Abstract:
La reconnaissance du comportement des conducteurs automobiles dans le cadre des Systèmes de Transport Intelligents (ITS) est devenue de plus en plus importante, étant donné l'augmentation exponentielle de la production et de la vente de moyens de transport, et le nombre croissant de conducteurs insouciants qui contribuent à une fréquence accrue d'accidents. Dans le cadre de ce travail, nous avons proposé un modèle de reconnaissance du comportement de conducteur, qui permet la distinction entre la conduite sûre et non-sûre. Il permet ainsi aux conducteurs de se surveiller eux-mêmes et d'adapter leur conduite si nécessaire, ce qui contribue extrêmement dans la sûreté du trafic routier. L'idée principale de notre solution est l'utilisation des réseaux de neurones récurrents basés sur LSTM combinés avec la méthode de mélange Gaussian (GMM), qui permet de classer le comportement en trois classes distinctes. Les performance de la méthode proposée ont été évaluées en utilisant différentes métriques d'évaluation importantes telle que la précision, le rappel et la F1-mesure. Les résultats montrent que l'approche proposée offre une meilleure performance.
