Authors:

Autores

Person role Person
7385
3212,299
7386
3212,299

Informations:

Pesc publication

Title
WALE-A: Sistema para Classificação de Eventos Críticos de Direção
Research area
Data and Knowledge Engineering
Publication type
Doctoral Thesis
Identification Number
Date
9/21/2023
Resumo

Para melhorar a segurança na direção, os Sistemas de Previsão de Acidentes (CPS) são usados para identificar e classificar eventos críticos de direção (SCE), ajudando os motoristas a antecipar possíveis acidentes. Este estudo introduz um novo algoritmo destinado a CPS, fundindo técnicas avançadas de inteligência artificial e técnicas de pré-processamento para estabelecer um sistema mais preciso. Nossa proposta denominada de WALE-a, examina dados de séries temporais coletados por sensores veiculares, empregando uma abordagem de decomposição de wavelets em conjunto com um classificador linear. Isso permite a categorização de eventos, como eventos como crash, near-crash e manobras abruptas. Através da análise abrangente do desempenho de diversos algoritmos de aprendizado de máquina, o nosso algoritmo se sobressai. 

Os resultados obtidos revelaram a notável eficácia do algoritmo WALE-a em diversos conjuntos de dados, em especial nos cenários com os datasets accel_x e accel_y, originários de acelerômetros. As acurácias de nossa proposta foram superiores a 88%, alcançando mais de 90% no conjunto de dados accel_y. Além disso, demonstrou uma notável capacidade em distinguir os eventos críticos e não críticos de forma precisa e consistente, superando outros classificadores. A força do algoritmo foi reiterada ao assegurar seis das dez primeiras posições em nosso ranking de classificação. Foi comprovado, também, que o algoritmo WALE-a se destaca ao equilibrar acurácia e tempo de processamento, alcançando consistentemente uma acurácia acima de 80% e mantendo tempos de processamento inferiores a 20 milissegundos em todas as três versões do algoritmo. Por fim, nossa pesquisa evidenciou o papel crucial da inteligência artificial e das técnicas de pré processamento na construção dos bons sistemas de predição de acidentes.

Abstract

In order to improve driving safety, Crash Prediction Systems (CPS) are used to identify and classify critical driving events (SCE), helping drivers anticipate potential accidents. Our team has introduced a new algorithm for CPS that utilizes artificial intelligence techniques to create a safer driving experience. Our algorithm analyzes sensor time series data using wavelet decomposition and a linear classifier, classifying events such as crashes, near-crashes, and abrupt maneuvers. We trained, tested, and evaluated our algorithm against various machine learning algorithms, including our algorithm, WALE-a, achieving accuracy scores greater than 90% for various datasets, particularly with features of accelerometer data. Our algorithm has shown remarkable efficiency, achieving an average accuracy rate of more than 80% while maintaining processing times below 20 milliseconds. These results indicate that the WALE-a algorithm can reduce road accidents and promote safer driving conditions.

JSN_TPLFW_GOTO_TOP