分析影响因素的严重程度自动车辆使用XGBoost模型结合POI数据崩溃

文摘

自主车的研究与开发(AV)全球技术一直在发展壮大。然而,很少有研究进行深入探索的因素涉及AVs的崩溃。本研究旨在预测事故的严重程度涉及AVs和分析不同因素对事故严重程度的影响。事故数据得到AV-related崩溃报告提交给2019年的加州汽车部门,包括75受伤,18人受伤事故案例。的兴趣点(POI)收集的数据来自谷歌地图应用程序编程接口(API)。描述性统计分析应用于检查功能涉及AVs的碰撞的事故类型、事故严重程度,车辆运动前碰撞,车辆损伤的程度。为了比较不同分类器的分类性能,我们使用两个不同的分类模型:极端梯度增加(XGBoost)和分类和回归树(CART)。结果表明,XGBoost模型执行更好的识别涉及AVs的受伤的事故。与原XGBoost模型相比,回忆和G-mean XGBoost模型结合POI数据提高了100%和11.1%,分别。车祸导致的严重程度的主要特征包括天气、程度的车辆损坏,碰撞事故位置和类型。 The results indicate that crash severity significantly increases if the AVs collided at an intersection under extreme weather conditions (e.g., fog and snow). Moreover, an accident resulting in injuries also had a higher probability of occurring in areas where land-use patterns are highly diverse. The knowledge gained from this research could ultimately contribute to assessing and improving the safety performance of the current AVs.

1。介绍

自主车辆(AV)技术有可能显著降低崩溃。每年有超过3万人死于交通事故在美国,有220万事故造成伤害(1]。交通事故成本经济每年2770亿美元,两倍拥堵(2]。超过40%的致命事故涉及酒精、分心、吸毒和疲劳。司机的错误的主要原因是交通事故的90%。甚至引发车祸主要由车辆、道路、伴随着一些人为因素和环境条件(例如,注意力不集中,注意力分散,或加速)。AV技术的推广,司机的错误可能消失,表明减少死亡事故的可能性至少40% (3]。因此,阐明不同影响因素如何影响的严重性AV崩溃具有相当大的意义在全面改善住客的安全。

安全驾驶AV技术的发展的主要因素。先前的文献集中在各种高级驾驶员辅助系统(如前碰撞预警、车辆碰撞预警系统,和车道偏离警告系统),交通信号控制(例如,驱动信号控制和协同自适应巡航控制系统),和事故责任4- - - - - -6]。然而,设计一个系统,可以安全地在任何意想不到的情况下仍然是一个艰巨的挑战。现有的AV技术仍有一定的局限性的技术指标和驾驶环境要求:(1)鲁棒性的环境感知和视觉识别需要改进(7]。(2)多策略决策算法对异常行为(AV技术缺乏措施8]。(3)尽管AV技术可以帮助司机在完成驾驶任务在某种程度上,这也可能影响到司机。因此,进一步的研究对司机的行为是必要的(9]。

道路安全是一个复杂的问题,受到一系列风险因素的影响,如司机、环境、车辆因素。AVs将在未来交通安全起着关键作用。考虑到不确定性住客的安全,本研究应用公开可用的交通事故的报道AV崩溃在加州涉及AVs的预测事故的严重程度和分析不同因素对事故严重程度的影响。从这项研究中获得的知识可以有助于评估和改善当前住客的安全性能。

剩下的纸是组织如下:部分2与我们的研究相关的文献综述;部分3描述了数据集和相关变量;部分4详细介绍了提出方法的主要内容;部分5讨论了模型的结果;最后,结论和局限性部分所示6。

