基于车辆远程信息处理数据与LSTM循环神经网络的驾驶员识别
机器学习
2019-11-20 v1 神经与进化计算
信号处理
摘要
尽管车辆安全系统有所进步，但在过去十年中，汽车盗窃率上升，针对联网与自动驾驶车辆的网络安全攻击正成为新威胁。本文提出一种深度学习模型，可基于车辆远程信息处理数据从驾驶行为识别驾驶员。所提出的长短期记忆（Long-Short-Term-Memory, LSTM）模型根据从车辆远程信息处理数据中学到的个体独特驾驶模式预测驾驶员身份。鉴于远程信息处理为时间序列数据，该问题被表述为时间序列预测任务以利用内嵌的序列信息。所提方法的性能在三个自然驾驶数据集上评估，给出了高精度的预测结果。还研究了模型在通常由传感器缺陷或环境因素引起的含噪与异常数据上的鲁棒性。结果表明，尽管数据中存在异常与噪声，所提模型的预测精度仍令人满意且优于其他方法。
引用
@article{arxiv.1911.08030,
title = {Driver Identification Based on Vehicle Telematics Data using LSTM-Recurrent Neural Network},
author = {Abenezer Girma and Xuyang Yan and Abdollah Homaifar},
journal= {arXiv preprint arXiv:1911.08030},
year = {2019}
}
备注
IEEE ICTAI 2019