, öznitelik çıkarımı, öznitelik eleme ve ayrıştırma veri ön işleme metodları uygulanarak 0.97 doğruluk oranına ulaşılmıştır. Sürücü tanıma deneylerinde kendi geliştirdiğimiz bir örüntü parçalama tekniği ve öznitelik çıkarımı veri ön işleme metodları uygulanarak 105 adet sürücü arasından 0.1 doğruluk oranında sürücü sınıflandırma işlemi gerçekleştirilmiştir. Tüm bu deneyler ile ortaya çıkan çıkarımlar neticesinde literatürde yeni bir tartışma konusu ortaya çıkmaktadır; Sürüş verisi hassas kişisel veri kapsamında değerlendirilmeli midir?

The advances in vehicle equipment technology enabled us collecting large-scale vehicle driving data. This data is an important resource for urban area traffic management and vehicle driving support system applications. In this study, we are interested making inferences ability of these data about the driver. Uyanık data set [1] CAN (Controller Area Network) bus data are used as the data source. Experiments are carried out on driver gender classification, driver identification, and driver clustering. In the driver clustering experiments, hierarchical driver clustering is performed with using the Dynamic Distance Warping developed by us and Dynamic Distance Time data conversion methods according to different distance metrics. As a result, consistent driver groupings are achieved. In driver gender classification experiments, gender classification is performed with applying data sampling, feature extraction, feature elimination and discretization data preprocessing methods. Best classifiers reached up to 0.97 accuracy rate. In driver identification experiments, driver classification is carried out with applying driver pattern splitting technique developed by us and feature extraction data preprocessing methods and driver identification performance reached 0.1 accuracy rate among the 105 drivers. All these experiment results open up a new thread of discussion: whether the driving data should be treated as a sensitive personal feature?