2。文献综述

大多数以前的研究在AV技术安全主要依赖于评估司机的性能和行为在一个模拟的环境和发展自主驾驶系统的性能在一个封闭的环境。一些研究集中在AVs的行驶轨迹避免潜在的冲突。Hegedus等人提出了基于非线性优化当地的轨迹优化算法,它可以提供一个动态的、可行的,舒适的,可定制的轨迹高度自动化车辆(10]。Omidvar [11)开发了一个轨迹优化算法的AVs closed-course路口十字路口。该算法优化信号控制和为住客提供最好的轨迹。至于关于AV安全的模拟研究,许多研究人员利用驾驶模拟器实验工具。他们专注于驾驶员的生理和心理反应一个自主驾驶环境。冬天et al。12)发现,司机可以将他们的注意力转移到次要的任务在一个高度自动驾驶环境而不影响车辆的驾驶性能。

加州的机动车涉及AVs (DMV)释放巨大的事故数据,和许多机器学习模型(例如,逻辑回归模型(13),分类和回归树(CART) [14),神经网络(15),和随机森林16,17)已经利用识别的因素涉及AVs的导致事故的严重程度。调查相关因素的严重程度选择投票制崩溃,王(18)开发的车模型利用加州的报告从2014年到2018年。高速公路被认为是严重的伤害可能发生的位置。事故严重程度显著增加如果AV负责崩溃。徐et al。19)进行了一项研究基于二元逻辑回归模型使用加州数据。AVs的驾驶模式、碰撞位置、路边停车,车辆追尾,单向道路的主要因素是导致事故的严重程度的AVs崩溃。伯格斯et al。20.AV]调查因素涉及使用层次贝叶斯heterogeneity-based方法崩溃。根据这项研究,天气晴朗可以减少受伤的可能性涉及AVs的崩溃。

阿加瓦尔et al。212016年)提出了一个相对新颖的技术:极端的梯度增加(XGBoost)。它有精度高、处理速度快以及更低的成本和复杂性。两项研究[22,23)表明,XGBoost比其他机器学习技术更准确(逻辑回归、支持向量机、神经网络深处,等等)在预测发生事故的可能性。孟et al。24)使用XGBoost合并多个数据源预测事故的发生和持续时间,包括道路几何设计、历史事故数据,气象数据。风扇等。25)也使用人工神经网络集成多个XGBoost模型来预测事故的持续时间。最后,作为一个集成的算法,它是不受数据的多重共线性。

然而,缺乏可靠的数据和数据来源不足事故分析研究有限,尤其是对AVs的事故机制。幸运的是,可靠的兴趣点(POI)收集的数据可以从任何地方在全球范围内,为详细的事故检测[提供广阔的空间26]。虽然这些POI数据可能不是传统的交通事故分析中使用的典型因素,它们是特定数据在土地利用因素精确位置信息(27]。此外,他们预计将高度相关的交通事故宏观和microaspects。当前的研究采用POI数据来描述建筑环境来代替传统的土地利用数据。它指定了城市基础设施的分布和更好的统计粒度(28]。辛普森多样性指数选择的POI多样性评价指标量化缓冲区中的土地使用模式的多样性。

本研究的主要目的是使用XGBoost模型合并涉及AVs的POI数据预测事故的严重程度和调查不同因素对事故严重程度的影响。本研究采用94年崩溃报告涉及AV在加州在2019年收到了。合成少数过采样技术(杀)被应用于解决不平衡数据。最终,从这项研究中获得的知识可能导致安全性能的评估和改进当前的住客。

3所示。数据准备

3.1。数据源

1298年加州参议院法案的实施,美国机动车(DMV)要求崩溃报告涉及AV在十个工作日内提供的事故发生19]。本研究采用94年崩溃报告涉及AVs在加州在2019年收到了。信息手动提取崩溃报告提交的各种制造商全面了解AV-related信息(例如,类型的碰撞,制造商的名称,事故严重程度,车辆信息,和天气)。大量的报告没有计数在坠机前的车辆速度。因此,它并没有采用模型发展。

