[论文解读] A real-time warning system for rear-end collision based on random forest classifier

Fateme Teimouri, Mehdi Ghatee|arXiv (Cornell University)|Mar 29, 2018

Autonomous Vehicle Technology and Safety参考文献 28被引用 10

一句话总结

本文提出了一种基于弗吉尼亚理工交通研究所数据库中车辆轨迹数据的实时追尾碰撞预警系统，采用随机森林分类器进行分析。该系统在检测预警情况时达到88.4%的准确率，在检测安全情况时达到94.7%的准确率，使用TOPSIS多准则方法评估时，在准确率和处理时间方面均优于多个基线分类器。

ABSTRACT

Rear-end collision warning system has a great role to enhance the driving safety. In this system some measures are used to estimate the dangers and the system warns drivers to be more cautious. The real-time processes should be executed in such system, to remain enough time and distance to avoid collision with the front vehicle. To this end, in this paper a new system is developed by using random forest classifier. To evaluate the performance of the proposed system, vehicles trajectory data of 100 car's database from Virginia tech transportation institute are used and the methods are compared based on their accuracy and their processing time. By using TOPSIS multi-criteria selection method, we show that the results of the implemented classifier is better than the results of different classifiers including Bayesian network, naive Bayes, MLP neural network, support vector machine, nearest neighbor, rule-based methods and decision tree. The presented experiments reveals that the random forest is an acceptable algorithm for the proposed driver assistant system with 88.4% accuracy for detecting warning situations and 94.7% for detecting safe situations.

研究动机与目标

• 开发一种基于车辆轨迹数据的实时驾驶员辅助系统，以预测追尾碰撞风险。
• 评估随机森林分类器与多种基线机器学习模型在准确率和处理时间方面的性能表现。
• 利用多准则决策方法（TOPSIS）识别适用于实时碰撞预警系统的最有效分类器。
• 通过动态车辆行为分析实现及时预警，从而提升驾驶安全性。
• 使用弗吉尼亚理工交通研究所提供的公开数据集对系统进行验证。

提出的方法

• 系统以弗吉尼亚理工交通研究所收集的100辆汽车的车辆轨迹数据作为输入特征。
• 关键特征包括碰撞时间、车间距离、相对速度和加速度，均从轨迹数据中提取。
• 训练随机森林分类器，基于这些特征将驾驶状况分类为“预警”或“安全”状态。
• 将该模型与贝叶斯网络、朴素贝叶斯、多层感知机神经网络、支持向量机、k近邻、基于规则的方法以及决策树进行对比。
• 通过准确率和处理时间评估性能，并使用TOPSIS方法对多种准则下的分类器进行排序。
• 系统设计用于实时部署，确保低延迟决策。

实验结果

研究问题

• RQ1 随机森林分类器在使用车辆轨迹数据时，能否以高精度实现实时追尾碰撞风险检测？
• RQ2 与其它机器学习模型相比，随机森林分类器在检测准确率和处理速度方面表现如何？
• RQ3 哪种分类器在准确率与计算效率之间提供了最佳权衡，适用于实时碰撞预警系统？
• RQ4 多准则决策方法（TOPSIS）能否有效对驾驶员辅助应用中的机器学习模型进行排序？
• RQ5 所提出的系统在检测预警和安全驾驶状况方面的性能如何？

主要发现

• 随机森林分类器在检测预警情况时达到88.4%的准确率，显著优于对比评估中的其他模型。
• 系统在检测安全驾驶状况时表现出94.7%的准确率，表明其在两种风险状态下均具备出色的泛化能力。
• 使用TOPSIS方法评估后，随机森林分类器在所有评估模型中排名第一，证实其在综合准确率与处理时间方面的优越性。
• 所提出的系统处理时间极低，适合在主动安全系统中实现实时部署。
• 随机森林模型在弗吉尼亚理工数据集中多样化的驾驶场景中表现出强健性和一致性。
• 结果证实，集成方法如随机森林在智能交通系统中实现实时追尾碰撞预测方面极为有效。