Ara¸stırmamızda Uyanık veri kümesi CAN hattı verilerini kullanarak sürücü küme- leme, sürücü cinsiyet sınıflandırma ve sürücü tanıma ile ilgili deneyler gerçekle¸stirdik. Sürücü kümeleme deneylerinde DTW ve kendi geli¸stirdi˘gimiz DDW veri dönü¸süm metodlarını uygulayarak farklı mesafe metriklerine göre hiyerar¸sik sürücü kümeleme yaptık. Bu deneydeki amacımız sürü¸s davranı¸slarına göre gruplamanın ne ölçüde ba- ¸sarılabildi˘gini test etmekti. VS ve ERPM CAN verileri üzerinde yapılan deneylerin sonuçlarına göre sürü¸s süreleri bazında tutarlı sürücü gruplamaları elde ettik. Fakat sürücü cinsiyetlerine göre bir gruplandırmanın yapılmadı˘gını tespit ettik. Bunun üze- rine bu ayrımı gerçekle¸stirmek için daha geli¸smi¸s makine ö˘grenme tekniklerini kullan- maya karar verdik ve sürücü cinsiyet sınıflandırma deneylerini gerçekle¸stirdik. Sürücü cinsiyet sınıflandırma deneylerinde veri ço˘galtma, öznitelik çıkarımı, öznitelik eleme ve ayrı¸stırma veri ön i¸sleme metodlarını uygulayarak sınıflandırma do˘gruluk oranında 0.97 gibi yüksek bir do˘gruluk oranına ula¸stık. Yüksek ba¸sarımlı bu sonuç ile CAN sü- rü¸s sinyallerinden sürücü özellik çıkarımının yapılabilece˘gini do˘grulamı¸s olduk. Elde edilen sonuçlar üzerine, bu verilerden direk sürücünün kendisini tanımanın ne ölçüde ba¸sarılabildi˘gini test etmek amacıyla sürücü tanıma deneylerini gerçekle¸stirdik. Sü- rücü tanıma deneylerinde kendi geli¸stirdi˘gimiz bir örüntü parçalama tekni˘gi ve özni- telik çıkarımı veri ön i¸sleme metodlarını uygulayarak 105 adet sürücü arasından 0.1 do˘gruluk oranında sürücü sınıflandırma i¸slemini gerçekle¸stirmeyi ba¸sardık. Cinsiyet ve sürü¸s sürelerinin bu sınıflandırma do˘gruluk oranına geli¸stirici bir etkisi olmadı- ˘gını gözlemledik. Literatür ara¸stırması kısmında sürücü sınıflandırma ile ilgili birçok çalı¸sma mevcuttur [4] [5] [6]. Fakat bu çalı¸smalar, kullanılan temel teknikler bakı- mından birbirine benzemektedir. Ara¸stırmamızda ise bu yöntemlerden tamamen farklı bir metodoloji kullanılmı¸stır. Ayrıca, di˘ger çalı¸smalardan farklı olarak deneylerimize veri kümesinde bulunan tüm sürücüler dahil edilmi¸stir. Sınıflandırılacak sürücü sayı- sının deney do˘gruluk oranlarına kritik bir etkisi bulunmaktadır. Bunların haricinde, li- teratür ara¸stırmalarında CAN verilerini birle¸stirmenin sürücü sınıflandırmasını olumlu etkiledi˘ginden bahsedilmi¸stir [14]. Deney sonuçlarımız bu çıkarımı do˘grulamaktadır. Dönme ve durma manevralarının daha karakteristik yapıda oldu˘gu belirtilmi¸stir [13]. Deney sonuçlarımız incelendi˘ginde, bu sürü¸s davranı¸sları gerçekle¸stirilirken kullanı- lan CAN hattı verilerinin sınıflandırma do˘gruluk oranlarının yüksek oldu˘gu görülmek- tedir.
