Driving style assessment based on the GPS data and fuzzy inference systems
Notice bibliographique
Résumé
Car insurance can be computed according to the client's driving behaviour. This option is based on algorithms which use data from the black box. To carry out the monitoring function, the black box integrates an Inertial Navigation System (INS) sensors, a Global Positioning System (GPS), which are Micro Electromechanical Systems (MEMS) based and a flash memory. Researchers were interested in driver behaviour modelling by means of Kalman Filtering (KF) and Hidden Markov Modelling (HMM) and most of them are based only on the driver's acceleration profile during a period of time. This research paper expands the number of parameters, by adding the jerk, to estimate the driver aggressiveness. It proposes two approaches for driving behaviour supervision based on the vehicle velocity signal which is acquired from the Global Positioning System (GPS). The first approach presents three driving behaviour indicators based on the vehicle acceleration and jerk. Simulation results show some weaknesses in terms of driver aggressiveness estimation. For this purpose, the second approach is based on a developed Fuzzy Inference System (FIS) model. The inputs of the FIS model are the vehicle acceleration and jerk and the output remains the aggressiveness score. Experimental results show that the driver aggressiveness is better estimated by the proposed FIS model since the two input parameters are taken into account simultaneously. Furthermore, it will be shown that the denazification techniques and the GPS signal noise have an impact on the driver behaviour estimation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».