Enhancing perceived risk prediction of human-vehicle collisions in urban and construction environments by incorporating motion dynamics and behavior-based features
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
Human-vehicle collisions pose risks in urban and construction environments, necessitating proactive assessment. Most prior studies rely on proximity and time-to-collision (TTC), overlooking behavior-driven factors such as sudden motion changes and instability. Unlike human factors that emphasize key cognitive states, behavior-driven factors cannot directly capture them but infer them through external movement patterns associated with perceived risk. This study proposes a machine learning framework integrating motion-based and behavior-driven features to predict human-perceived collision risk. Perceived risk from 21 participants were collected in virtual urban, factory, and construction settings. Features including proximity, TTC, velocity, velocity change, and entropy were extracted across multiple time windows (0.5–5.0s prior to perceived risk) and analyzed to identify optimal prediction frames. LightGBM achieved 98.00% accuracy for detectingcollision risk presence, while random forest yielded 80.13% for binary risk levels. Performance improved when incorporating features 2–3s before risk, underscoring the predictive value of early behavioral signals. SHAP analysis confirmed proximity and TTC as dominant predictors, but behavior-driven features amplified risk signals in borderline cases. This framework bridges objective risk indicators with human perception, supporting AI-driven safety systems through warnings and intervention timing in autonomous driving, construction safety, and pedestrian risk management, contributing to proactive risk prevention.
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 | 0,000 | 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 découle