基于两次聚类分析的驾驶异常检测
机器学习
2022-12-16 v1
摘要
驾驶中偏离正常交通模式的事件，即异常（如激进驾驶或颠簸路面），可能损害运输与物流（T&L）业务的配送效率。因此，检测驾驶中的异常对 T&L 行业至关重要。迄今已有大量研究利用车载传感器数据识别异常。多数既往工作通过使用深度学习或机器学习算法捕捉异常，这需要先验训练过程与巨大的计算成本。本研究提出一种称为基于两次聚类分析的驾驶异常检测（ADDCAT）的方法，对不同物理属性的处理后传感器数据进行聚类。若某事件始终不与主聚类拟合，则被视为异常，而主聚类被视为驾驶正常性模式。该方法提供了一种无需先验训练过程与巨大计算成本的驾驶异常检测途径。本文在一个开放数据集上验证了该方法的性能。
引用
@article{arxiv.2212.07691,
title = {Anomaly Detection in Driving by Cluster Analysis Twice},
author = {Chung-Hao Lee and Yen-Fu Chen},
journal= {arXiv preprint arXiv:2212.07691},
year = {2022}
}