KaydedilenlerDerginizi ekleyin

Dergiler / Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2019 / Cilt: 19 - Sayı: 3

Gerçek Zamanlı Sürüş Verileri ile Sürücü Davranışlarının Belirlenmesi

Determination of Driver Behavior from Real-Time Driving Data

Ömer Nezih GEREK
Tuba Nur SERTTAŞ
Fatih Onur HOCAOĞLU
Sayfa
676–681
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Çalışma sonucunda yol ve trafik şartları aynı olmasına rağmen sürüşkarakteristiklerinin nasıl değişkenlik gösterebileceği ortaya konulmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada aynı yol şartlarında 2 farklı sürücü tarafından kaydedilen sürüş verileri kullanılaraksürücülerin sürüş karakteristikleri irdelenmiştir.
📊
Temel Bulgular & Veri:Akıllı telefonların ivme ölçer sensörü ve GPS işaretiüzerinden kaydedilen veriler bilgisayar ortamında işaret işleme yöntemleri ile incelenmiştir.
💡
Sonuç & Katkı:Çalışma sonucunda yol ve trafik şartları aynı olmasına rağmen sürüşkarakteristiklerinin nasıl değişkenlik gösterebileceği ortaya konulmuştur.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmada aynı yol şartlarında 2 farklı sürücü tarafından kaydedilen sürüş verileri kullanılaraksürücülerin sürüş karakteristikleri irdelenmiştir. Akıllı telefonların ivme ölçer sensörü ve GPS işaretiüzerinden kaydedilen veriler bilgisayar ortamında işaret işleme yöntemleri ile incelenmiştir. Sürüşkarakteristikleri, sürücünün şerit değiştirme eğilimi, hız, ivme, fren yapma gibi parametreler göz önünealınarak oluşturulmuştur. Çalışma sonucunda yol ve trafik şartları aynı olmasına rağmen sürüşkarakteristiklerinin nasıl değişkenlik gösterebileceği ortaya konulmuştur. Kaydedilen veriler üzerindekarşılaştırmalı analizler gerçekleştirilmiştir. Elde edilen analizler sürücünün risk maliyeti, karbonemisyonu ve benzeri parametrelerin oluşturulmasında kullanılabilmektedir.

Abstract

In this study, driving characteristics of two drivers were investigated using driving motion data recorded under the same road conditions. The data recorded by accelerator sensor and GPS info of the smartphones were analyzed with signal processing methods. Driving characteristics were tried to be achieved from recorded parameters such as the tendency of the driver to change lanes, speed, acceleration and braking. The results of the study show how the driving characteristics may vary even under the same road and traffic conditions. Comparative analysis are presented. The analysis results are expected to constitute valuable information for the driver insurance risk and carbon emissions.

🔖

Bu Makaleye Atıf Yap

GEREK, Ö. N., SERTTAŞ, T. N., HOCAOĞLU, F. O. (2022). Gerçek Zamanlı Sürüş Verileri ile Sürücü Davranışlarının Belirlenmesi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 19 - Sayı: 3, 676–681. https://ajindex.com/articles/429907

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (6)

  1. Augustynowicz, A., 2009. Preliminary classification of driving style with objective rank method. International Journal of Automotive Technology, 10, 5, 607−610. Choi, S., Kim, J. and Kwak, D., 2008. Analysis and Classification of Driver Behaviour using In-Vehicle CAN-Bus Information. Biennial Workshop on DSP for In-Vehicle and Mobile Systems. Ehmann, M. and Irmscher, M., 2004. Driver classification using ve DYNA advanced driver. SAE World Congress. Fernandez, S. and Ito, T., 2016. Driver classification for intelligent transportation systems using fuzzy logic. IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), Rio de Janeiro, 1212- 1216. Fung, N. C., Wallace, B., Chan, A. D. C., Goubran, R., Porter, M. M., Marshall, S. and Knoefel, F., 2017. Driver identification using vehicle acceleration and deceleration events from naturalistic driving of older drivers. 2017 IEEE International Symposium on Medical Measurements and Applications (MeMeA), Rochester, MN, 33-38.
  2. Hattori, H., Nakajima, Y. and Ishida, T., 2011. Learning from Humans: Agent Modeling With Individual Human Behaviors. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans, 41, 1, 1-9.
  3. Imkamon, T., Saensom, P., Tangamchit, P. and Pongpaibool, P., 2008. Detection of hazardous driving behavior using fuzzy logic. 5th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology, Krabi, 657-660. Júnior Ferreira, J., Carvalho, E., Ferreira, B.V., de Souza, C., Suhara, Y., Pentland, A. and Pessin, G., 2017. Driver behavior profiling: An investigation with different smartphone sensors and machine learning. PLoS ONE12 2017, 4. Sathyanarayana, A., Sadjadi, S. O. and Hansen, J. H. L., 2012. Leveraging sensor information from portable devices towards automatic driving maneuver recognition. 15th International IEEE Conference on Intelligent Transportation Systems, Anchorage, AK, 660-665.
  4. Van Ly, M., Martin, S. and Trivedi, M. M., 2013. Driver classification and driving style recognition using inertial sensors. 2013 IEEE Intelligent Vehicles Symposium (IV), Gold Coast, QLD, 1040-1045.
  5. Zhang, C., Patel, M., Buthpitiya, S., Lyons, K., Harrison, B. and Abowd, G. D., 2016. Driver Classification Based on Driving Behaviors. In Proceedings of the 21st International Conference on Intelligent User Interfaces (IUI '16), 80-84.
  6. Zhao, B., Nagayama, T., Takada, S., Takahashi, M. and Makihata, N. 2016. A method of r