基于机器学习的自行车安全驾驶行为研究

发布时间：2020-07-23 14:55

【摘要】：随着绿色出行概念的提出,越来越多的人选择自行车作为出行方式,骑行过程中骑行人不良的行为习惯和复杂的路况都能导致事故发生,因而对人们骑行行为进行识别和监测有着非常重要的现实意义。本文目标是通过手机传感器采集自行车骑行过程中的人体行为数据,对采集的四种传感器数据进行数据融合,然后运用阈值法和机器学习算法联合来设计分类器,实现对自行车骑行中五种行为的识别。骑行行为的识别不仅有助于分析居民骑行行为的数据和特征,形成交通大数据,也能在骑行过程发生的意外发送预警信号,既能保障出行安全,又有利于路面交通的监测管理。研究主要内容如下:(1)数据采集和预处理。针对手机上各种丰富的传感器,为了获得骑行行为的姿态和速度信息,选取了智能手机上加速度传感器、陀螺仪传感器、磁力计传感器及GPS(Global Positioning System,全球定位系统)定位传感器等作为数据来源,通过手机端数据采集APP将原始数据发送至PC端网络数据库管理系统。采集的数据存在各种缺失值和噪声,在PC端对传感器数据进行完整的预处理流程:为了数据的完整性,采用拉格朗日插值法处理缺失值;同时选用采用2s的窗口滑动均值滤波对原始信号进行去噪处理,实验表明,滑动均值滤波达到了较为理想的效果。(2)多传感器数据融合算法。针对实际应用中手机的摆放位置随意,导致手机坐标系与自行车坐标系不一致的问题,采用基于磁力计和加速度计结合的初始相对姿态测定方法,实验证明,初始相对姿态矩阵的测定能快速实时地将手机坐标系的数据转换到所在自行车载体坐标系中。然后采用基于四元数的扩展卡尔曼滤波算法进行SINS(Strap-down Inertial Navigation System,捷联惯性导航系统)/GPS姿态和轨迹数据融合,实时更新得到载体的姿态角、速度、轨迹、加速度、角速度数据。(3)基于阈值和支持向量机结合的行为识别。现实中模式识别行为检测算法实时性低、误报率高的问题,本文通过信息融合所得到的运动学数据,利用两次判定进行行为检测。首先根据设定的阈值初步判定骑行过程中的正常行为和危险行为,根据速度、加速度、角速度、姿态角的统计量和变化趋势来构建特征空间,使用分裂法来优选特征空间并最终构建最优的特征空间,最终获取五种行为分类模型,其中,阈值法对危险速度的识别率达到100%,支持向量机模型对左/右转、急变速行为、危险碰撞行为和跌倒行为等总体准确率分别达到94.2%、90.8%、96.3%、95.4%。
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U491.225;TP181
【图文】：

西北农林科技大学硕士学位论文1 MEMS 传感器图 2-1 所示，以智能手机的正面朝上，记手机屏幕的水平向右为正方向手机正面屏幕的竖直向上为正方向，为 Y 轴；手机屏幕垂直手机正面向为 Z 轴，X、Y、Z 轴两两垂直。速度计传感器是一种三维加速度测量，它比其他运动传感器的功耗低 10 测量 X，Y，Z 轴的加速度。在这个系统中，坐标在单位后面有负值，单位为在轴在设备的屏幕方向改变时不会交换，也就是说，这个传感器的坐标设备移动而改变。加速度传感器的初始姿态角与当前值的解算比较可以态角，当载体不是静止或匀速直线运动，说明系统中存在有害加速度，速度会造成系统误差。所以加速度计计算姿态时容易受到有害加速度的性无法求得航向角。

