Classification and Prediction of Vehicle Lane‐Changing Crash Risk Levels Based on Video Trajectory Data
Notice bibliographique
Résumé
To investigate the potential lane‐changing collision risks that may arise between vehicles during lane changes and those in the original lane, a model for vehicle lane‐changing collision risk is constructed specifically for this scenario, and a research analysis is conducted. First, based on vehicle trajectory data, a sample set capturing the relationships between vehicles traveling in a straight line and those changing lanes laterally is extracted and built. Interpolation methods are then applied to fill in missing values, outliers are eliminated, and data noise is smoothed during preprocessing. After preprocessing, a total of 468 vehicle pairs and 265,392 data points are obtained. Second, a real‐time collision time model is established based on the preprocessed data, and collision risk probabilities are calculated accordingly. Then, the collision risks are classified into four levels based on whether the vehicle on the side actually changes lanes and the severity of the collision risks. Finally, a light gradient boosting machine (LightGBM) learning method is adopted to predict the risk levels and analyze the main factors that significantly impact the severity of collision risks. The results indicate that the longitudinal distance between the target vehicle and the preceding vehicle is the most critical influencing factor, followed by the speed of the target vehicle itself, and then the speed difference between the target vehicle and the preceding vehicle. The influence of other factors is relatively similar and does not have a significant impact.
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 | 0,000 |
| 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 ».