用路面状况,传感器融合和机器学习的见解来代替交通安全的测量

科学领域:

• 运输工程 运输工程
• 道路交通安全 道路交通安全
• 机器学习应用 机器学习应用

背景情况:

• 交通安全至关重要,受人类,车辆,道路和环境因素的影响.
• 路面状况是一个关键的道路因素,影响驾驶员行为和车辆动态,但研究关注度有限.
• 了解路面退化和驾驶员行为之间的联系对于提高道路安全和维护策略至关重要.

研究的目的:

• 为了调查路面退化对侵略性驾驶员行为和交通安全的影响.
• 开发和验证用于预测侵略性驾驶和识别路面缺陷的模型.
• 建立特定路面缺陷和侵略性驾驶模式之间的相关性.

主要方法:

• 使用智能手机传感器收集的数据用于驾驶员行为和路面状况的摄像头.
• 采用人工神经网络和计算机视觉用于行为和缺陷预测.
• 利用随机森林和支持矢量机 (SVM) 来分析路面缺陷对侵略行为的影响.

主要成果:

• 模型准确地预测了攻击性驾驶员行为 (F1得分91.6%),行车质量缺陷 (F1得分97.2%) 和路面缺陷 (mAP 70.7%).
• 随机森林和SVM模型在预测基于路面缺陷的驾驶员行为方面实现了高准确度 (96.6%和96.7%).
• 创建了一个新型数据集,将路面缺陷与侵略性驾驶员行为相关联.

结论:

• 路面的恶化是导致驾驶员攻击性行为的一个重要因素.
• 该研究为整合机器学习和统计分析提供了一个框架,以了解道路安全.
• 结果为优先考虑道路维护和实施有效的交通管理策略提供了宝贵的见解.