Application of CNN‐LSTM Model for Vehicle Acceleration Prediction Using Car‐following Behavior Data
Notice bibliographique
Résumé
Accurate vehicle acceleration prediction is useful for developing reliable Advanced Driving Assistance Systems (ADAS) and improving road safety. The existence of driver heterogeneity magnifies the variations in acceleration data, leading to consequential impacts on the precision of vehicle acceleration prediction. However, few studies have fully considered the driver heterogeneity when predicting vehicle acceleration. To model the characteristics of individual drivers, this study first identifies the driving behavior semantics which is defined as the underlying patterns of driving behaviors. The analysis results from the coupled hidden Markov model (CHMM) are used to evaluate the driving behavior differences between different drivers by Wasserstein distance. Then the convolutional neural network (CNN) and long short‐term memory (LSTM) network are applied to predict vehicle acceleration. To validate the accuracy of the proposed prediction framework, vehicle acceleration data in car‐following conditions is extracted from the safety pilot model deployment (SPMD) dataset. The segmentation results indicate that the CHMM possesses a robust capacity for modeling driving behavior. The prediction results demonstrate that the proposed framework, which incorporates driver clustering before prediction, significantly improves the accuracy of predictions. And the CNN‐LSTM outperforms the LSTM in predicting vehicle acceleration during car‐following scenarios. The findings from this study can enhance the development of personalized functionalities within ADAS to promote its deployment, thereby improving its acceptance and safety.
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 | 0,000 |
| 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 ».