分析土地利用的多样性模式基于POI数据由于缺乏交通和土地利用数据量。交通事故数据的集成和POI数据可以更准确的识别土地利用强度在交通安全29日]。POI数据是来自谷歌地图应用程序编程接口(API)。缓冲区分析和交叉总结在ArcGIS工具箱用于匹配POI数据根据事发地点的经度和纬度。不同类型的POI可能有不同的对交通状况的影响,但某些类型也有类似的功能。因此,POIs分为四个主要类别,如表所示1。

辛普森多样性指数被选为POI多样性评价指标量化土地开发强度的缓冲区,见以下方程: 在哪里和代表POIs的数量的一个特定的类型和POIs的总量,分别。更大的价值D,POIs的多样性就越高。

3.2。统计分析

图1说明了碰撞的分布类型。追尾事故是事故的主要类型,占64%。道路环境的知觉系统可能导致AVs紧急刹车,尽管该报告没有提供明确的指示。根据统计数据,大多数事故是传统车辆撞击后的AVs (30.]。此外,追尾事故通常发生在十字路口因为十字路口的轨迹是比这更复杂的道路段(31日]。其他常见的碰撞类型支持刷卡(15%)、侧向(12%),正面(9%)。涉及AVs的崩溃导致主要由住客之间复杂的交互和传统汽车(32]。因此,具体应注意AVs组成的混合交通流的不利影响和传统车辆自主驾驶系统在低渗透率的AVs (33]。AVs-pedestrian碰撞或打击对象不报道,这表明道路的好处为住客环境知觉和运动控制系统。

图2描述了每个公司崩溃的比例。克鲁斯最崩溃报告2019年,占58%,其次是Waymo (25%)。邮轮是一个代理公司,因为它推出了许多测试车辆在拥挤的旧金山。相比之下,Waymo的测试站点在亚利桑那州。在旧金山的交通环境比亚利桑那州的要复杂得多,很多的十字路口,道路陡峭的山坡,攻击性驾驶。因此,紧急发生的概率较高。的样本量不足,此外,由于公司的测试车辆更容易事故不能证明。

图3表明碰撞前的车辆运动。最常见的住客和传统汽车碰撞前停了下来,直,分别。前意想不到的情况下(例如,一个行人过马路)可能导致AVs紧急刹车,而普通汽车后面不能逃避,导致追尾。与先前的研究一致(30.),大多数事故是传统车辆撞击AVs的后方。第二大比例的住客和普通汽车运动进行直接和换车道。立即采取有效避免紧急措施当普通汽车不安全的车道自动驾驶系统的变化是具有挑战性的。最终,研究人员指出,AV技术仍然需要克服许多障碍准确反应在复杂的交通环境。

图4表明,大多数涉及AVs的碰撞更严重比普通事故,特别是严重伤害和致命的碰撞。具体地说,81%的事故是property-damage-only (PDO)崩溃,和19%的人轻伤。同样,72%的AVs只有轻微损坏,从而表明碰撞发生在低速条件。速度和速度变化已经经常被视为关键因素与受伤的事故密切相关(34,35]。AVs不会落入个人缺点。司机的错误是90%的事故的主要原因。AV技术降低事故严重程度的克服驱动程序错误(例如,超速,攻击性驾驶行为,缺乏经验,缓慢的反应时间,注意力不集中,和各种其他驱动程序缺陷)。

碰撞的具体位置可以从收集事故报告,而每个事故的近似经度和纬度可以通过开放地图。我们利用ArcGIS软件画的热图AV崩溃(如图5)。它提供了可视化和事故地点分布在县。事故主要发生在旧金山和帕洛阿尔托因为他们AVs的主要考点。在未来,使用AVs将扩展到美国任何一个城市的任何角落,因此有必要进一步分析土地利用强度的影响在事故现场的崩溃。

