基于IPv6校园环境车辆行驶行为建模与分析

1 .基于 IPv6 校园环境车辆行驶行为建模与分 析 欧阳真超，齐之平，赵晓轲，牛建伟 北京航空航天大学 

2 .背景介绍 系统架构 车辆行驶检测模型 实验分析 总结 

3 .背景介绍—项目场景和目标 • 研究场所：校园环境 • 网络环境： IPv4/6 无线网络全覆盖 • 研究目标：车辆行驶数据采集与建模 • 研究工具：基于 Android 的移动平台 通过移动终端设备内部的多项传感器捕获车 辆的行驶数据，结合众包数据采集方案收集 海量数据，结合机器学习算法构建车辆驾驶 行为识别检测模型 

4 .系统架构—概述 • 校园网 IPv6 和 IPv4 无线网络通信平台 • 基于 IPv6 的车联网 Hadoop 云计算平台 • 基于 C/S 架构的分布式数据采集系统 平台 • 基于 Android 智能终端的数据采集系统 • 不同终端类型的传感数据采集 • 非同类运动传感器的数据采集 采集 • 数据预处理 • 基本数据分析 算法 • 驾驶行为发现和识别 

5 .系统架构—云计算平台 挖掘分析 交互接口 数据获取 Apache Hadoop MySQL Tomcat Ubuntu Server 主要功能： 1. 与智能移动终端进行数据交互 2. 利用机器学习方法对增长数据进行挖掘 3. 通过 Web 显示数据采集情况 

6 .系统架构—数据采集端 主要功能 1. 传感器数据的采集和上传 利用 Eclipse+Java 研发 Android 智能终端的采集系统 ，通过调度智能设备底层的传感器（如 加速度传感器 、 陀螺仪 等）接口读取车辆在行驶过程中数据，并通 过校园环境 IPv6 与 IPv4 通信网络，提交采集的传感数 据 2. 驾驶行为的实时检测 在一定规模的传感器数据基础上，利用机器学习方法 训练相应模型，并智能移动终端对实时采集的数据进 行分析和显示 

7 .系统架构—传感器数据定性分析 传感器类型 位置敏感 方向敏感 功能 加速度计 否 是 加速度 陀螺仪 否 是 角速度 磁力计 否 是 方向 GPS 否 否 位置、速度 重力计 否 是 重力 摄像头 是 是 图像 光感传感器 是 是 光强 • 选择加速度计和陀螺仪两种惯性传感器的反馈数据进行采集 • 对 5 种常见行驶行为进行采集：左 / 右转向、左 / 右变道和 掉头 

8 .系统架构—终端放置 & 采集实验 采用如图的相对位置固定智能移动终端，构建传感器与车 辆的相对坐标系映射关系。通过惯性传感器的实时数据捕 获车辆行驶中的反馈数据 数据采集 • 司机：教师、学生家长、的士司机和专车司机 • 车型：轿车和 SUV • 智 能 终 端 ： Samsung Note3 、 Google NS5 、 红 米 Note1 、 Note3 、联想 S1 

9 .车辆行驶检测模型—特征集 利用检测的识别算法 MultiWave ，能够有 效的过滤原始传感器的噪声数据，并能够 比传统的滑动窗口更为有效的捕获车辆的 五种行驶事件。 针对车辆行驶过程中产生的波形发生区间 内数据，提出了一个 8 维统计特征参数集 ： { 最大值、最小值、均值、方差、标准 差、上四分位数、下四分位数、信息 熵 } ，作为训练输入。 

10 .车辆行驶检测模型—实验 分别通过随机抽样，选取已采集的总体 数 据 样 本 的 10% 、 20% 、 30% 、 50% 、 70% 、 9 0% 、 100% ，测试了 5 类不同的机器 学习算法，分别是：支持向量机（ C- SVC ）、邻近算法（ IBK ）、决策树算 法（ J48 ）、规则归纳学习（ JRip ）和 朴素贝叶斯分类器（ Naïve Bayes ）。 每次对训练样本集进行随机排序初始化 ，训练使用 10-fold 交叉验证方法，不 同规模数据量和算法组合重复 10 次， 求取识别准确度的均值和标准差。 

11 .车辆行驶检测模型—实验 不同算法的总体平均准确度随数据量 （百分比）增加而上升，在数据百分 比超过 50% 后上升不明显，说明目前 的训练数据规模相对能够满足模型训 练的需求。而误差随数据比例上升持 续缩小，说明训练模型的稳定性随数 据增长而增加。在采用全部数据进行 训练时，基于决策树的识别模型准确 度最高，可达 96% 以上，模型最优。 

12 .总结 采集平台搭建 行驶数据存储 驾驶行为识别 • 校园 IPv6 和 IPv4 • 不同车型的车辆 • Hadoop 云平台 无线网络 • 不同类型的智能 • MultiWave 波形 • C/S 架构的服务 终端 识别算法 器 • 多名驾驶员 • 决策树识别算法 • Android 智能移 动端采集系统 • 众包技术的采集 策略 

13 .未来工作 • 将该决策树算法及相关的决策参数整合到移动智能终端，使得智能终端能 够实时对车辆的行驶模式进行判断 • 接下来的工作将在此基础上进一步提出危险驾驶识别模型，并通过 IPv6 网络构建车联网环境，进行相关的模拟实验，对危险驾驶车辆进行评级， 构建通过车联网环境下的危险车辆周边预警系统 

14 .谢谢 提问