基于智能手机感知的道路与驾驶风格的机器学习方法

道路运输对一个国家至关重要，对经济、人民健康和生活方式有深远影响。随着城市和人口的增长，对流动性和安全的需求更大，产生了新问题并放大了过去的那些问题。需要新工具来应对挑战，保持道路良好状况、用户安全，并最小化对环境的影响。本论文关注道路质量评估和攻击性驾驶这两个道路运输中的重要问题，在智能交通系统的背景下，通过使用机器学习技术来分析基于智能手机的机会感知获取的加速度时间序列，以自动检测、分类和刻画感兴趣事件。道路质量评估的两个方面得到解决：道路异常的检测与刻画。对于前者，比较了文献中引用最广的工作，并提出了性能相当或更好的方案，去除了对阈值依赖并降低了先前方案的计算成本和维度。对于后者，展示了用于估算坑洼深度和减速带功能状况的新方法。引入了坑洼深度排序这一新问题，使用learning-to-rank方法按其所反映坑洼深度对加速度信号排序。攻击性驾驶操纵的分类通过自动特征提取完成，在信号中发现具有特征形状的子序列比在时间窗上计算的常规描述子更有效作为判别量。最后，上述所有任务被组合以产生一个鲁棒的道路运输评估平台。