トランスフォーマーとアクティブ・ラーニング・サロゲットを用いた山岳高速道路改修の確率的な車両速度予測と信頼性ベースの設計最適化

科学分野:

• 交通機関工学 交通機関工学
• 道路交通安全について
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

• 従来の高速道路の設計方法は,山岳地形でのドライバーの行動の変動を適切に扱っていない.
• 既存のアプローチは,決定的な速度仮定により,安全性の限界が不十分になる可能性があります.

研究 の 目的:

• 山岳高速道路の改修のための信頼性ベースの設計最適化 (RBDO) フレームワークを開発する.
• 確率的な車両速度予測と安全指向の幾何学設計を統合する.
• 改修コストを考慮しながら,運転の安全性と信頼性を高めるために.

主な方法:

• トランスフォーマーベースのディープラーニングモデルは,高速道路の並べ替えに基づいた確率的車両速度予測のために開発されました.
• 運転の安全性の信頼性は,横方向の安定性,速度調整,停止視線距離のためのストキャスティック限界状態関数を使用して定量化されました.
• RBDO問題を効率的に解決するために,アクティブラーニングのKriging代理モデルが採用されました.

主要な成果:

• トランスフォーマーモデルは,マルチモダルの車両の速度分布を正確に捉え,従来の回帰モデルと再帰モデルを上回った.
• 縦傾きとカーブ半径のわずかな調整により,運転の安全性の信頼性が著しく向上しました.
• 提案されたRBDOフレームワークは,安全改善と改修コストのバランスをとる上で有効性を示しました.

結論:

• ディープラーニングと代理ベースのRBDOの統合は,データ駆動,安全指向の輸送インフラ設計のための強力なアプローチを提供します.
• この発見は,山岳高速道路の幾何学的設計を最適化して,運転の安全性と信頼性を高めるための貴重な洞察を提供します.