低数学建模难度，选取骑行过程中左/右转、急变速、危险速度、危险碰行为作为行为特征。/右转行为是骑行中的正常行为，自行车转弯过程中载体的加速度、角速变化是其主要特征。变速是骑行中的正常行为，自行车急变速主要是根据加速度来识别的，的角速度变化可以区分上下坡和急变速的区别，故俯仰角也是其主要特险速度、危险碰撞、跌倒属于骑行中比较剧烈的危险行为，这三种行为速度和合姿态角变化是其主要特征。文选取了 4 名实验者（3 男 1 女）的行为数据，以 Android 系统为实验经验与技术也可移植到其他系统。所用手机选定魅蓝 note5 和华为 P10传感器，Android 系统版本号均在 4.1 以上，使用开发的 Android 智能手采集程序，配合使用 Android 应用程序开发调试工具：) 采集时间地点：数据采集时间为 2018 年 10 月-2018 年 11 月，西北农校区内，根据骑行自行车模拟各种骑行行为下人体姿态。) 采集设备：智能手机两部，笔记本一台，自行车两辆。

西北农林科技大学硕士学位论文(3)采集方法：手机设备在进行了传感器校正之后，将安装传感器采集程序在智能手机上。考虑到佩戴的舒适性、稳定性和合理性，本文选择腰部为特征部位，在实验过程中将手机固定于骑行人腰部位置，模拟和记录车辆在在各种环境下进行的各种行为数据采集，数据保存格式为 TXT 格式。如图 2-2 为实验数据采集路线图。加速度计、陀螺仪、磁力计三种传感器数据采集频率为 50Hz，GPS 数据采集为频率 1Hz，并在 MATLAB 环境下处理、仿真。如图 2-3 所示为数据采集，图 2-4 为 PC端网络数据库管理系统。

【相似文献】

相关期刊论文 前10条

1 李阳;;机器学习在网络空间安全研究中的应用分析[J];电脑知识与技术;2019年24期

2 高华川;;机器学习在经济学中的应用[J];纳税;2019年24期

3 李兵;林文钊;罗峥尹;;基于机器学习的智慧农业决策系统设计与实现[J];信息与电脑(理论版);2018年24期

4 舒娜;刘波;林伟伟;李鹏飞;;分布式机器学习平台与算法综述[J];计算机科学;2019年03期

5 刘传会;汪小亚;郭增辉;;机器学习在反洗钱领域的应用与发展[J];清华金融评论;2019年04期

6 孟雨;;机器学习让计算机更智能[J];计算机与网络;2019年14期

7 朱辉;;机器学习在企业级场景中的实践与探讨[J];中国建设信息化;2018年03期

8 彭传意;;机器学习——我们该如何与机器竞争[J];数字通信世界;2018年01期

9 陈轶翔;埃里克·布伦乔尔森;汤姆·米切尔;;机器学习的能力范围及其对劳动力的影响[J];世界科学;2018年04期

10 赵长林;;机器学习即服务[J];网络安全和信息化;2017年10期

相关会议论文 前10条

1 王珏;;归纳机器学习[A];2001年中国智能自动化会议论文集（上册）[C];2001年

2 王衍鲁;张利会;张淑洁;石洁茹;王鹏;;大学新生学校适应的个体与环境因素探究:基于机器学习的考察[A];第二十届全国心理学学术会议--心理学与国民心理健康摘要集[C];2017年

3 张长水;;大数据机器学习[A];2015年中国自动化大会摘要集[C];2015年

4 何琳;侯汉清;;基于标引经验和机器学习相结合的多层自动分类[A];2005年中国索引学会年会暨学术研讨会论文集[C];2005年

5 李刚;郭崇慧;林鸿飞;杨志豪;唐焕文;;基于词典法和机器学习法相结合的蛋白质名识别[A];大连理工大学生物医学工程学术论文集（第2卷）[C];2005年

6 徐礼胜;李乃民;王宽全;张冬雨;耿斌;姜晓睿;陈超海;罗贵存;;机器学习在中医计算机诊断识别系统中的应用思考[A];第一届全国中西医结合诊断学术会议论文选集[C];2006年

