Análise de comportamento de direção de motoristas por meio de um simulador preditivo
DOI:
https://doi.org/10.5020/23180730.2021.11399Resumo
Os acidentes e as fatalidades no trânsito brasileiro ocorrem especialmente por falha humana, normalmente associada ao comportamento e atitudes indevidas do condutor do veículo, como abuso de velocidade, consumo de álcool e outras infrações à legislação de trânsito. A análise de comportamento de direção pode ser aplicada para auxiliar o motorista em averiguar a qualidade de sua condução. Este trabalho desenvolveu um protótipo de software para analisar a direção de motoristas fazendo uso de machine leaning e uma base de dados pública para geração do seu modelo preditivo. Para isso, foi realizada uma revisão sistemática da literatura para identificar os métodos de machine learning mais utilizados. Baseado nos resultados dessa revisão, foram identificadas algumas técnicas, dentre elas, Dynamic Time Warping (DTW) foi a mais citada e selecionada para gerar o modelo preditivo. O modelo gerado com DTW e a base de dados obtida encontrou uma acurácia de 84,21%. Esse modelo foi utilizado para compor o protótipo Canary Driver Alert que lê um arquivo contendo dados de condução de motoristas coletados por aplicativo de smartphone e identifica o evento de direção realizado. O Canary Driver Alert foi avaliado por meio de doze experimentos de viagens com diferentes eventos de direção e foi observado que em vias com terreno plano identifica adequadamente os eventos de direção, em particular a aceleração e frenagem agressivas.Downloads
Referências
CARVALHO, E. et al. Exploiting the use of recurrent neural networks for driver behavior profiling. 2017 International Joint Conference On Neural Networks, [S.l.], p.3016-3021, maio 2017. IEEE. DOI: http://dx.doi.org/10.1109/ijcnn.2017.7966230.
CASTIGNANI, G. et al. Driver Behavior Profiling Using Smartphones: A Low-Cost Platform for Driver Monitoring. IEEE Intelligent Transportation Systems Magazine, [S.l.], v. 7, n. 1, p.91-102, 2015. Institute of Electrical and Electronics Engineers (IEEE). DOI: http://dx.doi.org/10.1109/mits.2014.2328673.
______. Smartphone-Based Adaptive Driving Maneuver Detection: A Large-Scale Evaluation Study. IEEE Transactions On Intelligent Transportation Systems, [S.l.], v. 18, n. 9, p.2330-2339, set. 2017. Institute of Electrical and Electronics Engineers (IEEE). DOI: http://dx.doi.org/10.1109/tits.2016.2646760.
ENGELBRECHT, J. et al. Performance Comparison of Dynamic Time Warping (DTW) and a Maximum Likelihood (ML) Classifier in Measuring Driver Behavior with Smartphones. 2015 IEEE Symposium Series On Computational Intelligence, [S.l.], p.427-433, dez. 2015. IEEE. DOI: http://dx.doi.org/10.1109/ssci.2015.70.
EREN, H. et al. Estimating driving behavior by a smartphone. 2012 IEEE Intelligent Vehicles Symposium, [S.l.], p.234-239, jun. 2012. IEEE. DOI: http://dx.doi.org/10.1109/ivs.2012.6232298.
FAZEEN, M. et al. Safe Driving Using Mobile Phones. IEEE Transactions On Intelligent Transportation Systems, [S.l.], v. 13, n. 3, p.1462-1468, set. 2012. Institute of Electrical and Electronics Engineers (IEEE). DOI: http://dx.doi.org/10.1109/tits.2012.2187640.
FELIZARDO, K. R. et al. Revisão Sistemática da Literatura em Engenharia de Software: Teoria e Prática. Rio de Janeiro: Elsevier Editora Ltda, 2016.
FERREIRA, J. et al. Driver behavior profiling: An investigation with different smartphone sensors and machine learning. Plos One, [S.l.], v. 12, n. 4, p.1-16, 10 abr. 2017. Public Library of Science (PLoS). DOI: http://dx.doi.org/10.1371/journal.pone.0174959.
HONG, J.; MARGINES, B.; DEY, A. K. A smartphone-based sensing platform to model aggressive driving behaviors. Proceedings Of The 32nd Annual Acm Conference On
Human Factors In Computing Systems - Chi '14, [S.l.], p.4047-4056, 2014. ACM Press. DOI: http://dx.doi.org/10.1145/2556288.2557321.
JOHNSON, D. A.; TRIVEDI, M. M. Driving style recognition using a smartphone as a sensor platform. 2011 14th International IEEE Conference On Intelligent Transportation Systems, [S.l.], p.1609-1615, out. 2011. IEEE. DOI: http://dx.doi.org/10.1109/itsc.2011.6083078.
LÓPEZ, Roque. Classifier using Dynamic Time Warping Distance. GitHub, 2017. Disponível em: <https://github.com/roquelopez/classifier_using_dynamic_time_warping> Acesso em: 20 jan. 2020.
POLI et al. Voice Command Recognition with Dynamic Time Warping (DTW) using Graphics Processing Units (GPU) with Compute Unified Device Architecture (CUDA). 19th International Symposium on Computer Architecture and High Performance Computing, [S.l.], 2007. IEEE. DOI: 10.1109/SBAC-PAD.2007.21.
POLÍCIA RODOVIÁRIA FEDERAL. Acidentes por Ocorrência, 2019. Disponível em: <https://portal.prf.gov.br/portal/dados-abertos/acidentes/acidentes>. Acesso em: 02 set. 2019.
SAIPRASERT, C.; PHOLPRASIT, T.; THAJCHAYAPONG, S. Detection of Driving Events using Sensory Data on Smartphone. International Journal Of Intelligent Transportation Systems Research, [S.l.], v. 15, n. 1, p.17-28, 23 jul. 2015. Springer Nature. DOI: http://dx.doi.org/10.1007/s13177-015-0116-5.
SAKOE, H.; CHIBA, S. Dynamic programming algorithm optimization for spoken word recognition. IEEE Transactions On Acoustics, Speech, And Signal Processing, [S.l.], v. 26, n. 1, p.43-49, fev. 1978. Institute of Electrical and Electronics Engineers (IEEE). DOI: http://dx.doi.org/10.1109/tassp.1978.1163055.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Revista Tecnologia
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Opiniões expressas nos artigos são de responsabilidade exclusiva dos autores, que, ao permitirem a publicação de seus textos, concordam que a Revista Tecnologia passe a ter o direito de divulgá-los por mídia impressa e eletrônica. A Revista se reserva o direito de efetuar nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da lingua, respeitando, porém o estilo dos autores.