A Reliability Approach to Development of Rollover Prediction for Heavy Vehicles Based on SVM Empirical Model With Multiple Observed Variables
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
The rapid development of cooperative vehicle-infrastructure system (CVIS) improves the communication reliability between vehicles and road environment. These communications enable the accurate vehicle rollover prediction in Human-Vehicle-Road interaction. However, considering the strong non-linear characteristics of Human-Vehicle-Road interaction and the uncertainty of modeling, the traditional deterministic method cannot meet the requirement of accurate prediction of rollover hazard for heavy vehicles. In order to improve the accuracy of vehicles rollover prediction, this paper proposes a developed rollover prediction algorithm based on the multiple observed variables by combining the failure probability in reliability and the empirical model. This approach applies the probability method of uncertainty to the design of dynamic rollover prediction algorithm for heavy vehicles and establishes a classification model of heavy vehicles based on support vector machine (SVM) with multiple observed variables. The failure probability of rollover limit state of heavy vehicles is calculated by Monte Carlo Sampling (MCS), Radial-Based Importance Sampling (RBIS), and Truncated Importance Sampling (TIS), respectively. Then the Fishhook, Double Lane Change tests, and J-turn tests, simulated in TruckSim, are carried out to validate the proposed algorithm. The simulation results show that the rollover prediction algorithm based on failure probability can effectively improve the rollover prediction accuracy for heavy vehicles. Moreover, based on the communication in CVIS, the failure probability can be obtained before entering the specific road. Meanwhile, this approach can reduce the external interference of strong non-linear characteristics of Human-Vehicle-Road interaction and the uncertainty of the modeling to the system, thus improving the prediction accuracy of active safety performance of heavy vehicles significantly.
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 | 0,000 | 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 découle