Web Tabanlı Sürücü Davranışları Analiz Uygulaması

İnsan faktörü, trafik kazalarına neden olan sebepler arasında ilk sırada yer almaktadır. Özellikle büyük şehirlerde sürücü ve taşıt sayılarının fazla olması trafikte risk oranını artırmaktadır. Günlük hayatta, sürücü davranışları denetlenen sürüşlere göre göre farklılık göstermektedir. Bu nedenle, trafik kazalarının önlenmesinde sürücülerin sürüş esnasındaki davranışlarını tespit etmek önemli bir konu haline gelmiştir. Sürücülerin davranışlarını tespit etmek için akıllı telefon, kamera, ivme ölçer, jiroskop, kontrol alan ağı, ışın algılama mesafe ölçümü, inersiyal ölçme ünitesi gibi cihaz ve sensör yardımıyla sürüş verileri toplanabilir. Sürüşleri tanımlamak ve değerlendirmek için sürücü psikolojisi, çevresel faktörler, yol durumu, araç kinematiği gibi farklı biyolojik ve fizyolojik faktörlerin dikkate alınması gereklidir. Bu çalışmada gerçek trafik ortamlarında kaydedilmiş iki farklı veri setine ait sürüş verileri kullanılmıştır. Her iki veri seti üzerinde ABD Ulusal Karayolu Trafik Güvenliği İdaresi göre sert hızlanma-yavaşlama ve manevra olayları tespit edilmiş ve sürücü davranışı tanımlaması gerçekleştirilmiştir. Geliştirilen web tabanlı yazılım ile araçtan elde edilen verilere göre çıkarılan özellikler grafiksel ve istatistiksel olarak sunulmuştur. Ayrıca, yolculukla ilgili rota, hız, durma ve duraklama gibi olaylar harita üzerinde kullanıcı dostu arayüz ile sürücü davranışlarının tanımlanması için görselleştirilmiştir. Sürüş sonunda sürücünün puan grafiği ve sürüş raporu sonuçları oluşturulmaktadır. Böylece sürüş kolayca değerlendirilebilmektedir. Çalışma açık kaynak kodlu yazılımlar ile gerçekleştirildiği için düşük maliyetli bir sürücü analiz uygulamasıdır.

Anahtar Kelimeler:

Sürücü davranış sınıflandırma, Sürüş olayları görselleştirme, Web tabanlı sürüş analizi

