面向智能道路车辆驾驶无监督风险诊断的自动聚类方法
机器学习
2024-10-01 v2 人工智能
摘要
从车辆流中进行早期风险诊断和驾驶异常检测对智能道路与碰撞预防的一系列先进解决方案大有裨益，尽管存在固有挑战，尤其是缺乏真值、多种风险暴露的定义。本研究提出一种领域特定的自动聚类（称为 Autocluster）以自学习最优模型用于无监督风险评估，其将风险聚类的关键步骤整合为可自动优化的流水线，包括特征与算法选择、超参数自动调优。首先，基于替代冲突测度，进行指标引导的特征提取以构建时空与运动学风险特征。然后我们提出基于消除的模型依赖重要性（EMRI）方法以无监督地筛选有用特征。其次，我们提出平衡轮廓指数（bSI）来评估不平衡聚类的内部质量。设计了一个损失函数，综合考虑内部质量、簇间变异和模型稳定性的聚类性能。第三，基于贝叶斯优化，自学习算法选择与超参数自动调优以生成最佳聚类划分。我们全面研究了多种算法。其中，使用 NGSIM 车辆轨迹数据作为测试平台。结果表明 Autocluster 可靠且有前景，可诊断广义驾驶行为中固有的多种不同风险暴露。此外，我们还深入探讨了风险聚类，如算法异质性、轮廓分析、层次聚类流等。同时，Autocluster 也是一种无监督多风险数据标注与指标阈值标定方法。 furthermore，Autocluster 有助于解决无真值或先验知识下不平衡聚类的挑战。
引用
@article{arxiv.2011.11933,
title = {Automatic Clustering for Unsupervised Risk Diagnosis of Vehicle Driving for Smart Road},
author = {Xiupeng Shi and Yiik Diew Wong and Chen Chai and Michael Zhi-Feng Li and Tianyi Chen and Zeng Zeng},
journal= {arXiv preprint arXiv:2011.11933},
year = {2024}
}