基于表征学习与分组训练利用的无监督驾驶行为分析

驾驶行为监测在管理道路安全和降低交通事故风险方面起着至关重要的作用。驾驶行为受多种因素影响，如车辆特性、道路类型、交通状况，但最重要的是个体的驾驶模式。当前工作通过捕捉驾驶模式的变化，执行了稳健的驾驶模式分析。它通过使用多层序列到序列自编码器学习时间序列的压缩表征（自编码紧凑序列），并利用层次聚类以及推荐最佳距离度量的选择，来形成一致的群组。一致的群组有助于识别数据集中捕获的个体驾驶模式的变化。这些群组针对训练数据和隐藏测试数据均会生成。利用训练数据形成的一致群组，用于训练分类器的多个实例。所获得的最佳距离度量选择用于选择最佳的训练-测试一致群组对。我们在公开可用的UAH-DriveSet数据集上进行了实验，考虑了从IMU传感器（加速度计和陀螺仪）捕获的信号，用于对驾驶行为进行分类。我们观察到，所提出的方法显著优于基准性能。