Smart Cyber Forensics of Rear-End Collision based on Multi-Access Edge Computing
Notice bibliographique
Résumé
Due to the multiplicity of rear-end collisions and the complexity of collision forensics, it is necessary to reconstruct and evaluate the accident. In this paper, we propose a rear-end forensics and liability determination scheme based on multi-access edge computing (MEC) to facilitate rapid smart forensics and determine the accident liability reasonably. Specifically, a rear-end accident forensics model for smart forensics is first developed to collect the information about road environments, vehicle information stored on edge infrastructures, and data logging within the accident scene. We then establish a data chain of rear-end incident (CRI) from the forensic information closely related to vehicles involved in the collision. The possible security state (PSS) of the rear vehicle can be obtained by decoding the actual state (AS) of the front vehicle in the CREI using the Hidden Markov Model (HMM). Accordingly, the rear-end collision evaluation metrics is set up, calculating the estimated liabilities (ELs) for each vehicle based on the driver's attention level (AL) deduced from the proposed model. Finally, the liability of involved vehicle can be determined by HMM-based driver's AL detection algorithm. The performance evaluations show that the proposed smart forensics and rear-end liability determination scheme can determine rear-end liability faster and more reasonably.
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 ».