Using AI to study impact of driving patterns
Authors
Date
2023Copyright
© The Author(s)
Tässä opinnäytteessä tutkitaan tapoja hyödyntää tekoälyä (AI) kuljettajan ajokäyttäytymisen analysointiin. Tavoitteena on löytää korrelaatio niiden eri tekijöiden väliltä jotka vaikuttavat kuljettajan tekemiin päätöksiin hyödyntäen kuljettajan ajoympäristöstä ja tiestöstä saatavilla olevaa ja kerättyä tietoa. Tämän pohjalta voidaan jatkossa kehittää järjestelmä joka auttaa kuljettajia kiinnittämään huomiota ajotapaan ja parantamaan ajamisen tehokkuutta ja vähentämään ajamisesta aiheutuu ympäristön kuormitusta.
Aplicom Oy on toimittanut työtä varten T10G-telematiikkalaitteen, josta löytyy mittalaitteet ajoneuvon nopeuden, sijainnin ja ajan seuraamiseksi. Lisäksi laitteesta löytyy CAN-liitäntä, jonka avulla päästään lukemaan ajoneuvon omia antureita. Näiden tietojan avulla kuljettajan ajotapaa voidaan analysoida. Opinnäytteen lähtötiedoiksi ajotietoa on kerätty useilla ajokerroilla Suomessa kaupunkiliikenteestä ja moottoritieajosta. Analyysissa kerätyt tiedot on yhdistetty Trafin julkisen Digiroad-aineiston kanssa josta on saatu tiestön yksityiskohtaista nopeusrajoitus- ja geometriatietoa. Muodostetusta tietomallista voidaan muodostaa tarkka kuva kuljettajan ajokäytöksestä kyseisellä tieosuudella.
Opinnäyte havainnollistaa osuvalla tavalla kuinka koneoppimista voidaan hyödyntää liikenteessä kuljettajan avustamiseksi tehden ajamisesta turvallisempaa, tehokkaampaa ja ympäristöystävällisempää. Tulevaisuuden liikenteessä tullaan hyödyntämään entistä enemmän tietokoneen ja kuljettajan yhteistyötä jotta vastuullisuuden, turvallisuuden ja kestävän kehityksen tavoitteet voidaan saavuttaa.
...
This thesis examines the ways in which artificial intelligence (AI) can be used to study the impact of driving patterns, aiming to find a correlation between the variables influencing the driver's decision-making process by using data that can be gathered in various driving environments and terrains. This analysis will be helpful in developing a system that helps drivers modify their driving habits for increased vehicle efficiency and reduced damage to the environment. A T10G device from Aplicom Oy, containing important interfaces to the vehicle sensors via a CAN bus interface and on-device sensors that measure vehicle speed, latitude longitude and timestamp data, is used to analyze driving behavior. Data has been collected on multiple journeys both in-city and on highway in Finland and mapped onto the Finnish Transport Infrastructure Authority’s publicly available API which contains detailed mapping of Finnish road and street networks as well as winter and summer speed limits with Geo coordinates, thus providing an accurate picture of driving behavior along the aforementioned path. This study expresses how incorporating machine learning is a funda-mental shift in driving that will make it safer, more efficient, and environmentally friendly. The driving experience of the future will see more involvement from human-machine inter-action based on sustainability, safety, and accountability.
...
Keywords
Metadata
Show full item recordCollections
- Pro gradu -tutkielmat [29106]
License
Related items
Showing items with similar title or keywords.
-
Adversarial Attack’s Impact on Machine Learning Model in Cyber-Physical Systems
Vähäkainu, Petri; Lehto, Martti; Kariluoto, Antti (Peregrine Technical Solutions, 2020)Deficiency of correctly implemented and robust defence leaves Internet of Things devices vulnerable to cyber threats, such as adversarial attacks. A perpetrator can utilize adversarial examples when attacking Machine ... -
Strategic cyber threat intelligence : Building the situational picture with emerging technologies
Voutilainen, Janne; Kari, Martti (Academic Conferences International, 2020)In 2019, e-criminals adopted new tactics to demand enormous ransoms from large organizations by using ransomware, a phenomenon known as “big game hunting.” Big game hunting is an excellent example of a sophisticated and ... -
The Impact of Regularization on Convolutional Neural Networks
Zeeshan, Khaula (2018)Syvä oppiminen (engl. deep learning) on viime aikoina tullut suosituimmaksi koneoppimisen menetelmäksi. Konvoluutio(hermo)verkko on yksi suosituimmista syvän oppimisen arkkitehtuureista monimutkaisiin ongelmiin kuten kuvien ... -
On Attacking Future 5G Networks with Adversarial Examples : Survey
Zolotukhin, Mikhail; Zhang, Di; Hämäläinen, Timo; Miraghaei, Parsa (MDPI AG, 2023)The introduction of 5G technology along with the exponential growth in connected devices is expected to cause a challenge for the efficient and reliable network resource allocation. Network providers are now required to ... -
Practices and Infrastructures for Machine Learning Systems : An Interview Study in Finnish Organizations
Muiruri, Dennis; Lwakatare, Lucy Ellen; Nurminen, Jukka K.; Mikkonen, Tommi (Institute of Electrical and Electronics Engineers (IEEE), 2022)Using interviews, we investigated the practices and toolchains for machine learning (ML)-enabled systems from 16 organizations across various domains in Finland. We observed some well-established artificial intelligence ...