Modeling Lane-Change Risk in Urban Expressway Off-Ramp Area Based on Naturalistic Driving Data
Notice bibliographique
Résumé
Abstract Off-ramp areas are considered the critical sections of urban expressways where the exiting vehicles and straight-through vehicles merge. Therefore, lane-change behaviors frequently occur at the upstream of the urban expressway off-ramp, which lead to high chance of traffic crashes. This study looks at the risk of lane-change behaviors in the multilane urban expressway off-ramp areas. First, lane-change process information of exit vehicles in urban expressway off-ramp area was extracted from the Shanghai Naturalistic Driving Study (SH-NDS) database. Second, for each lane-change movements of exit vehicles, a risk evaluation indicator (risk perception, RP) was adopted to quantify the lane-change risk. Based on the RP, the study proposed a four-rank risk classification criterion using K-means clustering to define the risk rank of each lane-change movement. Finally, a lane-change risk rank classification model was developed for traffic in the off-ramp areas of multilane expressways using four distinctive influencing factors. Four influencing factors, namely, traffic congestion level, demand lane change times, lane-change direction, and relative distance between vehicle and exit, were used to describe the traffic flow characteristics and exiting lane-change route for the modeling purpose. The risk model was developed using two support vector machine models, which were based on the partial binary tree structure and the directed acyclic graph structure, respectively. The results showed that the overall accuracy of the partial binary tree structure classifier was 65.71 % and the average AUC value was 0.9004, both of which shows a better performance of the partial binary tree structure classifier, compared with the directed acyclic graph structure classifier.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».