Driver Identification Using Driving Behavior, Habits and Driver Characteristics
Notice bibliographique
Résumé
In this paper, a driver identification scheme is studied using general driver inputs such as accelerating, braking and steering behavior, in addition to the settings related to driver’s physical characteristics, such as driver’s seat position. Several drivers are selected with various ages, genders and driving skills to participate in the study. Their driving data is collected using the same test vehicle, and while driving on the same routes. This helps eliminate the inherent vehicle to vehicle variations and the impact of the route differences and enables the identification algorithm to focus on the driving behavior. The driving routes are broken down into shorter segments where the driving features are calculated and populated in these segments. To reduce the identification bias towards certain rare events in the ride, the features are reset at the beginning of each trip segment. This additionally helps to ensure that there is no spill of feature values across the segments. Trip segmentation also facilitates splitting the dataset into training and testing sets in a way that route diversity is present in both sets. Several classification techniques are studied to learn the driving characteristics of the participants in the experiments. It is observed that ensemble classifiers generally outperform single classifiers as measured by the metric of area under the curve (AUC) of the receiver-operating characteristics (ROC) curve. It is also observed that classification performance can vary noticeably from driver to driver, making it more difficult to distinguish some drivers with similar driving habits. The identification algorithm is also shown driving data of unseen (held-out) drivers and its performance is studied. Finally, it is observed that inclusion of driver’s seat and mirror position that include some of the driver’s physical attributes improves the identification performance significantly.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».