通过驾驶员和车辆波动率统一分析的安全关键事件预测:深度学习方法的应用( Safety critical event prediction through unified analysis of driver and vehicle volatilities: Application of deep learning methods )

R Arvin AJ Khattak H Qi

交通安全与驾驶行为密切相关，尤其是人为失误在很大一部分事故中起着关键作用。现代仪器和计算资源允许对驾驶员、车辆和道路/环境进行监测，以从多维数据流中提取撞车的领先指标。为了量化驾驶员行为和车辆运动学中超出正常范围的变化，应用了波动性的概念。该研究利用自然主义驾驶数据测量驾驶员-车辆挥发物。通过整合和融合多个实时数据流，即驾驶员分心、车辆运动和运动学以及驾驶不稳定性，本研究旨在预测安全关键事件的发生，并向驾驶员和周围车辆产生适当的反馈。本文采用自然主义驾驶数据，包括7566个正常驾驶事件和1315个严重事件（即碰撞和接近碰撞）、车辆运动学和驾驶员行为，收集了来自3500多名驾驶员的数据。为了捕捉时间序列数据中的局部依赖性和波动性，提出了一维卷积神经网络(1D-CNN)、长短时记忆(LSTM)和1DCNN-LSTM。车辆运动学、驾驶波动性和受损驾驶（在分心方面）被用作输入参数。结果表明，1DCNN-LSTM模型的预测精度为95.45%，预测事故的准确率为73.4%，预测精度为95.67%。利用CNN层提取额外的特征，并解决观测之间的时间依赖性，这有助于网络学习驱动模式和波动行为。该模型可用于实时监控驾驶行为，并为低级自动化车辆中的驾驶员提供警告和警报，降低其撞车风险。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate