パーソナライズされた運転リスク評価と,複数の指標を統合したローリング予測方法

科学分野:

• 交通安全とインテリジェント輸送システム
• バイオメディカル・エンジニアリングと人間要因

背景:

• 運転スタイルは大きく異なっており, 積極的な交通安全のための個別化されたリスク評価が必要である.
• 既存のシステムは,統合された生理学的データと車両データに基づいて,リアルタイムで個別化された事故リスクの予測を欠いています.
• インテリジェント・ドライバー・アシスタンス・システムには リスクの正確な予測が必要です

研究 の 目的:

• パーソナライズされた運転リスク評価とローリング予測方法を提案する.
• 車両のダイナミクスと心拍数変数 (HRV) を統合し,事故リスクをリアルタイムで予測する.
• 連続運転のリスク予測のための高度なモデルを開発する.

主な方法:

• 自然な運転実験で 臨界インシデント (Critical Incident Events, CIE) と指標データを収集した.
• 改善されたベイジアンネットワークは,CIEに影響を与える主要なパーソナライズされた指標を特定しました.
• CNNとEKF (BCBGEモデル) と統合されたベイジアン最適化 (BO) ベースの双方向ゲートリキュアントユニット (BiGRU) が予測のために開発されました.

主要な成果:

• 運転のリスクは4つの異なるレベルに分類されました.
• パーソナライズされた分析では,CIEタイプごとに3〜4つの主要な車両動力学またはHRV指標が明らかになりました.
• BCBGEモデルは92.03%の予測精度を達成し,他のモデルを3.37~15.88%上回りました.

結論:

• 提案されたパーソナライズされた方法は,運転のリスクをリアルタイムで効果的に評価し予測します.
• 車両ダイナミクスとHRVの統合は,インテリジェントな運転支援のための堅固な基盤を提供します.
• BCBGEモデルは,連続運転のリスク予測において優れたパフォーマンスを示しています.