A Robust Environment-Aware Driver Profiling Framework Using Ensemble Supervised Learning
Notice bibliographique
Résumé
Driver profiling is the real-time process of detecting driving behaviors and computing a driver’s expected risk based on detected behaviors. Predicting risk based solely on the inclusion of detected behaviors may not be accurate because this method of predicting ignores the environmental (e.g., weather conditions, traffic density level) context of detected behaviors. Moreover, coupling detected behaviors with their environmental context can be leveraged towards creating personalized risk profiles for drivers in each driving environment. These profiles can be utilized in various ITS applications including personalized safety-based route planning. In this paper, a novel driver profiling environment-aware framework is presented. In the proposed framework, data processing is distributed over three computational layers to enhance the overall reliability of the system. A risk prediction model is hosted on the edge/fog to determine the driving risk while considering the joint effect of the in-vehicle detected behaviors and their environmental context. Risk values along with a driver’s compliance to warnings are both utilized to compute the risk profile on the cloud. Using SHRP2 Naturalistic Driving (ND) dataset, the development of a novel risk prediction model is presented herein with the underlying sub-processes of data preprocessing, error analysis, and model selection. Then we analyze both the performance of the developed risk prediction model and the overall performance of the proposed system. Validation results for the developed model indicate a good compromise between bias and variance. Moreover, the results of the overall risk scoring model reflect its robustness and reliability in assigning accurate risk scores.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».