Clasificación del comportamiento del conductor mediante técnicas de aprendizaje automático y monitoreo a bordo con OBD ll en condiciones reales de carretera

La movilidad vial y el buen comportamiento del conductor en la carretera es de vital importancia para mantener una movilidad sin accidentes de tránsito y conductores prudentes en las vías. Los sistemas inteligentes de transporte (SIT) brindan la optimización de la estructura vial incrementando el control, la eficiencia, efectividad, la educación de los conductores al momento de la conducción, con el objetivo de gestionar el crecimiento demanda de movilidad y el comportamiento de los conductores en las vías. Un aporte crucial para los sistemas inteligentes de transporte son las campañas de monitoreo en condiciones reales de carretera que permitan la recolección de datos y su vez identificar el tipo de comportamiento del conductor. En el proyecto desarrollado se implementó una campaña de monitoreo abordo con un dispositivo ODB ll instalado en una muestra de 5 vehículos, que por medio de la conexión a bluetooth y una App instalada en el Smartphone se realiza la captura de los datos pertinentes para identificar el comportamiento de conducción. Para la identificación de los comportamientos de conducción se desarrolló un modelo de Machine Learning por medio de la técnica K-Means donde se clasificaron a los conductores en 3 grandes grupos (clúster): conductor normal, agresivo y peligroso. Con la identificación de los comportamientos de conducción se logra evidenciar que el conductor peligroso al ir a velocidad altas, tiene un mayor consumo de combustible y el riesgo de ocasionar accidenten en la malla vial.

• Autores: Aguilar Camacho, Joaquin Fernando
• Fecha de publicación: 2023
• Institución: Universidad Autónoma de Bucaramanga - UNAB
• Repositorio: Repositorio UNAB
• Idioma: spa
• OAI Identifier: oai:repository.unab.edu.co:20.500.12749/22585
• Acceso en línea: http://hdl.handle.net/20.500.12749/22585
• Palabra clave: Systems engineer; Software development; K-Means; Machine learning; Driving behaviors; On-board diagnostics; Artificial intelligence; Automatic control; Psychology observation; Desarrollo de Software; Ingeniería de sistemas; Inteligencia artificial; Aprendizaje automático; Control automático; Observación psicología; Comportamientos de conducción; Diagnóstico a bordo; GUI; PCA
• License: http://creativecommons.org/licenses/by-nc-nd/2.5/co/