3.3。变量共线性分析

多重共线性是指情况几个线性回归模型中解释变量高度相关的。作为一个集成算法,XGBoost不是受到数据的多重共线性;然而,引入过多的变量可能会导致过度拟合的模型。此外,模型的解释能力可能会显著影响,从而增加模型的复杂性。计算方差膨胀因子(VIF)使用SPSS 26.0,这是一个常见的多重共线性指标(36- - - - - -38]。一般来说,独立变量VIF值高于10表明严重的两个变量之间的共线性,这表明其中一个应该被淘汰39]。最后,9个分类变量被确定。变量的描述性统计如表所示2。

4所示。方法

在当前的研究中,两种分类模型被用来训练数据。本节提供了这些模型的相关概念。我们应用Scikit-learn (sklearn)图书馆在Python 3.6。总体而言,该模型包含以下步骤:

步骤1。我们使用杀算法处理不平衡数据集。

步骤2。我们随机选择70%的数据作为训练集,剩下的30%是用来测试模型。

步骤3。我们输入训练集分为XGBoost和车模型,分别使用了网格搜索来确定参数的最佳组合,以防止过度拟合的模型。交叉验证的方法被用来测量模型的稳定性。

步骤4。通过比较两种模型的性能,选择良好的模型来预测事故的严重程度涉及AVs和分析不同因素对事故严重程度的影响。

4.1。XGBoost模型

XGBoost的核心是一个集成的基于梯度的算法提高了决策树。它利用一系列的决策树,每棵树的研究从先前的树和影响下面的树推广模型性能(40]。在本节中,我们解释XGBoost背后的公式和评价指标。有兴趣的读者可以参考陈(发布的研究21)进行进一步的详细信息。陈和Guestrin做出了一些改进基于梯度的增加(412016年),提出了XGBoost。一个前所未有的进步是损失函数的正则化。正规化的目标为迭代可以表示,见以下方程: 在哪里n样品的数量,样本的预测价值吗在迭代 ,和是原来的损失函数。Ω代表了正则化项,见以下方程:

在这里,T叶节点的数量和吗γ和λ是两个常量用来约束正则化的程度。

XGBoost的另一个发展是一种添加剂的学习方法的应用程序(42最可靠的树模型相结合到当前分类模型来提供迭代预测结果(43]。因此,方程(3)进一步可以表示如下:

此外,XGBoost利用目标函数的二阶泰勒展开和方程(4)可以进一步表示为如下方程:

在这里, ð 和 第一和第二衍生品损失函数,分别和代表了常数。

最后,作为一个综合算法,XGBoost不受数据的多重共线性的影响。这种优势让XGBoost可能获得更可靠的结果即使有很强的线性相关的变量。

4.2。分类和回归树

分类和回归树(CART)是一种非参数决策树学习方法(15]。它可以总结决策规则的一系列数据与功能和标签并将其呈现在一个树结构来解决分类和回归问题。购物车方法通常包括两个主要步骤:树生长和修剪。这棵树从根节点,包括所有的数据在数据集。把根节点分成两个子节点通过分配器(独立变量)来提高纯度的两个子节点。基尼指数是在当前的研究中用作分裂标准。如果根节点分为两个子节点(子节点和 )的变量 ,任何子节点的基尼系数计算如下:

在这里,代表了基尼系数的子节点 , 类的比例吗记录节点 。杂质在节点计算如下:

在这里,观察节点的总数吗和和子节点数量的观察吗和 。该方法试图把根节点通过选择变量 :

当车检测到没有进一步上涨可以通过进一步成长树深或特定的停止规则符合预定的标准,细分会停止。考虑到定义的树枝和树的节点,每个对应的变量分为一个终端节点。

4.3。模型评价

混淆矩阵是一个多维测量指标体系的二元分类问题,已广泛应用于评估模型的性能(见表3)[44]。

总体精度计算如下:

然而,这个指数不能适用于不平衡数据。因为受伤的事故数量在当前的研究中明显小于未受伤害的事故,即使所有少数民族实例,总体精度可能仍然很高。为了解决总体分类精度的限制,G意味着(几何平均数)被认为是一个合理的指标评价不平衡数据。它有一个高价值的平衡少数和多数实例的分类精度45]。的G意味着计算如下:

召回率表明少数实例的分类精度,见以下方程:

最后,G意味着和回忆是受雇为指标来衡量模型的性能。

5。结果与讨论

5.1。模型结果

我们使用网格搜索来确定参数的最佳组合,以防止过度拟合的模型。最优参数值如表所示4。“n_estimators”的数量的树木的数量是安装在模型中。参数“伽马”所需的最小损失减少,进一步分区树的叶节点。学习速率是用来减少权重的更新,以防止过度拟合。树的最大深度代表了分裂的最大数量;增加最大深度会导致过度拟合。“标准”的参数测量的功能分割的质量。参数“min_samples_leaf”代表了最小数量的样品需要在一个叶子节点。

最优参数调优后车和XGBoost模型建立。然后,这两个模型是测试在同一测试数据比较预测结果。表5显示了事故严重程度模型的估计结果。

的准确性、召回和G-mean结果两种模式如表所示5中,我们可以看到XGBoost模型表现得比车模型,从而反映XGBoost的稳定性。此外,XGBoost模型的准确性降低26.1%后将POI数据,但回忆和G平均增加了100%和11.1%。它表明高度混合土地使用方面有积极影响识别损伤事故。另外,正如前面提到的部分4.3,G意味着和召回指标适合于不平衡数据,因为我们需要确定损伤事故尽可能多。回忆和G意味着XGBoost模型校准的结果数据集分别为84.6%和69.9%,分别;回忆和G意思是验证数据集的结果分别为80%和68.8%,分别。结果校准和验证数据集之间的相对平衡,表明该模型具有良好的拟合性能和预测能力。总之,XGBoost模型与POI数据表现良好在识别受伤的事故。

5.2。特性分析

图6演示了碰撞严重程度之间的关系和潜在的因素。变量包括冲突的类型,AVs运动前崩溃,车辆损坏,事故地点,驾驶模式,和天气。

我们可以观察到天气是在模型中最关键的特性。具体来说,受伤事故更容易发生在极端天气条件(例如,雾和雪)46因为传感器感知性能差在极端天气。雨和雾是由小水滴,阻止反射器和生产假警报在障碍检测(47]。根据Hasirlioglu et al。48),在雾蒙蒙的天气,温度和可见性成反比的关系,和可见性代表的距离探测器可以检测。

接下来的两个最重要的特性是车辆损坏和事故地点。更高程度的车辆损伤对应事故的严重程度就越高。十字路口的崩溃有更高的概率发生无论路口或nonsignalized十字路口49]。十字路口的交通环境是复杂多变的,因为车辆,nonmotor车辆和行人高度混合(50]。事故报告不包括过境点的数量在自治模式。因此,有必要研究AVs的稳定性和安全性在交叉路口自动驾驶模式。现有的住客不利用infrastructure-to-vehicle带来的便利(I2V)通信。这些设施可以减少空间和时间不稳定,促进安全的司机,自行车,行人(51]。

伤害事故也更可能发生在地区混合土地使用高的地区。陈(52]认为高度的混合土地使用的地区有各种各样的功能,大大增加了冲突之间车辆,自行车和行人。不同土地利用区域倾向于多样化的交通行为和区域交通流量增加,大大影响交通安全。这一发现似乎直观,因为混合土地使用模式通常表现出不同的土地利用类型导致复杂巷道布局。结果表明混合土地使用的地区需要额外的基层研究开发有效的面向目标的治疗改善住客的安全性能。

