Outdoor Clothing Design for Traffic Safety Based on Big Data and Artificial Intelligence
Notice bibliographique
Résumé
With the development of technologies in various fields, more and more technologies have been applied to safety clothing, which has led to the rapid development of safety clothing. The improvement of living standards is accompanied by the change of consumption concepts. Consumers’ requirements for clothing products have become more artistic, healthier, and more ecological, and they look forward to more and better safety clothing to meet their health needs. In this context, this article studies traffic safety outdoor clothing design based on big data (BD) and AI. This article introduces the design method of outdoor safety clothing for traffic based on BD and machine learning in artificial intelligence (AI) and did two experiments. To this end, this paper adopts a Deep Belief Network (DBN), which is trained layer by layer through Restricted Boltzmann Machine (RBM), and successfully solves the problems of lack of a large number of labeled samples and easy to fall into local optimum. The first experiment is to test the accuracy of various machine learning algorithms for clothing size measurement. The results obtained are as follows: the predicted value of the DBN neural network is the closest to the actual value, the average prediction accuracy of DBN for the cuff size is 90%, and the average prediction accuracy for the neck circumference is 91.5%. The second experiment is to investigate the functional needs and performance concerns of children and outdoor workers. The results of the experiment are as follows: for children, 79.9% of people want clothing to have a positioning function, which accounts for the highest proportion. For outdoor workers, the most important clothing function they need is eye-catching style, and 90.1% of those choose this option. In terms of clothing performance concerns, most people choose to care very much, and the second most people choose to care about comfort.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».