Resumen

Este artículo propone un algoritmo para la identificación de conductores en tiempo real mediante la combinación de detección de anomalías no supervisada y redes neuronales. El algoritmo propuesto utiliza como entrada señales no fisiológicas, a saber, señales de comportamiento al volante procedentes de sensores inerciales (por ejemplo, acelerómetros) y señales de geolocalización procedentes de sensores GPS. En primer lugar, se realiza una detección de anomalías para evaluar si el conductor actual es quien dice ser. Si se detecta una anomalía, el algoritmo procede a encontrar características relevantes en las señales de entrada y utiliza redes neuronales para identificar a los conductores. Para evaluar el algoritmo propuesto, se recogen datos reales de diez conductores que conducen vehículos diferentes por varias rutas en condiciones de tráfico reales. La identificación del conductor se realiza a partir de cada una de las señales de comportamiento al volante de siete segundos de duración y de las señales de geolocalización en streaming. Se demuestra que el algoritmo propuesto puede alcanzar una precisión relativamente alta e identificar a los conductores en 13 segundos. El algoritmo propuesto también supera a los algoritmos de identificación de conductores propuestos anteriormente. Además, para demostrar cómo puede desplegarse el algoritmo propuesto en aplicaciones del mundo real, se muestran paso a paso los resultados de datos del mundo real asociados a cada operación del algoritmo propuesto.

• Materias:Transporte urbano Señales de control de tráfico Accidentes de transito Planificación de ruta Capacidad de tráfico
• Subjects:Urban transport Traffic control signs Traffic accidents Path planning Traffic capacity
• Palabras claves:algoritmo, conductores, señales de geolocalización, redes neuronales, datos mundiales, señales de comportamiento prolongado al volante, primera detección de anomalías, algoritmos de identificación de conductores, identificación temporal de conductores, detección no supervisada de anomalías
• Keywords:algorithm, drivers, geolocation signals, neural networks, world data, long driving behavior signals, first anomaly detection, driver identification algorithms, time driver identification, unsupervised anomaly detection