Modeling Lane-Change Risk in Urban Expressway Off-Ramp Area Based on Naturalistic Driving Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 | 0,001 |
| 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 découle