Tesis:
Una metodología sistemática para evaluar los modelos de predicción para la clasificación del estilo de conducción
- Autor: SILVA FERAUD, Iván
- Título: Una metodología sistemática para evaluar los modelos de predicción para la clasificación del estilo de conducción
- Fecha: 2020
- Materia: Sin materia definida
- Escuela: E.T.S.I. DE SISTEMAS INFORMÁTICOS
- Departamentos: INTELIGENCIA ARTIFICIAL
- Acceso electrónico: http://oa.upm.es/66065/
- Director/a 1º: NARANJO HERNÁNDEZ, José Eugenio
- Resumen: La identificación del estilo de conducción mediante modelos de clasificación utilizando datos del vehículo, puede proporcionar información automatizada a los conductores sobre su comportamiento de conducción, especialmente si conducen de forma segura. Si bien en la bibliografía se han desarrollado varios modelos de clasificación para este propósito, no hay consenso sobre qué clasificador se desempeña mejor en la identificación del estilo de conducción. Por lo tanto, se necesita más investigación para evaluar los modelos de clasificación comparando métricas de desempeño. Este estudio tiene como objetivo el desarrollo de una serie de modelos para caracterizar la seguridad de la conducción de conductores, cuyo rendimiento será sistemáticamente analizado siguiendo metodologías bien establecidas para el aprendizaje automático y utilizando métricas de clasificación derivadas de la matriz de confusión y pruebas de significancia estadística. Los modelos seleccionados han sido desarrollados utilizando las siguientes técnicas de inteligencia computacional: lógica difusa, ANN, SVM, RF y kNN. Para entrenar y probar los cinco modelos de clasificación, se recopilo eventos agresivos e infracciones de tránsito, a través de dispositivos electrónicos en un entorno real. Los resultados experimentales muestran que SVM superó a los otros cuatro modelos con una exactitud de 0.96 y cuatro de los cinco modelos predijeron los estilos de conducción de forma similar. ----------ABSTRACT---------- Identifying driving styles using classification models with in-vehicle data can provide automated feedback to drivers on their driving behavior, in particularly if they are driving safely. While several classification models have been developed in the literature for this purpose, there is no consensus regarding which classifier performs better at identifying driving styles. Therefore, more research is needed to evaluate classification models by comparing performance metrics. This study aims to develop a series of models to characterize the driving safety of human drivers whose performance has been systematically analyzed following well-established methodologies for machine learning and using classification metrics derived from the confusion matrix and statistical significance tests. The selected models have been developed using the following computational intelligence techniques: fuzzy logic, ANN, SVM, RF and kNN. In order to train and test the five classification models, we collected aggressive events and traffic violations, through OBD2 and GPS devices in a naturalistic setting. Experimental results show that SVM outperformed the other four models with an accuracy of 0.96 and four of the five models predicted the driving styles in a similar way.