Ara¸stırmamızda ki temel amaç, sürücüyü tanımayı gerçekle¸stirmek ve ona yardımcı faktörleri tespit ederek literatüre kazandırmaktır. Aynı zamanda bu amaç, CAN veri- lerinden sürücü ile ilgili çıkarımların yapılabildi˘gini ispatlayarak bu verilerin hukuki boyutta hassas ki¸sisel veri olarak de˘gerlendirilmesi gerekti˘gine de
hizmet etmektedir. Elde etti˘gimiz deney sonuçları da sürü¸s örüntülerinin ki¸silerin özel- liklerini yansıttıklarını ve bu verilerin payla¸sılırken hassas bir veri olarak ele alınması gerekti˘gini do˘grulamaktadır. Bunların yanı sıra çalı¸smamızın, gelecekte kullanımının giderek artaca˘gı öngörülen ki¸siye özel sürü¸s çözümleri konseptine bir teknolojik alt yapı olarak fayda sa˘glayaca˘gını dü¸sünmekteyiz.
Gelecekteki ara¸stırmalarımızda, sürü¸s sinyallerinden sürücü ya¸s grubu, e˘gitim sevi- yesi gibi di˘ger ki¸sisel özelliklerin çıkarımı ve sürücü tanıma do˘gruluk oranının geli¸s- tirilmesi ile ilgili çalı¸smalar yapmayı planlamaktayız. Ayrıca farklı veri kümelerini de kullanarak çalı¸smamızın kapsamını geni¸sletmeyi ve mevcut ara¸stırma yöntemlerimizi bu veri kaynakları için de do˘grulamayı hedefliyoruz.
KAYNAKLAR
[1] H. Abut, H. Erdogan, A. Ercil, et al., Corpus and Signal Processing for
Driver Behavior, chapter Data collection with UYANIK: too much pain; but gains are coming Springer Business-Science, 2008.
[2] <http://www.endustri40.com/>, alındı˘gıtarih: 11.07.2017.
[3] W. Lun, C. K. Ng, M. A. Borhanuddin, et al., Review of Researches in
Controller Area Networks Evolution and Applications Proceedings of the Asia-Pacific Advanced Network. 30. 10.7125/APAN.30.3.
[4] C. Miyajima, Y. Nishiwaki, K. Ozawa, T. Wakita, K. Itou, K. Takeda, Cepstral Analysis of Driving Behavioral Signals for Driver Identification. 2006 IEEE International Conference on Acoustics Speech and Signal Processing Proceedings, Toulouse, 2006, pp. [5] S. Choi, J. Kim, D. Kwak, P. Angkititrakul, J. Hansen, Analysis and
Classification of Driver Behavior Using in-Vehicle CAN-BUS Information Biennale Workshop DSP In-Vehicle Mobile System. [6] E. Öztürk, Driver status identification from driving behavior signals. Yüksek
Lisans Tezi, Koç Üniversitesi, Türkiye, 2010.
[7] K. Igarashi, C. Miyajima, K. Itou, K. Takeda, F. Itakura, H. Abut,
Biometric identification using driving behavioral signals. 2004 IEEE International Conference on Multimedia and Expo (ICME). 1. 65 - 68 Vol.1. 10.1109/ICME.2004.1394126.
[8] Y. Zheng, X. Shi, A. Sathyanarayana, N. Shokouhi, J. H. L. Hansen, In-vehicle speech recognition and tutorial keywords spotting for novice drivers’ performance evaluation. 2015 IEEE Intelligent Vehicles Symposium (IV), Seoul, 2015, pp. 168-173.
[9] K. Özaçmak, Analysis of experimental data collected by drivesafe vehicle Uyanık Yüksek Lisans Tezi, ˙Istanbul Teknik Üniversitesi, Türkiye, 2011. [10] J. R. Annam, S. S. Mittapalli, R. S. Bapi, Time series Clustering and
Analysis of ECG heart-beats using Dynamic Time Warping, 2011 Annual IEEE India Conference, Hyderabad, 2011, pp. 1-3.
