Drive Risk Assessment Based on Game Theory Combinatorial Weighting—Unascertained Measure Theory
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The driving risk is assessed using the theory of unascertained measures to determine the presence of a conditional switch in the control system of a human‐machine codriving vehicle. Relevant risk indicators for driving are selected, including five driver‐related indicators and three vehicle‐related indicators. Subsequently, each indicator’s threshold range and associated risk level are analyzed and defined. The methodologies for establishing unascertained measure and their corresponding functions for both single and multiple indicator unascertained measure are then elucidated. A game theory–based weighting method is proposed, employing ordinal relationship analysis (ORA) and entropy weighting (EW) to determine indicator weights while utilizing confidence identification criteria to ascertain risk levels. Finally, experimental analyses are conducted on the driving risk assessment model, and the simulation results demonstrated the model’s ability to distinguish between normal and risky driving. In a continuous driving simulation, the model successfully identified a peak risk period (Level V) and, following a system alert, driving behavior returned to normal risk levels within 5 min. The model demonstrated utility for control switching decisions in human‐machine codriving scenarios, identifying instances where driver risk (Level IV) significantly exceeded vehicle risk (Level II), indicating a need to transfer control to the vehicle system. Consequently, the study’s findings can provide theoretical support for control switching mechanisms in human‐machine codriving vehicles.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle