Unsupervised methods for driving behaviour modeling and profiling

In the world today, there are over one billion cars with di erent drivers interacting with each other on the roads. Each driver has his own driving style, which could impact safety, fuel economy and road congestion, among many things. The precise relationships between driving style and their e ects have not been well characterized, although there is some general consensus that "aggressive" driving has a mostly negative impact on driving safety. Knowledge about the driving style of the driver could be used to encourage "better" driving behaviours: combined with driver records or ideal driving style models, one's driving style could be compared and used as an immediate feedback while driving, or by scaling auto insurance rates commensurate to the aggressiveness of one's driving style. In last years many improvements in telematics research have been reached and driving data availability has greatly increased. A large variety of devices have been addressed to collect di erent kind of information about drivers trips, for example has been proposed mobile phones usage to collect information in smartphones using numerous sensors such accelerometer, Global Positioning System (GPS), magnetometer, multiple microphones, and even cameras. In this work is proposed a framework for Driving behaviour pro ling based on unsupervised data mining methods. The main goal is to nd behaviours shared between drivers upon which, similarities measures are de ned to cluster drivers with similar behaviour. This approach o ers a great complexity reduction, simplifying experts analysis and highlighting user dominant tendencies. Driver behavioral characteristics are de ned by the analysis of Contextual Scenes, or rather behavioral patterns extracted using a data-driven approach. In this work the problem of characterizing driving behavior and style is approached using di erent methods: behavioural clustering based on DP-means and behavioural sequences tagging based on HMMs (Hidden Markov Models) and its variant the inertial HMMs. The same problem has been analyzed from a di erent perspective using Hierarchical Dirichlet Processes (HDPs). The proposed framework is tested on two real datasets containing sampled car signals. Besides vehicle status information it is shown the possibility to include contextual information coming from road environment to perform a more context aware analysis.

Nel mondo di oggi sono presenti pi u di un miliardo di automobili condotte da diversi guidatori che interagiscono tra di loro sulle strade. Ciascun guidatore adotta un proprio stile di guida che ha impatto sulla sicurezza stradale, sul risparmio di carburante e sulla congestione del tra co. La precisa relazione tra lo stile di guida e i suoi e etti non e stata ancora chiaramente de nita, tuttavia e opinione comune considerare la guida "aggressiva" (velocit a sopra i limiti, brusche accelerazioni e decellerazioni) una delle maggiori cause dell'incremento del rischio. Una maggiore conoscenza dello stile di guida di una persona potrebbe essere utilizzata per incoraggiare comportamenti considerati pi u sicuri attraverso diverse metodologie: sistemi di feedback immediato, basato sulla condotta alla guida o in alternativa meccanismi di de nizione del tasso assicurativo basato sull'aggressivit a al volante. Negli ultimi anni la ricerca nell'ambito telematico ha prodotto notevoli perfezionamenti nei sistemi di raccolta, aumentando considerevolmente la disponibilit a di dati riguardanti il comportamento alla guida: questo grazie allo sviluppo di una grande variet a di dispositivi dedicati alla raccolta delle numerose informazioni sui tragitti in auto. Ad esempio e stato introdotto l'utilizzo di smartphones a supporto del processo di raccolta dati. Questi utilizzano i propri sensori interni quali: accelerometro, Global Positioning System (GPS), magnetometro, microfoni multipli e anche videocamere. In questo ambito proponiamo un framework per la la pro lazione del comportamento alla guida (Driving Behaviour) basato su metodi di data mining non supervisionati. L'obiettivo principale e quello di raggruppare le utenze in base a quelli che sono i comportamenti identi cati come ricorrenti tra i diversi guidatori. L'approccio o re una grande riduzione di complessit a nella rappresentazione del fenomeno, rendendo pi u agevole l'analisi da parte di esperti ed evidenziando quelle che sono le tendenze dominanti.Le caratteristiche riguardanti la condotta alla guida sono de nite tramite l' identi- cazione delle cosiddette "Scene Contestuali", ovvero pattern comportamentali che vengono estratti utilizzando un approcio basato sull'analisi dei dati. Nel lavoro da noi proposto la caratterizzazione del comportamento del guidatore e del proprio stile di guida e stato a rontata tramite metodi di erenti: un clustering basato sull' algoritmo DP-means ed un metodo di etichettatura di sequenze temporali basato su Hidden Markov Models (HMMs) e la propria variante inerziale (inertial HMMs). Lo stesso problema e stato analizzato da una prospettiva di erente utilizzando Hierarchical Dirichlet Processes (HDPs). Il framework proposto e stato testato su due dataset reali costituiti da segnali provenienti dai veicoli. In ne, oltre alle informazioni sullo stato del veicolo, viene mostrata la possibilit à di includere informazioni contestuali riguardanti l'ambiente stradale, per permettere quindi ad un'analisi maggiormente dettagliata.