使用机器学习模型预测山区道路上的驾驶员警觉程度:中国的一项自然驾驶研究
Tong Liu1, Deji Xie1, Tangzhi Liu1
1College of Traffic & Transportation, Chongqing Jiaotong University, Chongqing, China.
Traffic injury prevention
|November 20, 2025
概括
这项研究开发了一种新方法,利用人类和环境因素监测山区道路上的驾驶员警觉性. 表格式预先数据装配网络 (TabPFN) 模型被证明是动态安全监控中最有效的.
科学领域:
- 道路交通安全问题 道路安全问题
- 人类因素工程 人类因素工程
- 机器学习在运输中的应用.
背景情况:
- 山地道路呈现出独特的高风险驾驶条件.
- 动态安全监测对于防止这些地区发生事故至关重要.
- 现有的驾驶员警觉性评估方法可能缺乏稳定性.
研究的目的:
- 开发和评估一种评估在山区道路上的驾驶员警觉度的方法.
- 为了全面的安全监测,整合人类和环境因素.
- 为了比较不同机器学习模型的性能,用于警觉性分类.
主要方法:
- 现场数据收集包括心率和眼睛运动.
- 核心主要组件分析 (KPCA) 用于特征提取.
- K-表示用于警戒分类的集群.
- 发展物流回归,XGBoost和表式先前数据装配网络 (TabPFN) 模型.
主要成果:
- XGBoost模型实现了0.97的AUC,超过了后勤回归 (AUC:0.80).
- 在TabPFN模型中,AUC:0.98,KS:0.85和F1:0.90.90,表现出优异的性能.
- TabPFN显示出对小样本,高维度数据的稳定性和适应性.
结论:
- 驾驶员的警觉性可以通过整合人类和环境因素来有效量化.
- TabPFN模型是监测山区道路上的驾驶员警觉性的首选方法.
- 这种方法增强了高风险路段的动态安全监测.
