본 연구에서는 자동차 주행데이터를 입력으로 하는 기계학습 모델 및 딥러닝 모델을 구성하여 비교한다. 본 연구에서 비교하는 이유는 동일한 데이터를 기반으로 기계학습 모델 혹은 딥러닝 모델을 어느 비중으로 사용해야 최적의 모델을 구성할 수 있는지 알 수 있다. 비교할 모델을 구성하는 기준으로는 기계학습 및 딥러닝의 구성에 따라 3가지로 나뉘게 된다. 첫 번째 및 두 번째 모델은 ...
본 연구에서는 자동차 주행데이터를 입력으로 하는 기계학습 모델 및 딥러닝 모델을 구성하여 비교한다. 본 연구에서 비교하는 이유는 동일한 데이터를 기반으로 기계학습 모델 혹은 딥러닝 모델을 어느 비중으로 사용해야 최적의 모델을 구성할 수 있는지 알 수 있다. 비교할 모델을 구성하는 기준으로는 기계학습 및 딥러닝의 구성에 따라 3가지로 나뉘게 된다. 첫 번째 및 두 번째 모델은 데이터 전처리는 기계학습 방법을 통해 처리 후, 운전자 판단 시 각각 기계학습 및 딥러닝으로 진행하는 모델이다. 마지막 모델은 End-to-End 방식으로 전처리부터 운전자 판단까지 모든 과정을 딥러닝이 처리하여 학습 및 판단을 진행하는 모델이다. 각 모델별 결과를 통해 데이터 분석 모델을 구성할 때, 기계학습 및 딥러닝을 어떻게 구성해야 하는지 알 수 있다. 전처리하는 방법은 P-Values를 통하여 운전자 판단에 필요한 데이터를 선택했다. End-to-End 방식에서 전처리는 Auto_encoder 방식을 사용했으며 운전자 판단 모델은 Convolution_1D를 사용하였다. 또한, 정확도 개선을 위해 Batch Normalization, 특정 구간 추출, Post-processing 등 다양한 기술을 적용하였다. 본 논문을 통하여 학습된 차량 주행데이터를 기반으로 실시간 운전자 판단 시스템으로 응용할 수 있다. 주행데이터를 Database(DB)에 저장하면 프로그램이 데이터를 읽어와 운전자를 판단 후, 차량에 알려준다. 이를 이용하여 운전자가 선호하는 노래를 재생해주는 등 맞춤 서비스를 제공할 수 있다.
본 연구에서는 자동차 주행데이터를 입력으로 하는 기계학습 모델 및 딥러닝 모델을 구성하여 비교한다. 본 연구에서 비교하는 이유는 동일한 데이터를 기반으로 기계학습 모델 혹은 딥러닝 모델을 어느 비중으로 사용해야 최적의 모델을 구성할 수 있는지 알 수 있다. 비교할 모델을 구성하는 기준으로는 기계학습 및 딥러닝의 구성에 따라 3가지로 나뉘게 된다. 첫 번째 및 두 번째 모델은 데이터 전처리는 기계학습 방법을 통해 처리 후, 운전자 판단 시 각각 기계학습 및 딥러닝으로 진행하는 모델이다. 마지막 모델은 End-to-End 방식으로 전처리부터 운전자 판단까지 모든 과정을 딥러닝이 처리하여 학습 및 판단을 진행하는 모델이다. 각 모델별 결과를 통해 데이터 분석 모델을 구성할 때, 기계학습 및 딥러닝을 어떻게 구성해야 하는지 알 수 있다. 전처리하는 방법은 P-Values를 통하여 운전자 판단에 필요한 데이터를 선택했다. End-to-End 방식에서 전처리는 Auto_encoder 방식을 사용했으며 운전자 판단 모델은 Convolution_1D를 사용하였다. 또한, 정확도 개선을 위해 Batch Normalization, 특정 구간 추출, Post-processing 등 다양한 기술을 적용하였다. 본 논문을 통하여 학습된 차량 주행데이터를 기반으로 실시간 운전자 판단 시스템으로 응용할 수 있다. 주행데이터를 Database(DB)에 저장하면 프로그램이 데이터를 읽어와 운전자를 판단 후, 차량에 알려준다. 이를 이용하여 운전자가 선호하는 노래를 재생해주는 등 맞춤 서비스를 제공할 수 있다.
In this study, a machine learning model and a deep learning model are constructed and compared with vehicle driving data as input. The reason for comparison in this study is to use machine learning or deep learning models based on the same data as a percentage to see if the optimal model can be cons...
In this study, a machine learning model and a deep learning model are constructed and compared with vehicle driving data as input. The reason for comparison in this study is to use machine learning or deep learning models based on the same data as a percentage to see if the optimal model can be constructed. The criteria for the model to be compared will be divided into three, depending on the composition of machine learning and deep learning. The first and second models are those that are processed by the machine learning method and then performed by machine learning and deep learning, respectively, in the driver's judgment. The last model is an end-to-end model in which deep learning processes all the processes from pre-processing to driver judgment and proceeds with learning and judgment. The results for each model show how machine learning and deep learning should be configured when data analysis models are constructed. The pre-treatment method selected the necessary data for driver judgment through P-Values. In the end-to-end mode, the pre-processing uses the Auto_encoder method and the driver-judge model uses the Convolution_1D. In addition, various technologies such as Batch Normalization, specific section extraction, and Post-processing were applied to improve accuracy. Based on vehicle driving data learned through this paper, it can be applied to real-time driver judging systems. When driving data is stored in Database (DB), the program reads the data, determines the driver, and notifies the vehicle. This allows the user to provide customized services such as playing songs that the driver prefers.
In this study, a machine learning model and a deep learning model are constructed and compared with vehicle driving data as input. The reason for comparison in this study is to use machine learning or deep learning models based on the same data as a percentage to see if the optimal model can be constructed. The criteria for the model to be compared will be divided into three, depending on the composition of machine learning and deep learning. The first and second models are those that are processed by the machine learning method and then performed by machine learning and deep learning, respectively, in the driver's judgment. The last model is an end-to-end model in which deep learning processes all the processes from pre-processing to driver judgment and proceeds with learning and judgment. The results for each model show how machine learning and deep learning should be configured when data analysis models are constructed. The pre-treatment method selected the necessary data for driver judgment through P-Values. In the end-to-end mode, the pre-processing uses the Auto_encoder method and the driver-judge model uses the Convolution_1D. In addition, various technologies such as Batch Normalization, specific section extraction, and Post-processing were applied to improve accuracy. Based on vehicle driving data learned through this paper, it can be applied to real-time driver judging systems. When driving data is stored in Database (DB), the program reads the data, determines the driver, and notifies the vehicle. This allows the user to provide customized services such as playing songs that the driver prefers.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.