An Explainable Attention-Augmented LSTM Model for Robust Real-Time Detection of Driving Behavior Patterns and Road Anomalies in Smart Transportation Networks
Notice bibliographique
Résumé
Accurate measurement and monitoring of vehicle dynamics and road surface conditions are critical for ensuring road safety and improving transportation infrastructure maintenance. This paper presents CV-Net (Connected Vehicle Network), a novel instrumentation-oriented measurement and monitoring framework that integrates smartphone-based multi-sensor instrumentation with an attention-augmented Long Short-Term Memory (LSTM) network for real-time detection of driving behavior patterns and road anomalies. Unlike conventional anomaly detection approaches that treat smartphones only as data sources, CV-Net treats the device as a calibrated measurement instrument, incorporating both calibrated and uncalibrated signals from accelerometers, gyroscopes, magnetometers, and GPS modules. A comprehensive calibration protocol and preprocessing pipeline are applied to mitigate sensor bias, drift, and noise, thereby improving measurement repeatability and reliability. The proposed method is validated on both public and real-world datasets, achieving measurement classification accuracies up to 99.18% for driving behavior and 99.94% for road anomaly detection, outperforming existing instrumentation-based monitoring approaches. A rigorous 5-fold cross-validation confirmed the model’s consistency with narrow 95% confidence intervals, and statistically significant results (p < 0.05) validated its measurement reliability and statistical significance. Computational efficiency is demonstrated through reduced inference latency and low MFLOPS, enabling deployment in resource-constrained measurement systems. Model interpretability is enhanced using Local Interpretable Model-Agnostic Explanations (LIME) and permutation importance, providing traceable measurement reasoning. The results establish CV-Net as a robust, efficient, and interpretable measurement and monitoring tool for intelligent transportation networks. Model Code: https://github.com/fariya17/CV_Net.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».