PDF

___

[1] World Health Organization, “Health topics/Road traffic injuries”, 2021. https://www.who.int/health-topics/road-safety (erişim Oca. 01, 2021).
[2] Türkiye Emniyet Genel Müdürlüğü, “Karayolu Trafik Kazası İstatistikleri”, Ankara, 2020.
[3] ABD Ulaştırma Bakanlığı Federal Karayolu İdaresi, “Devlet Motorlu Araç Kayıtları”, Washington, 2019.
[4] Avrupa Otomobil Üreticileri Derneği, “Avrupa’da Kullanılan Araçlar Raporu”, Brüksel, 2019.
[5] Türkiye İstatistik Kurumu, “Motorlu Kara Taşıtları İstatistikleri Aralık Bülteni”, Ankara, 2020.
[6] Türkiye Emniyet Genel Müdürlüğü, “Ülke Geneli Trafik İstatistik Ocak Bülteni”, Ankara. 2021.
[7] R. Vivoli, M. Bergomi, S. Rovesti, P. Bussetti, ve G. M. Guaitoli, “Biological and behavioral factors affecting driving safety”, Journal of Preventive Medicine and Hygiene, c. 47, sayı 2. ss. 69–73, 2006, doi: 10.15167/2421-4248/jpmh2006.47.2.47.
[8] C. D’Agostino, A. Saidi, G. Scouarnec, ve L. Chen, “Learning-based driving events classification”, içinde IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC, 2013, ss. 1778–1783, doi: 10.1109/ITSC.2013.6728486.
[9] S. G. Klauer, T. A. Dingus, V. L. Neale, J. D. Sudweeks, ve D. J. Ramsey, “Comparing Real-World Behaviors of Drivers with High Versus Low Rates of Crashes and Near Crashes”, Şub. 2009.
[10] J. Reason, A. Manstead, S. Stephen, J. Baxter, ve K. Campbell, “Errors and violations on the roads: A real distinction?”, Ergonomics, c. 33, sayı 10–11, ss. 1315–1332, 1990, doi: 10.1080/00140139008925335.
[11] R. Lawton, D. Parker, A. S. R. Manstead, ve S. G. Stradling, “The role of affect in predicting social behaviors: The case of road traffic violations”, Journal of Applied Social Psychology, c. 27, sayı 14, ss. 1258–1276, Tem. 1997, doi: 10.1111/j.1559-1816.1997.tb01805.x.
[12] O. Taubman-Ben-Ari, M. Mikulincer, ve O. Gillath, “The multidimensional driving style inventory - Scale construct and validation”, Accident Analysis and Prevention, c. 36, sayı 3, ss. 323–332, May. 2004, doi: 10.1016/S0001-4575(03)00010-1.
[13] S. Newnam, J. Greenslade, C. Newton, ve B. Watson, “Safety in Occupational Driving: Development of a Driver Behavior Scale for the Workplace Context”, Applied Psychology, c. 60, sayı 4, ss. 576–599, Eki. 2011, doi: 10.1111/j.1464-0597.2011.00448.x.
[14] P. B. Harris vd., “The Prosocial and Aggressive Driving Inventory (PADI): A self-report measure of safe and unsafe driving behaviors”, Accident Analysis and Prevention, c. 72, ss. 1–8, 2014, doi: 10.1016/j.aap.2014.05.023.
[15] Q. Xue, K. Wang, J. J. Lu, ve Y. Liu, “Rapid Driving Style Recognition in Car-Following Using Machine Learning and Vehicle Trajectory Data”, Journal of Advanced Transportation, c. 2019, 2019, doi: 10.1155/2019/9085238.
[16] U. Fugiglando vd., “Driving Behavior Analysis through CAN Bus Data in an Uncontrolled Environment”, IEEE Transactions on Intelligent Transportation Systems, c. 20, sayı 2, ss. 737–748, 2019, doi: 10.1109/TITS.2018.2836308.
[17] T. Toledo, O. Musicant, ve T. Lotan, “In-vehicle data recorders for monitoring and feedback on drivers’ behavior”, Transportation Research Part C: Emerging Technologies, c. 16, sayı 3, ss. 320–331, 2008, doi: 10.1016/j.trc.2008.01.001.
[18] C. A. da S. Barreto, J. C. Xavier-Júnior, A. M. P. Canuto, ve I. M. D. Da Silva, “A Machine Learning Approach Based on Automotive Engine Data Clustering for Driver Usage Profiling Classification”, 2019, ss. 174–185, doi: 10.5753/eniac.2018.4414.
[19] E. Romera, L. M. Bergasa, ve R. Arroyo, “Need data for driver behaviour analysis? Presenting the public UAH-DriveSet”, içinde IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC, Ara. 2016, ss. 387–392, doi: 10.1109/ITSC.2016.7795584.
[20] V. Ramanishka, Y. T. Chen, T. Misu, ve K. Saenko, “Toward Driving Scene Understanding: A Dataset for Learning Driver Behavior and Causal Reasoning”, Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, ss. 7699–7707, 2018, doi: 10.1109/CVPR.2018.00803.
