Heterogeneity in the Driver Behavior: An Exploratory Study Using Real-Time Driving Data
Notice bibliographique
Résumé
Driver behavior heterogeneity is a significant aspect to understand the individual behavioral variations and develop driver assistance systems. This study characterizes the heterogeneity in driving behavior using real-time driving performance features. In this context, the study investigates the extent of variations in the individual’s driving styles during routine driving. The driving styles are conceptualized using the vehicle kinematic data, that is, speed and accelerations performed during longitudinal control. The data is collected for 42 professional drivers using instrumented vehicle over a defined study stretch. An algorithm is developed for data extraction and total 7548 acceleration and 6156 braking maneuvers and corresponding driving performance features are extracted. The driving maneuver data are analyzed using the unsupervised techniques (PCA and K-means clustering) and three patterns of acceleration and braking are identified, which are further associated with two patterns of speed behavior. The results showed that each driver is found to exhibit different driving patterns in different driving regimes and no driver shows constantly safe or aggressive behavior. The aggression scores are found to be different among drivers, indicating the behavioral heterogeneity. This study results demonstrate that, driver’s level of aggression in different driving regimes is not constant and characterizing the driver by means of abstract driving features is not indicative of the diversified driving behavior. The proposed method identifies the individualized driving behaviors, reflecting the driver’s choice of driving maneuvers. Thus, the insights from the study are highly useful to design driver-specific safety models for driver assistance and driver identification.
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 ».