Clustering Based On Driving Styles Using Hot Paths
Authors
Poulsgaard, Lynge Kærlund ; Sørensen, Philip Pannerup ; Ullerichs, Henrik
Term
4. term
Education
Publication year
2017
Pages
23
Abstract
Hvordan vi kører påvirker ulykkesrisiko og brændstofforbrug, så forsikringsselskaber og flådeejere er interesserede. Vi analyserer føreres GPS-spor for at vurdere og gruppere adfærd ud fra mål som acceleration, jerk (hvor hurtigt accelerationen ændrer sig), tværacceleration (sideværts kraft i sving) og wobble (små, uregelmæssige bevægelser). For at sammenligne retfærdigt ser vi på de samme vejstrækninger. Vi introducerer Hot Paths: ofte benyttede stræk i vejnettet, som fungerer som fælles reference. For hver Hot Path bruger vi k-means og DBSCAN sammen med dimensionsreduktion med t-SNE til at klynge lignende kørselsmønstre. Vi præsenterer en ramme, der automatisk udleder Hot Paths fra store mængder GPS-trajektorier med en ny variant af Apriori-algoritmen, som finder hyppige mønstre. Derefter danner rammen meningsfulde klynger for hver Hot Path og giver brugere værktøjer til at vurdere og sammenligne førere på fælles ruter med map-matchede GPS-data (GPS-positioner tilpasset vejnettet). Eksperimenter med flere metoder til at bedømme klynger viser, at rammen håndterer store datasæt effektivt og finder forståelige grupper, fx rolig og aggressiv kørsel.
How people drive affects crash risk and fuel use, so insurers and fleet managers care. We analyze drivers’ GPS traces to evaluate and group behavior using measures such as acceleration, jerk (how quickly acceleration changes), lateral acceleration (side-to-side force in turns), and wobble (small, irregular movements). To enable fair comparisons, we focus on the same stretches of road. We introduce Hot Paths: frequently traveled parts of the road network that serve as a common reference. For each Hot Path, we use k-means and DBSCAN, together with the dimensionality-reduction technique t-SNE, to cluster similar driving behaviors. We present a framework that automatically builds Hot Paths from large collections of GPS trajectories using a new variant of the Apriori algorithm, a method for finding frequent patterns. The framework then forms meaningful clusters on each Hot Path, giving users tools to evaluate and compare drivers on common routes with map-matched GPS data (GPS positions aligned to the road network). Experiments using several cluster scoring methods show that the framework handles large datasets efficiently and finds understandable groups, such as calm and aggressive driving.
[This abstract was generated with the help of AI]
Keywords
Documents