Safety Evaluation of Fog Warning Systems in a Connected Vehicle Environment Based on Sample Entropy
Notice bibliographique
Résumé
Changes in driving behavior caused by reduced visibility in fog can lead to crashes. To improve driving safety in fog weather, a fog warning system based on connected vehicle (CV) technology is proposed. From the perspective of human factors, this study evaluates the driving safety based on drivers’ speed change under different fog levels (i.e., no fog, light fog, and heavy fog) and different technical levels (i.e., normal, with a dynamic message sign (DMS), and with a human-machine interface (HMI)). The driving behavior data were collected by a driving simulation experiment. The experimental road was divided into three zones: clear zone, transition zone, and fog zone. To quantify the change of vehicle speed comprehensively, the speed and acceleration were selected. Meanwhile, the vehicle speed safety entropy and acceleration safety entropy were proposed based on sample entropy theory. Furthermore, the changes of each index in different zones were analyzed. The results show that the use of fog warning system can improve speed stability and driving safety in fog zones and can make the driver decelerate in advance with a smaller deceleration before entering the fog zones. The higher the technical level is, the earlier the driver decelerates. Under the condition of light fog, the fog warning system with HMI has a better effect in terms of improving speed stability, while under the condition of heavy fog, there is little difference between the two technical levels. In general, this study proposed a novel safety evaluation index and a general evaluation method of the fog warning system.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».