7 吴沧浦;;智能系统与机器学习的新领域[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年

8 蔡健平;林世平;;基于机器学习的词语和句子极性分析[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

9 吴娜;刁联旺;;基于机器学习的博弈对抗模型优化框架软件系统设计[A];第六届中国指挥控制大会论文集（上册）[C];2018年

10 蒋雍建;程楠;刘泽佳;周立成;汤立群;刘逸平;蒋震宇;;基于响应统计特征和机器学习的桥梁损伤识别方法研究[A];2018年全国固体力学学术会议摘要集（下）[C];2018年

相关重要报纸文章 前10条

1 赵广立;防特网将机器学习应用于高级威胁检测[N];中国科学报;2018年

2 编译 晋楠;机器学习是“炼金术”？[N];中国科学报;2018年

3 CIO.com资深作家 Clint Boulton 编译 Charles;领先一步:机器学习的10个成功案例[N];计算机世界;2018年

4 Bob Violino 编译 Charles;盲目冒进:机器学习的5个失败案例[N];计算机世界;2018年

5 本报驻波士顿记者 侯丽;深入挖掘机器学习潜力[N];中国社会科学报;2019年

6 王方 编译;菌自何方 机器学习早知道[N];中国科学报;2019年

7 Matt Asay 编译 Monkey King;为什么机器学习没有捷径可循？[N];计算机世界;2019年

8 本报记者 操秀英;当量子计算遇到机器学习会碰撞出什么火花？[N];科技日报;2019年

9 彭博企业数据业务全球负责人 Gerard Francis;金融数据质量决定机器学习时代的投资回报[N];计算机世界;2019年

10 Isaac Sacolick 编译 Charles;关于机器学习的5个要点[N];计算机世界;2019年

相关博士学位论文 前10条

1 王磊;基于机器学习的药物—靶标相互作用预测研究[D];中国矿业大学;2018年

2 张庆;钙钛矿型功能材料的基因组工程研究[D];上海大学;2018年

3 管月;医学肿瘤影像分类算法研究及其在肝癌上的应用[D];南京大学;2018年

4 郝小可;基于机器学习的影像遗传学分析及其应用研究[D];南京航空航天大学;2017年

5 施建明;基于机器学习的产品剩余寿命预测方法研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年

6 陈再毅;机器学习中的一阶优化算法收敛性研究[D];中国科学技术大学;2018年

7 陆海进;Zr合金热动力学研究及机器学习[D];上海大学;2018年

8 戴望州;一阶逻辑领域知识与机器学习的结合研究[D];南京大学;2019年

9 符丹卉;基于MRI结构成像与静息态功能成像影像特征的机器学习法在AIDS患者中的应用研究[D];广西医科大学;2019年

10 Kashif Sultan（克希夫）;5G移动通信网络中的呼叫记录分析[D];北京科技大学;2019年

相关硕士学位论文 前10条

1 安延鑫;中文短文本情感分析的研究与实现[D];上海交通大学;2017年

2 余耀;微博用户的用户画像研究与构建[D];上海交通大学;2017年

3 吴珍珍;基于机器学习的无线通信解调研究[D];中国矿业大学;2019年

4 闫铤铤;机器学习在中国A股市场的量化策略研究[D];吉林大学;2019年

5 张诗晨;基于机器学习的电商在线消费者购买行为预测研究[D];吉林大学;2019年

6 王欣;基于机器学习的集成入侵分类器的设计与实现[D];长江大学;2019年

7 宋同峰;基于机器学习的肾病辅助诊断系统的研究[D];青岛科技大学;2019年

8 王英杰;基于分形理论和机器学习的股票预测方法研究[D];河南理工大学;2018年

9 胡芳琴;基于机器学习的P2P网贷平台违约风险预测实证研究[D];安庆师范大学;2019年

10 华琪;基于机器学习的智能建筑行为建模与预测方法研究[D];上海交通大学;2017年

本文编号：2767472