Análise de comportamento de direção de motoristas por meio de um simulador preditivo

Eduardo  Tamanaha; Ivan Carlos Alcântara de Oliveira

doi:10.5020/23180730.2021.11399

Autores

Eduardo Tamanaha IPT Instituto de Pesquisas Tecnológicas, São Paulo https://orcid.org/0000-0001-7226-4433
Ivan Carlos Alcântara de Oliveira IPT Instituto de Pesquisas Tecnológicas de São Paulo https://orcid.org/0000-0002-6020-7535

DOI:

https://doi.org/10.5020/23180730.2021.11399

Resumo

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

Não há dados estatísticos.

Biografia do Autor

Eduardo Tamanaha, IPT Instituto de Pesquisas Tecnológicas, São Paulo

Analista de desenvolvimento de sistemas na área de Tecnologia da Informação

Ivan Carlos Alcântara de Oliveira, IPT Instituto de Pesquisas Tecnológicas de São Paulo

Graduado em Ciência da Computação pela Universidade de São Paulo (USP), mestre em Engenharia da Computação (IPT-SP) e doutor em Ciências pela USP. Entre 2013 e 2015 atuou como consultor da Lessa, Treinamento, Cursos e Consultoria Ltda. na Coordenação, Projeto, Desenvolvimento, Integração de Sistemas e Ambientes Virtuais de Aprendizagem. No período de 2000 a 2020, trabalhou na Universidade Cruzeiro do Sul em diversas funções, dentre elas: Professor Titular dos curso de Computação, coordenador geral da pós-graduação lato-sensu a distância e coordenador do curso de Pós-Graduação Lato Sensu “Educação a Distância: Elaboração de Material, Tutoria e Ambientes Virtuais”, além de trabalhar como orientador de Trabalhos de Conclusão de Curso dos cursos de graduação e pós-graduação lato-sensu. Desde 2015 trabalha como professor da Universidade Municipal de São Caetano do Sul (USCS) nos cursos de Computação e Sistemas de Informação. A partir de 2013 atua como docente colaborador do Mestrado Profissional em Engenharia de Computação do IPT/SP, na função de orientador. Tem publicações em congressos e capítulos de livro nas áreas de Computação e Educação a Distância. Pesquisa principalmente os temas: Aprendizado de Máquina, Mineração de Dados, Ciência de Dados, Sistemas de Aprendizagem Adaptativos e Inteligentes, Teoria dos Grafos, Learning Analytics, Recursos Educacionais Abertos, Ambientes Virtuais de Aprendizagem e Orientação a Objetos.

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.