相关实验视频
Updated: Jul 2, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
使用基于人工智能的视频分析进行实时崩风险预测的双层框架
Fizza Hussain1, Yasir Ali2, Yuefeng Li3
1School of Civil and Environmental Engineering, Faculty of Engineering, Queensland University of Technology, Brisbane, 4001, Australia.
Scientific reports
|February 20, 2024
概括
本研究引入了一种新的双层框架,用于在信号交叉点实时预测碰撞风险. 该系统在几分钟前准确地预测了潜在的后方碰撞,提高了交通安全.
科学领域:
- 交通工程是交通工程.
- 运输安全运输安全
- 交通运输中的人工智能
背景情况:
- 有信号的十字路口是道路网络中的关键节点,但容易发生车祸.
- 实时撞车风险预测 (RTCF) 对于积极的交通安全管理至关重要.
- 现有的方法往往缺乏动态交通条件所需的时间分辨率和精度.
研究的目的:
- 开发和验证一个双层框架,用于在信号交叉点实时预测碰撞风险.
- 为了提高预测准确性,利用崩风险中的时间依赖性.
- 为在动态的交通环境中提供主动安全管理的工具.
主要方法:
- 开发了一种非静止的通用极端值 (GEV) 模型,用于在信号周期水平上实时估计后端碰撞风险.
- 人工智能 (AI) 技术,包括YOLO和DeepSort,用于从视频数据中提取交通冲突和共变量.
- 在第二个级别中,使用循环神经网络 (RNN) 预测未来的崩风险,基于估计的信号周期风险.
主要成果:
- 非静止GEV模型显示了估计和历史碰撞频率之间的密切匹配.
- 估计的平均崩在观察到的崩的置信区间内,验证了GEV模型的准确性.
- 该框架成功地预测了随后的信号周期的崩风险,提前20-25分钟.
结论:
- 拟议的双层RTCF框架提供了一种可靠的方法,用于在信号交叉点实时评估碰撞风险.
- 人工智能和极端价值理论的整合提供了准确且与时间相关的安全见解.
- 这一框架为积极的安全干预和交通管理策略开辟了新的途径.