许多追尾事故发生在数据集(即。,65%), but AVs are usually not the responsible party. Conventional vehicles are not accustomed to the AVs' characteristics, and, thus, crashes are often caused by conventional vehicles hitting the rear of AVs. Wang et al. [18)发现事故严重程度显著增加如果AV负责崩溃。从驱动方式的角度和车辆运动在事故发生前,住客伤害事故的56%是在自动驾驶模式。2016年2月,谷歌首次生产的AV事故改变了航线,与一辆巴士相撞时速度较低,但没有造成人员伤亡。三个月后,特斯拉在美国开车时遭受更严重的致命的崩溃在自治模式。它是第一个已知的历史上致命的崩溃AV技术。这两个崩溃以来被视为重要事件AV的出现,表明一种新型的交通事故。这两个事故的主要原因是司机无视警告从AVs接管,这意味着这两个司机没有及时接管驾驶,确保行车安全。这也表明,AVs负责这些崩溃。总之,严重的伤害可能发生如果车辆自动驾驶模式,是事故的主要责任人。

6。摘要和结论

在最近的研究中,采用XGBoost模型合并POIs数据调查相关因素的严重程度选择投票制使用报道来自加州的崩溃崩溃。采用描述性统计分析调查的特点AV崩溃的事故地点,碰撞类型、事故严重程度,事故发生前和车辆运动。事故共有94例用来训练模型,达到了G-mean和回忆的68.8%和80%,分别。召回和G-mean合并POI数据后增加了100%和11.1%。它表明高度混合土地使用方面有积极影响识别损伤事故。

我们发现车辆损坏的程度、事故地点,和碰撞类型显著影响事故的严重程度,这与以前的研究一致。所不同的是,这项研究发现天气是最关键的因素。极端天气和十字路口事故事故的严重程度有显著影响。不管路口或nonsignalized十字路口,十字路口追尾事故的最有可能的地方。主要是因为事故发生时车辆在十字路口等待或者开车慢。我们建议使用车辆传感器具有较强的稳定性和灵敏度高。此外,切换到手动驾驶也是一个解决方案,以避免严重的事故引起的自动驾驶。

模型得到的结果还可以提供决策的基础。例如,结果揭示了受伤的可能性明显高于崩溃在混合土地使用的设置。因此,具体建议,促进土地的混合使用,减少交通事故。首先,城市规划应重点发展小规模和微程序级高强度不同的土地利用和建设多中心城市在宏观的模式实现一个平衡的人口和交通。混合土地使用发展需要基于快速轨道交通设施的建设,鼓励步行和nonmotorized旅行通过改善道路交通条件,并使用公共交通为核心来减少交通事故的快速发展造成的车辆。高度混合的地区土地利用需要额外的基层研究开发有效的治疗方法来改善住客的安全性能。

作为一个限制因素,这项研究没有收集车辆速度和驱动特性的数据在事故发生前对住客的安全性能进行评估。尽管样本量有限,在这项研究中使用的碰撞数据库包括所有发行在2019年崩溃报告涉及AVs。然而,更为深入地理解机制的AV崩溃,未来的研究应该继续收集AV事故数据和应用多源数据融合以提高预测精度。

本研究中采用的模型提供一个接受调查的方法和理解AV安全问题。此外,由于样本量增加在未来,这种优势可以继续增加。从这项研究中获得的知识可能导致安全性能的评估和改进当前的住客。

数据可用性

使用的数据来支持本研究的发现是公开的https://www.dmv.ca.gov/portal/dmv/detail/vr/autonomous/autonomousveh_ol316。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究得到了国家自然科学基金(批准号52002282)和浙江省自然科学基金(LQ19E080003)。

