论文题目：
You Are How Drive: Peer and Temporal-Aware Representation Learning for Driving Behavior Analysis
论文内容：
分析驾驶行为，能够有助于评估司机的驾驶表现，进而提高交通安全，并能提升智慧交通的应用及发展。
该论文提出了PTARL框架，基于GPS轨迹数据，来分析司机的驾驶行为。该框架图如下图1所示：
图1 PTARL框架图问题定义：
1、Driving Operation:
根据速度和方向，可将驾驶操作分为两种，1）速度相关的操作，主要包括加速、减速以及常速行驶等；2）方向相关的操作，如左转弯、右转弯以及直行等。
速度与方向的判别，本论文主要是用GPS轨迹数据中的经纬度，根据球面距离公式以及偏航角的计算公式来获得。
速度的计算方式如下图2:
图2 速度计算方法方向计算方法如下图3所示：
图3 方向计算方法2、Driving State:
驾驶状态主要考虑在特定时间点或小的时间窗口来计算其速度和方向。其格式如<speed, direction>。
3、Driving state transition Graph:
由于车辆的驾驶状态时不时的会发生变化，所以，本论文提出驾驶状态转移图来描述随时间变化的状态序列。在司机的驾驶状态转移图中，节点表示驾驶状态，边的权重表示在两个驾驶状态之间的持续时间或状态变化的频率。
在该图中，主要涉及到两点，转移概率(transition probability)和状态的持续时间（transition duration）。由于时间关系，直接贴原论文的内容了，其计算方法如下图4所示：
图4 状态转移的相关计算4、问题定义：
根据GPS轨迹（其数据格式为<timestamp, lat, lng>），目的在于找到映射函数f来将GPS映射到随时间变化的向量V，这样做的目的在于统计司机的动态驾驶行为。
5、应用：
1）司机驾驶分数的预测以及历史驾驶行为的评估
利用SVR来评判司机的驾驶行为。
2）危险区域的检测：
如在某一区域某一时间段内，低分的司机在该区域中行驶，则该区域很有可能会比较危险。
个人思考：
该论文主要的创新点是依据GPS轨迹数据利用驾驶状态转移图来评估司机的驾驶行为；但个人感觉存在的问题，如下：1）当在无GPS场景或弱GPS场景下（或GPS缺失的情况下），如何来保证其方法的有效性。2）在计算GPS点之间的距离，是否可以结合体其他交通数据，来提高模型的精度。
