Identificação do Comportamento de Motoristas: Uma Abordagem Baseada em Teoria da Informação

Abstract

Neste trabalho, propomos a identificação do comportamento do motorista com o uso do algoritmo Random Forest e Long Short-Term Memory (LSTM), baseado em medidas de teoria da informação, como Entropia de Shannon, Complexidade Estatística e Informação de Fisher. Os modelos LSTM e Random Forest foram aplicados em dados provenientes dos sensores acelerômetro e giroscópio em veículos. Tais dados foram rotulados como: slow, normal, e aggressive. Comparamos a metodologia padrão da literatura com a nossa proposta por meio das medidas de acurácia, área sob a curva ROC (AUC), e precisão. Seguindo a literatura obtivemos: com Random Forest 60 % de acurácia, 58 % de AUC, e 61 % de precisão; com LSTM 56 à 58 % de acurácia, 52 % de AUC, e 68 à 73 % de precisão. Seguindo nossa proposta obtivemos: com Random Forest 52 à 92 % de acurácia, 54 à 94 % de AUC, e 61 à 100 % de precisão; com LSTM 61 à 80 % de acurácia, 58 à 78 % de AUC, e 56 à 85 % de precisão.