面向驾驶员分泥的上下文感知定量风险评估机器学习模型
机器学习
2024-02-22 v1 计算机与社会
摘要
风险缓解技术对于避免与驾驶行为相关的事故至关重要。我们提出了一种新颖的多类驾驶员分心风险评估 (MDDRA) 模型，该模型在行程中综合考虑车辆、驾驶员和环境数据。MDDRA 将驾驶员在风险矩阵上分类为安全、粗心或危险。它提供了调整参数和权重的灵活性，以考虑特定严重级别下的每个事件。我们利用实地操作测试 (TeleFOT) 收集了真实世界数据，涵盖在英国 (UK) 东米德兰兹地区使用相同路线的驾驶员。结果表明，减少由驾驶员分心引起的道路交通事故是可能的。我们还研究了分心（驾驶员、车辆和环境）与基于连续分心严重性评分的分类严重性之间的相关性。此外，我们应用机器学习技术根据严重性级别对驾驶员分心进行分类和预测，以辅助在情况被视为有风险时从驾驶员到车辆的控制权转移（车辆接管）。集成袋装树 (Ensemble Bagged Trees) 算法表现最佳，准确率达到 96.2%。
引用
@article{arxiv.2402.13421,
title = {Context-Aware Quantitative Risk Assessment Machine Learning Model for Drivers Distraction},
author = {Adebamigbe Fasanmade and Ali H. Al-Bayatti and Jarrad Neil Morden and Fabio Caraffini},
journal= {arXiv preprint arXiv:2402.13421},
year = {2024}
}