論文題目:
You Are How Drive: Peer and Temporal-Aware Representation Learning for Driving Behavior Analysis
論文內容:
分析駕駛行爲,能夠有助於評估司機的駕駛表現,進而提高交通安全,並能提升智慧交通的應用及發展。
該論文提出了PTARL框架,基於GPS軌跡數據,來分析司機的駕駛行爲。該框架圖如下圖1所示:
問題定義:
1、Driving Operation:
根據速度和方向,可將駕駛操作分爲兩種,1)速度相關的操作,主要包括加速、減速以及常速行駛等;2)方向相關的操作,如左轉彎、右轉彎以及直行等。
速度與方向的判別,本論文主要是用GPS軌跡數據中的經緯度,根據球面距離公式以及偏航角的計算公式來獲得。
速度的計算方式如下圖2:
方向計算方法如下圖3所示:
2、Driving State:
駕駛狀態主要考慮在特定時間點或小的時間窗口來計算其速度和方向。其格式如<speed, direction>。
3、Driving state transition Graph:
由於車輛的駕駛狀態時不時的會發生變化,所以,本論文提出駕駛狀態轉移圖來描述隨時間變化的狀態序列。在司機的駕駛狀態轉移圖中,節點表示駕駛狀態,邊的權重表示在兩個駕駛狀態之間的持續時間或狀態變化的頻率。
在該圖中,主要涉及到兩點,轉移概率(transition probability)和狀態的持續時間(transition duration)。由於時間關係,直接貼原論文的內容了,其計算方法如下圖4所示:
4、問題定義:
根據GPS軌跡(其數據格式爲<timestamp, lat, lng>),目的在於找到映射函數f來將GPS映射到隨時間變化的向量V,這樣做的目的在於統計司機的動態駕駛行爲。
5、應用:
1)司機駕駛分數的預測以及歷史駕駛行爲的評估
利用SVR來評判司機的駕駛行爲。
2)危險區域的檢測:
如在某一區域某一時間段內,低分的司機在該區域中行駛,則該區域很有可能會比較危險。
個人思考:
該論文主要的創新點是依據GPS軌跡數據利用駕駛狀態轉移圖來評估司機的駕駛行爲;但個人感覺存在的問題,如下:1)當在無GPS場景或弱GPS場景下(或GPS缺失的情況下),如何來保證其方法的有效性。2)在計算GPS點之間的距離,是否可以結合體其他交通數據,來提高模型的精度。