基于Encoder-Decoder注意力网络的异常驾驶行为在线识别方法
异常驾驶行为是车辆安全运行的重大威胁,其对人员与物资的安全高效投送造成严重危害.以低成本非接触式的手机多传感器数据为基础,通过对驾驶行为特性进行数据分析,提出一种融合Encoder-Decoder深度网络与At-tention机制的异常驾驶行为的在线识别方法.该方法由基于LSTM(long short-term memory)的Encoder-Decoder、At-tention机制与基于SVM(support vector machine)的分类器3 个模块构成.该系统识别方法包括:输入编码、注意力学习、特征解码、序列重构、残差计算与驾驶行为分类等6 个步骤.该技术方法利用自然驾驶条件下所采集的手机传感器数据进行实验.实验结果表明:① 手机多传感器数据融合方法对驾驶行为识别具备有效性;② 异常驾驶行为必然会造成数据异常波动;③ Attention机制有助于提升模型学习效果,对所提出模型的识别准确率F1-score为0.717,与经典同类模型比较,准确率得到显著提升;④对于汽车异常驾驶行为来说,SVM比Logistic与随机森林算法具有更优越的识别效果.
异常驾驶、深度学习、编码器-解码器、长短时记忆网络、注意力机制
44
U491(交通工程与公路运输技术管理)
国家自然科学基金;中国博士后科学基金;江苏省高层次创新创业人才引进计划;中央高校基本科研业务费专项资金资助项目
2023-09-27（万方平台首次上网日期，不代表论文的发表时间）
共9页
63-71
