相关实验视频
Updated: Jul 8, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
基于深度转移学习的异常检测,用于自行车安全
Shumayla Yaqoob1, Salvatore Cafiso2, Giacomo Morabito1
1Department of Electrical, Electronic, Computer and Telecommunication Engineering, University of Catania, Italy.
Journal of safety research
|December 11, 2023
概括
本研究介绍了DTL AD,这是一种深度转移学习模型,用于识别不安全的骑自行车行为和高风险区域. 它使用全球导航卫星系统 (GNSS) 数据来主动防止自行车撞车事故.
科学领域:
- 运输安全运输安全
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 在欧盟城市,骑自行车的死亡人数正在增加,这突出了道路安全的关键挑战.
- 传统的车祸统计是反应性的,并且因有效的自行车安全分析数据的可用性而受到限制.
- 智慧城市数据收集为识别和减轻骑自行车危险提供了积极的解决方案.
研究的目的:
- 开发一种积极的方法来确定自行车安全干预的关键位置.
- 检测骑自行车行为的异常,这些异常表明潜在的交通冲突或几乎错过的事件.
- 利用先进的机器学习来加强道路安全分析.
主要方法:
- 应用了深度转移学习模型,特别是卷积自编码器 (CAE),用于异常检测.
- 使用全球导航卫星系统 (GNSS) 数据记录在国家海上电子协会 (NMEA) 带有仪器自行车的字符串.
- 开发了一个用户定制的骑行模型,名为DTL AD.
主要成果:
- DTL AD模型使用GNSS数据成功检测和定位骑行异常.
- 使用CAE转移学习减少了数据标签和模型培训所需的努力.
- 在地理信息系统 (GIS) 地图上可视化时,异常检测有效地识别了高风险区域.
结论:
- DTL AD模型提供了一种积极和有效的方法来提高骑自行车的安全性.
- 在骑自行车行为中的异常检测可以准确地绘制地图,以识别危险位置.
- 这种方法通过允许有针对性的干预措施来提高道路运输安全.
