تشخیص ناهنجاری در جاده ها با رویکرد داده کاوی

چکیده

کلمات کلیدی

1.مقدمه

2 پیشینه

3 رویکرد پیشنهادی برای شناسایی ناهنجاری های جاده ای

1.3 فهم کسب و کار 

2.3 درک داده ها 

شکل 1 نمونه داده جمع آوری شده 

جدول شماره 1: مقادیر و نوع ناهنجاری جمع آوری شده

3.3. آماده سازی داده ها 

شکل 2. فرایند تهیه داده ها 

شکل 3. مثال شتاب خطی با ناهنجاری

 شکل 4 a) برچسب ناهنجاری قبل از پر کردن دستی b) برچسب ناهنجاری پس از پر کردن دستی 

 شکل 5. مثال شتاب خطی با ناهنجاری و دو پنجره با 50 درصد همپوشانی

 3.4. مدل سازی

 5.3 ارزیابی

 1.5.3 اولین تجربه - ویژگی های کامل

جدول 2. نمره الگوریتم ها با مجموعه داده

جدول 3. ماتریس درهم ریختگی تقویت گرادیان

جدول 4. ماتريس در هم ریختگی درخت تصميم گيری 

2.5.3  دومین تجربه - بهترین ویژگی ها 

شکل 6. انتخاب ویژگی Weka - ارزیابی زیرمجموعه CFS با روش جستجوی Greedy Stepwise 

جدول 5. نمرات الگوریتم ها برای 10 ویژگی انتخاب شده توسط Weka 

جدول 6 ماتریس درهم ریختگی SVC خطی - 10 مجموعه داده ویژگی ها 

 4. نتیجه گیری و پیشنهادات

وضعیت جاده نقش مهمی در زندگی روزمره ما دارد . ناهنجاری در جاده می تواند باعث تصادفات، نقص فنی ، استرس و ناراحتی در رانندگان و مسافران شود. دولت ها مبالغ هنگفتی برای نگهداری جاده صرف می کنند تا جاده ها را در شرایط خوبی نگه دارند. اما کارهای تعمیر و نگهداری گسترده می تواند به ترافیک منجر شود، و موجب ناراحتی رانندگان شود. برای جلوگیری از مشکلات ناشی از ناهنجاری های جاده ای، ما سیستمی را پیشنهاد می کنیم که می تواند ناهنجاری های راه را با استفاده از سنسورهای گوشی های هوشمند تشخیص دهد. این رویکرد بر پایه الگوریتم های داده کاوی است. در این کار از scikit-learn، (یک ماژول پیتون) و Weka به عنوان ابزار داده کاوی استفاده می کنیم. تمام پردازش اطلاعات با استفاده از زبان پیتون انجام شد. نتایج نهایی نشان می دهد که می توان ناهنجاری های جاده ای را با استفاده از یک گوشی هوشمند شناسایی کرد.

وضعيت جاده در زندگي روزمره ما نقش مهمی دارد. ناهنجاری جاده ای می تواند باعث خرابی وسایل نقلیه و حتی بروز حوادث شود. همچنین، شرایط بد جاده ها می تواند بر آسایش مسافر و راننده تاثیر گذاشته و استرس را افزایش دهد. دولت ها میلیون ها یورو برای در تعمیر و نگهداری راه ها صرف می کنند، که می تواند باعث ترافیک، افزایش استرس راننده، مصرف سوخت و تاخیر در زندگی روزانه ما شود. یک سیستم ردیابی جاده ای / ناهنجاری می تواند به برنامه ریزی و تعمیر و نگهداری راه های دولتی کمک کند تا تاثیرات مخرب بر زندگی مردم را کاهش دهد، یک سیستم هشدار دهنده برای رانندگان می تواند آگاهی از ناهنجاری را افزایش دهد و ممکن است حوادث ناشی از آن، تعمیر و نگهداری خودرو و استرس راننده را کاهش دهد . همچنین، هنگام برنامه ریزی سفر، اطلاعات در مورد وضعیت جاده ها می تواند راحتی راننده و مسافران افزایش دهد. با این حال، تشخیص و بررسی وضعیت جاده / ناهنجاری ها نیاز به تجهیزات و وسایل گران قیمت و مخصوص و همچنین نیاز به افراد متخصص دارد که هزینه های قابل توجهی ایجاد می کنند. از سوی دیگر، اکثر رانندگان دارای گوشی های هوشمند هستند که به سنسورهای هدایت و موقعیت سنجی مجهز شده اند. همچنین، گوشی های هوشمند بخشی از زندگی روزمره ما هستند، و اکثر افراد حداقل یک دستگاه از آن را دارند. بنابراین، این دستگاه ها می تواند به عنوان تجهیزات نظارت بر جاده مورد استفاده قرار گیرند، و هر راننده / ماشین را به یک تکنسین جاده تبدیل کند. در این کار، ما سیستمی را توصیف می کنیم که براساس اطلاعات جمع آوری شده توسط سنسورهای گوشی های هوشمند، و با استفاده از الگوریتم های داده کاوی، به صورت اتوماتیک داده های ناهنجاری ها را جمع آوری و طبقه بندی می کند. به طور خاص، ما روش شناسی مورد استفاده برای فرآیند استخراج داده ها را توصیف می کنیم و برخی از مشکلات و چالش های حاصل از این فرایند را مورد بحث قرار می دهیم. با این حال، استفاده از دستگاه های گوشی های هوشمند در مقایسه با تجهیزات گرانقیمت تر و تخصصی جاده ای دارای مشکلات و محدودیت های بسیاری است. به ویژه، دستگاه های گوشی های هوشمند از سنسورهای ارزان تر استفاده می کنند که معمولا در مقایسه با تجهیزات تخصصی حساسیت و دقت کمتری دارند. این به خصوص برای سنسورها و GPS صادق است. علاوه بر این، استفاده از انواع مختلف گوشی های هوشمند و سنسور به ناهمگونی داده ها منجر می شوند، زیرا سنسورهای مختلف معمولا مقادیر مختلفی را برای یک پارامتر فیزیکی مشابه اندازه گیری می کنند. این ناهمگونی تنها مربوط به گوشی های هوشمند و سنسورها نیست. پارک خودرو نیز از این مشکلات رنج می برد ( به دلیل وجود ماشین ها و مدل های ، سیستم تعلیق و لاستیک های بسیار مختلف). این ها تأثیر مستقیمی بر داده های جمع آوری شده دارند، بنابراین راه حل های موجود که به تشخیص و دسته بندی ناهنجاری های راه بر اساس آستانه های از پیش تعیین شده می پردازند، برای سناریوهای واقعی مناسب نیست. علاوه بر این، سنسورهای GPS تلفن های هوشمند معمولا دارای خطای دقت چند ده متری دارند، به این معنی که یک مکان مشابه می تواند مختصات متفاوتی (طول و عرض جغرافیایی) در اندازه گیری های مختلف داشته باشد. علاوه بر این، سرعت رانندگی تاثیر قابل توجهی در لرزش وسیله نقلیه دارد و دامنه نوسان بالاتری در داده های شتاب سنج ایجاد می کند.