Classificação de condutores utilizando informações do sistema OBD-II

  • Pedro H. A. Ribeiro UFPI
  • José M. P. M. Júnior UFPI

Resumo


A aplicação de técnicas de aprendizagem de máquinas para a identificação e classificação de motoristas utilizando o sistema OBD-II (On Board Diagnostic) tem sido realizada recentemente com sucesso. Este trabalho propõe a classificação de condutores pela utilização de informações adquiridas do OBD-II e de técnicas de aprendizagem de máquina. Estas informações se referem a 10 condutores e 51 atributos. A avaliação das técnicas se baseia no cálculo da acurácia média, mediana, valores máximos e mínimos, desvio padrão e tempo de execução de cada técnica computacional aplicada. A análise dos resultados apresentados evidencia que a classificação foi satisfatória, uma vez que as técnicas permitiram a obtenção de acurácias médias acima de 96%, com desvio padrão próximo de zero. Assim, tais resultados permitem a inferência da viabilidade do uso das técnicas aplicadas em posteriores trabalhos.

Palavras-chave: Aprendizagem de Maquina, Sistema OBD-II, classificação de motoristas

Referências

Birnbaum, R., Truglia, J. (2001). Getting to know OBD II. Editora Ralph Birnbaum.

Bishop, C. (1995). Neural networks for pattern recognition. Oxford University Press.

Chollet, F. (2018). Deep learning with Python. Manning Publications. United States of America.

Fernandez, S., Ito, T. (2016) Driver classification for intelligent transportation systems using fuzzy logic. In: IEEE. Intelligent Transportation Systems (ITSC), 2016 IEEE 19th International Conference on. [S.l.]. p. 1212–1216.

Kwak, B. I., Woo, J., Kim, H. K. (2016). Know your master: Driver profiling based anti-theft method, PST 2016.

Lee, H. D., Monard,M. C., Voltolini, R.F., Wu, F. C. (2005). Avaliação Experimental e Comparação de Algoritmos de Seleção de Atributos Importantes com o Algoritmo FDimBF Baseado na Dimensão Fractal. Relatórios Técnicos do ICMC. N° 264.

Martinelli, F., Mercaldo, F., Orlando, A., Nardone, V., Santone, A., Sangaiah, A. K (2018). Human Behavior Characterization Driving Style Recognition in Vehicle System. Disponível em: https://doi.org/10.1016/j.compeleceng.2017.12.050.

Neto, C. D. G. (2014) Potencial de técnicas de mineração de dados para o mapeamento de áreas cafeeiras. INPE.

Ramos, C. A. (2016) Sistema Neural Antifurto Veicular. Programa de Pós Graduação em Ciência da Computação. Universidade Federal de Lavras, Minas Gerais.

Rokach, L., Maimon, O. (2008) Data mining with decision trees: Theory and applications. World Scientific Publishing. 2ª Ed. Series in Machine Perceptron Artificial Intelligence, Vol 81.

Silva, I. N., Spatti, D. H., Flauzino, R. A. (2010) Redes neurais artificiais para engenharia e ciências aplicadas. Artliber Editora Ltda, São Paulo, SP, Brasil.

Souza, A. G., Lacerda, W. S., Ferreira, D. D., Campos, G. L. (2018). Sistema de Identificação de Condutores Baseado em Métodos de Extração de Características Estatísticas e Técnicas de Redução de Dimensionalidade. XXII Congresso Brasileiro de Automática.

Vaiana, R. et al. (2014) Driving behavior and traffic safety: an acceleration-based safety evaluation procedure for smartphones. Modern Applied Science, v. 8, n. 1, p. 88, 2014.
Publicado
25/09/2019
RIBEIRO, Pedro H. A.; M. JÚNIOR, José M. P.. Classificação de condutores utilizando informações do sistema OBD-II. In: ESCOLA REGIONAL DE COMPUTAÇÃO DO CEARÁ, MARANHÃO E PIAUÍ (ERCEMAPI), 7. , 2019, São Luís/MA. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2019 . p. 174-181.