面向异常驾驶行为检测的带安全指标的数据驱动半监督机器学习
机器学习
2025-03-19 v7 人工智能
信号处理
其他统计学
摘要
检测异常驾驶行为对于道路交通安全和驾驶员行为评估至关重要。随着机器学习（ML）算法的进步和自然驾驶数据的积累，许多 ML 模型已被用于异常驾驶行为检测（本文中也称为“异常”）。大多数现有的基于 ML 的检测器依赖于（完全）监督 ML 方法，这需要大量标注数据。然而，在现实世界中，真实标签并非总是可获取的，且标注大量数据是繁琐的。因此，有必要探索无监督或半监督方法，以使异常检测过程更可行、更高效。为填补这一研究空白，本研究分析了揭示多种异常驾驶行为（例如，急加速、快速变道）的大规模真实世界数据，并开发了一种基于分层极限学习机（HELM）的半监督 ML 方法，利用部分标注数据来检测已识别的异常驾驶行为。此外，以往基于 ML 的方法主要利用基本车辆运动特征（如速度和加速度）来标注和检测异常驾驶行为，而本研究试图引入事件级安全指标作为 ML 模型的输入特征，以提高检测性能。大量实验的结果证明了所提出的半监督 ML 模型的有效性，其中引入的安全指标作为重要特征。所提出的半监督 ML 方法优于其他基线半监督或无监督方法：例如，它提供了 99.58% 的最佳准确率和 0.9913 的最佳 F1 分数。消融研究进一步凸显了安全指标对于提升异常驾驶行为检测性能的重要性。
引用
@article{arxiv.2312.04610,
title = {Data-Driven Semi-Supervised Machine Learning with Safety Indicators for Abnormal Driving Behavior Detection},
author = {Yongqi Dong and Lanxin Zhang and Haneen Farah and Arkady Zgonnikov and Bart van Arem},
journal= {arXiv preprint arXiv:2312.04610},
year = {2025}
}
备注
16 pages, 10 figures, accepted by the 103rd Transportation Research Board (TRB) Annual Meeting, accepted and published by Transportation Research Record: Journal of the Transportation Research Board