实时驾驶风险预测使用基于自我注意的双向长期短期记忆网络,基于多源数据
Zhuopeng Xie1, Yongfeng Ma2, Ziyu Zhang2
1Jiangsu Key Laboratory of Urban ITS, School of Transportation, Southeast University, Nanjing 211189, China; School of Civil Engineering, Faculty of Engineering, University of Sydney, Darlington NSW 2008, Australia.
Accident; analysis and prevention
|May 26, 2024
概括
本研究介绍了一种基于自我注意的双向长期短期记忆 (Att-Bi-LSTM) 模型,用于使用多源数据准确预测驾驶风险,显著优于现有方法.
科学领域:
- 人工智能的人工智能
- 运输安全运输安全
- 机器学习 机器学习
背景情况:
- 预测驾驶风险对于防止碰撞至关重要.
- 现有的方法通常依赖于单个数据源,缺乏先进的建模或时间窗口分析.
研究的目的:
- 提出一个新的Att-Bi-LSTM模型,用于多源驾驶风险预测.
- 评估模型的性能与已建立的机器学习算法对比.
主要方法:
- 从模拟测试中收集的多来源驾驶员数据 (人口统计,操作,视觉,生理,动力学).
- 开发了一个Att-Bi-LSTM网络,并将其与CNN,CNN-LSTM,CatBoost,LightGBM和XGBoost进行了比较.
- 利用观察,间隔和预测时间窗口用于模型输入/输出生成.
主要成果:
- Att-Bi-LSTM模型实现了0.914的宏观平均F1得分,超过了所有比较模型.
- 废除研究证实了Bi-LSTM层和自我注意机制的有效性.
- 与仅使用动态数据相比,多源数据将F1得分提高了0.061.
结论:
- 拟议的Att-Bi-LSTM模型提供了一种有效的驾驶风险预测方法.
- 模型性能对时间窗口配置敏感,最佳的观察窗口提高了准确性.
- 这项研究支持开发增强的先进驾驶辅助系统.
