Autovadītāja identifikācija, izmantojot OBD2 datus
Autor
Žukovs, Dmitrijs
Co-author
Latvijas Universitāte. Datorikas fakultāte
Advisor
Podnieks, Kārlis
Datum
2019Metadata
Zur LanganzeigeZusammenfassung
Mūsdienās attīstošās datizraces tehnoloģijas un metodes ir radījušas lielu interesi par dažādiem ievāktajiem datiem. Ar 1996. g. ASV un 2003. g. ES, visiem šajās teritorijas tirgotajiem transportlīdzekļiem jābūt aprīkotiem ar OBD2, kas ir sensoru datu apstrādes standarts. Iepriekš veiktie pētījumi ir pierādījuši, ka ir iespējams no šiem datiem identificēt braucēju, ja tie tiek vākti strikti kontrolētos eksperimentos ar noteiktiem maršrutiem un braukšanas laikiem. Šajā darbā tika apskatīts, vai ir iespējams identificēt braucēju no maza sensoru skaita OBD2 datiem, kas ir ievākti no 8 autobraucējiem vadot vienu transportlīdzekli dažādos apstākļos. Datu klasifikācijai tika izmantota programma WEKA un tajā pieejamie modeļi. Lai noteikt savākto parametru informatīvā ieguldījuma reitingu tika izmantots InfoGainAttributeEval atribūtu reitinga modelis. Izmantojot 6 augstāk novērtētos atribūtus un Random Forest algoritmu ir iespējams klasificēt braucēju ar 90% varbūtību. Papildus arī tiek savākti augstākas frekvences dati un parādīts, kā izmantojot neuzraudzīto metodi, iespējams identificēt autovadītāju skaitu no braukšanas datiem. Nowadays, developing data mining technologies and methods have generated great interest in the various collected data. With 1996 USA and 2003 In the EU, all vehicles sold in the area must be equipped with OBD2, which is the standard for vehicles sensor data processing. Previous studies have shown that it is possible to identify a rider from these data if it is collected in strictly controlled experiments with certain routes and driving times. This paper examines whether it is possible to identify a driver from a small number of OBD2 sensors data collected from 8 persons driving one vehicle under different conditions. For this purpose WEKA program and its available models were used. Collected parameters were rated using InfoGainAttributeEval attribute evaluation model. Using the 6 highest rated attributes and the Random Forest algorithm it is possible to classify a driver with a 90% probability from collected OBD2 data. Aditionaly higher frequency data is collected to show, that it is possible to identify number of drivers from driving data collected.