引入先验知识输入以改进基于LSTM自编码器的车载感知数据表征
信号处理
2024-10-28 v1
摘要
随着现代车辆可用的响应式连接能力，网联车辆中事件表征的精度已变得愈发重要。车辆传感器进行的事件表征被用于车辆的安全与自动驾驶应用中。尽管表征系统已被证明能够预测危险驾驶模式，此类系统的精度仍是一个开放问题。在网联车辆环境下，驾驶事件表征系统面临的主要问题需被解决，即驾驶数据的严重不平衡与事件低频性，以及存在针对车辆环境优化的时间序列检测系统。为克服这些问题，我们引入了将先验知识输入方法应用于表征系统的方案。此外，我们提出了一种基于循环网络的去噪自编码器来扩充现有数据，以实现更鲁棒的训练过程。实验结果表明，基于知识的建模的引入使现有系统达到了显著更高的准确率和F1-score水平。最终，两种方法结合使所提模型相较基线实现了14.7%的准确率提升，准确率达到0.96。
引用
@article{arxiv.2101.01259,
title = {Prior Knowledge Input to Improve LSTM Auto-encoder-based Characterization of Vehicular Sensing Data},
author = {Nima Taherifard and Murat Simsek and Charles Lascelles and Burak Kantarci},
journal= {arXiv preprint arXiv:2101.01259},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication