Forwarding Collision Assessment with the Localization Information Using the Machine Learning Method
Notice bibliographique
Résumé
Freeway crashes occupied 30% of total crashes. The advanced driver-assistance system (ADAS) often underestimates or omits the necessary collision warning. To investigate the forward collision in complex traffic conditions, the TTC (time-to-collision) is regarded as a surrogate for collision risk assessment. The study aims to design a forward-collision warning method for ADAS in the urban freeway scenario. The testing vehicle is equipped with sensors and a satellite navigation system. The TTC was collected from the Xi’an Rao Cheng expressway for the car-following scenario for three days. A comprehensive Gaussian model, which consists of three sub-GMM models is applied to describe the TTC distribution. The vehicle trajectories were extracted in the car-following state. To improve the efficiency of the forwarding collision system, four seconds are chosen as an analysis window in the car-following state. Two time-series machine models were used to predict TTC in advance. The TTC prediction models were constructed on the basis of the long short-term memory (LSTM). The prediction result was compared with the deep belief network (DBN) model. The comparison results show that the LSTM model is faster than the DBN model. The number of iterations is 100. The loss function of the LSTM is 0.06. The LSTM outperforms the DBN model and is suitable for car-following warnings.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».