International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), Timisoara, 2016, pp. 264-271.
[12] D. Hallac et al., Driver identification using automobile sensor data from a single turn, 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), Rio de Janeiro, 2016, pp. 953-958. [13] N. C. Fung et al., Driver identification using vehicle acceleration and
deceleration events from naturalistic driving of older drivers, 2017 IEEE International Symposium on Medical Measurements and
Applications (MeMeA), Rochester, MN, 2017, pp. 33-38.
[14] M. Van Ly, S. Martin and M. M. Trivedi, Driver classification and driving style recognition using inertial sensors, 2013 IEEE Intelligent
Vehicles Symposium, Gold Coast, QLD, 2013, pp. 1040-1045. [15] <http://vpa.sabanciuniv.edu/>, alındı˘gıtarih: 18.06.2017.
[16] S. Salvador, P. Chan, Toward accurate dynamic time warping in linear time and space, Intell. Data Anal. 11, 5 (October 2007), 561-580.
[17] <https://tsfresh.readthedocs.io/en/latest/>, alındı˘gıtarih: 08.05.2017.
[18] S. S. Keerthi, S. K. Shevade, C. Bhattacharyya, K. R. K. Murthy, Improvements to Platt’s SMO Algorithm for SVM Classifier Design, in Neural Computation, vol. 13, no. 3, pp. 637-649, March 1 2001.
[19] J. Ross Quinlan, C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.
[20] Leo Breiman, Random Forests, Mach. Learn. 45, 1 (October 2001), 5-32. [21] Y. Freund, R. E. Schapire, Experiments with a new boosting algorithm, In
Proceedings of the Thirteenth
International Conference on International Conference on Machine Learning (ICML’96), Lorenza Saitta (Ed.). Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, 148-156.
[22] Y. Freund, R. E. Schapire, Large Margin Classification Using the
Perceptron Algorithm, Machine Learning, 37, 3 (December 1999), 277-296.
[23] R. R. Bouckaert, Bayesian networks in Weka, Technical Report 14/2004. Computer Science Department, University of Waikato, 2004. [24] N. V. Chawla, K. W. Bowyer, L. O. Hall, W. P. Kegelmeyer, SMOTE:
synthetic minority over-sampling technique, J. Artif. Int. Res. 16, 1 (June 2002), 321-357.
[25] <https://www.kisiselverilerinkorunmasi.org/>, alındı˘gıtarih: 21.02.2018.
ÖZGEÇM˙I ¸S
Ad-Soyad : Batuhan Karata¸s
Uyru˘gu : Türkiye Cumhuriyeti
Do˘gum Tarihi ve Yeri : 08.08.1992 − Keçiören E-posta : batuhankaratas@etu.edu.tr
Ö ˘GREN˙IM DURUMU:
• Lisans : 2015, TOBB ETÜ, Mühendislik Fakültesi, Bilgisayar Mühendisli˘gi • Yüksek Lisans : 2018, TOBB ETÜ, Mühendislik Fakültesi, Bilgisayar Mühendisli˘gi,
Ara¸stırma Burslu Yüksek Lisans Ö˘grencisi
MESLEK˙I DENEY˙IM VE ÖDÜLLER:
Yıl Yer Görev
2016− ASELSAN A. ¸S. Sistem Tasarım Mühendisi
2015−2016 ˙Innova Bili¸sim Çözümleri A. ¸S. Yazılım Uzmanı
YABANCI D˙IL: ˙Ingilizce, Almanca
TEZDEN TÜRET˙ILEN YAYINLAR, SUNUMLAR VE PATENTLER:
• Karatas, B., Abul, O. 2018. Sürü¸s örüntülerinden cinsiyet tahmin edilebilir mi?, 2018. Akademik Bili¸sim Konferansı, Ocak 31- ¸Subat 2, Karabük, Türkiye.