[21] Y. Chen vd., “LiDAR-Video Driving Dataset: Learning Driving Policies Effectively”, içinde Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Ara. 2018, ss. 5870–5878, doi: 10.1109/CVPR.2018.00615.
[22] P. H. L. Rettore, A. B. Campolina, A. Souza, G. Maia, L. A. Villas, ve A. A. F. Loureiro, “Driver Authentication in VANETs based on Intra-Vehicular Sensor Data”, içinde Proceedings - IEEE Symposium on Computers and Communications, Kas. 2018, c. 2018-June, ss. 78–83, doi: 10.1109/ISCC.2018.8538506.
[23] J. Bärgman vd., “The UDRIVE dataset and key analysis results; Deliverable 41.1 of the EU FP7 project UDRIVE Consortium”, European Commission, Brussels, 2017. doi: https://doi.org/10.26323/UDRIVE_D41.1.
[24] C. Kaiser, A. Festl, G. Pucher, M. Fellmann, ve A. Stocker, “The vehicle data value chain as a lightweight model to describe digital vehicle services”, içinde WEBIST 2019 - Proceedings of the 15th International Conference on Web Information Systems and Technologies, 2019, ss. 68–79, doi: 10.5220/0008113200680079.
[25] A. Jain, H. S. Koppula, S. Soh, B. Raghavan, A. Singh, ve A. Saxena, “Brain4Cars: Car That Knows Before You Do via Sensory-Fusion Deep Learning Architecture”, 2016. [Çevrimiçi]. Available at: http://www.brain4cars.com.
[26] B. Il Kwak, J. Y. Woo, ve H. K. Kim, “Know your master: Driver profiling-based anti-theft method”, içinde 2016 14th Annual Conference on Privacy, Security and Trust, PST 2016, 2016, ss. 211–218, doi: 10.1109/PST.2016.7906929.
[27] S. Schneegass, B. Pfleging, N. Broy, A. Schmidt, ve F. Heinrich, “A data set of real world driving to assess driver workload”, içinde Proceedings of the 5th International Conference on Automotive User Interfaces and Interactive Vehicular Applications, AutomotiveUI 2013, 2013, ss. 150–157, doi: 10.1145/2516540.2516561.
[28] P. Angkititrakul vd., “Getting Start with UTDrive: Driver-Behavior Modeling and Assessment of Distraction for In-Vehicle Speech Systems”, 2007, doi: 10.1.1.100.1333.
[29] S. Mittal, M. Shuja, ve M. Zaman, “A Review of Data Mining Literature”, IJCSIS, c. 14, ss. 437–442, Kas. 2016.
[30] S. Ramírez-Gallego, B. Krawczyk, S. García, M. Woźniak, ve F. Herrera, “A survey on data preprocessing for data stream mining: Current status and future directions”, Neurocomputing, c. 239, ss. 39–57, May. 2017, doi: 10.1016/j.neucom.2017.01.078.
[31] S. Alasadi, “Review of Data Preprocessing Techniques in Data Mining”, Journal of Engineering and Applied Sciences, c. 12, ss. 4102–4107, 2017.
[32] T. Dasu ve T. Johnson, “Exploratory Data Mining and Data Cleaning: An Overview”, içinde Exploratory Data Mining and Data Cleaning, John Wiley & Sons, Inc., 2003, ss. 1–16.
[33] A. Oğuzlar, “Veri Ön İşleme”, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, sayı 21, ss. 67–76, Eki. 2003.
[34] M. Pechenizkiy, S. Puuronen, ve A. Tsymbal, “Feature Extraction For Classification In The Data Mining Process”, International Journal "Information Theories & Applications, c. 10, sayı 1, ss. 271–278, 2003.
[35] P. Kibar ve B. Akkoyunlu, “Eğitimde Bilgi Görselleştirme: Kavram Haritalarından İnfografiklere”, içinde The Turkish Online Journal of Educational Technology, Ankara: The Turkish Online Journal of Educational Technology, 2015, ss. 271–287.
[36] A. Gürler, A. S. Yılmaz, ve M. Tekerek, “Veri Görselleştirme ve İnfografikler”, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 21, sayı 2, ss. 131–148, Haz. 2018, doi: 10.17780/ksujes.391274.
[37] Ö. Uyurca ve İ. Atılgan, “Trafik Denetiminde Coğrafi ve İklimsel Koşulların Etkilerinin İncelenmes”, Gazi Mühendislik Bilimleri Dergisi (GMBD), c. 2, sayı. 2, ss. 107-127, Haz. 2016.
[38] G. Doğrul, D. Akay ve M. Kurt , “Trafik Kazalarının Birliktelik Kuralları İle Analizİ”, Gazi Mühendislik Bilimleri Dergisi (GMBD), c. 1, sayı. 2, ss. 265-283, Haz. 2015.