Driver2vec：基于车载数据的驾驶员识别
机器学习
2021-02-11 v1 计算机视觉与模式识别
摘要
随着对隐私保护的日益关注，在不使用生物特征标识符的情况下识别车辆操作者的替代方法在车载数据分析中获得了关注。现代车辆上安装的多种传感器实现了自动驾驶、减少了事故并改善了车辆操控。另一方面，这些传感器收集的数据反映了驾驶员的习惯。驾驶员对转向灯的使用、跟车距离、加速度率等可以转化为代表其行为与身份的嵌入向量。在本文中，我们开发了一种深度学习架构（Driver2vec），将短时间的驾驶数据映射到一个代表驾驶员行为的嵌入空间，以辅助驾驶员识别。我们开发了一个定制模型，该模型利用了时序卷积网络的性能提升、三元组损失的嵌入分离能力以及梯度提升决策树的分类准确性。在 Nervtech 提供的包含 51 名驾驶员的数据集上训练后，Driver2vec 能够从短短 10 秒的传感器数据区间中准确识别驾驶员，从该 10 秒区间中实现了 83.1% 的平均成对驾驶员识别准确率，显著高于以往研究取得的性能。我们随后分析了 Driver2vec 的性能，表明其在不同场景下表现一致且建模选择是合理的。
引用
@article{arxiv.2102.05234,
title = {Driver2vec: Driver Identification from Automotive Data},
author = {Jingbo Yang and Ruge Zhao and Meixian Zhu and David Hallac and Jaka Sodnik and Jure Leskovec},
journal= {arXiv preprint arXiv:2102.05234},
year = {2021}
}
备注
7 pages, 3 figures, 6 tables in the main text. First publisehd to 6th Workshop on Mining and Learning from Time Series (2020)