引用

1. d . j . Fagnant和k . Kockelman准备自驾车辆:一个国家的机会,壁垒和政策建议,”交通研究部分:政策和实践卷,77年,第181 - 167页,2015年。视图:出版商的网站|谷歌学术搜索
2. Parsa a b, a .罪犯,h . Taghipour s Derrible和a .青年雕像Mohammadian,”向更安全的高速公路,应用XGBoost和世鹏科技电子实时检测和事故特征分析,“事故分析和预防文章ID 105405卷,136年,2020年。视图:出版商的网站|谷歌学术搜索
3. j . Stilgoe”,机器学习,社会学习和自动驾驶汽车的治理,”科学的社会研究,48卷,不。1,25-56,2018页。视图:出版商的网站|谷歌学术搜索
4. a . Hevelke和j . Nida-Rumelin”自驾车辆责任事故:一个道德分析,“科学与工程伦理,21卷,不。3、619 - 630年,2015页。视图:出版商的网站|谷歌学术搜索
5. k·马索和i Radusch”,快速原型环境合作高级驾驶员辅助系统,”《先进的交通工具ID 2586520条,卷。2018年,32页,2018年。视图:出版商的网站|谷歌学术搜索
6. j·库利、k .胺和r·a·萨阿德“初步调查的影响一个完全自动化的车辆几何设计,“《先进的交通工具卷,2019篇文章ID 6126408, 10页,2019。视图:出版商的网站|谷歌学术搜索
7. 江d·杨,k, d .赵et al .,“智能和连接车辆:当前状态和未来的视角,“中国科学技术科学,卷61,不。10日,1446 - 1471年,2018页。视图:出版商的网站|谷歌学术搜索
8. 公元麦当劳,h . Alambeigi j . et al .,“向计算模拟自动驾驶收购期间的行为:一个实证和建模文献的回顾,“人为因素:人为因素和人类工程学协会杂志》上,卷61,不。4、642 - 688年,2019页。视图:出版商的网站|谷歌学术搜索
9. s . Deb, m·m·拉赫曼·l·j . Strawderman和t·m·加里森“行人接受对全自动车辆:研究回顾和未来的研究路线图,”IEEE人机系统,48卷,不。3、279 - 290年,2018页。视图:出版商的网站|谷歌学术搜索
10. f . Hegedus t . Becsi s Aradi, p . Gapar“基于模型的高度自动化的公路车辆轨迹规划,“IFAC-PapersOnLine,50卷,不。1,第6964 - 6958页,2017。视图:出版商的网站|谷歌学术搜索
11. a . Omidvar m . Pourmehrab p Emami et al .,”部署和测试的自治和连接车辆轨迹优化closed-course路口路口,“交通研究记录:《交通研究委员会,卷2672,不。19日,45 - 2018页。视图:出版商的网站|谷歌学术搜索
12. j . c . f . De冬天,r . Happee m·h·马顿斯和n·a·斯坦顿”效应的自适应巡航控制系统和高度自动驾驶工作负载和意识:经验证据的审查,”交通运输研究F部分:心理学和行为27卷,第217 - 196页,2014年。视图:出版商的网站|谷歌学术搜索
13. c·马、j .周和d·杨“危险品道路运输事故的因果关系分析的基础上,有序分对数回归模型,”国际环境研究和公共卫生杂志》上,17卷,不。4,1259页,2020年。视图:出版商的网站|谷歌学术搜索
14. 周董和j .”比较研究在司机的停止/信号交叉路口的行为决策树分类模型的基础上,“《先进的交通工具,1-13,2020页。视图:出版商的网站|谷歌学术搜索
15. h·宋,y张成泽,p . j .鲍曼和n . Masoud“机动车事故伤害严重程度的分类:不平衡数据的混合方法,”事故分析和预防卷,120年,第261 - 250页,2018年。视图:出版商的网站|谷歌学术搜索
16. h·陈,李y, z . Liu,张问:“出租车需求预测基于组合预测模型在热点地区,“《先进的交通工具1302586卷,2020篇文章ID, 1-13, 2020页。视图:出版商的网站|谷歌学术搜索
17. 太阳x z . Liu h . Chen, h·陈,“数据驱动的实时在线taxi-hailing需求预测基于机器学习方法,“应用科学,10卷,不。19日,2020年。视图:出版商的网站|谷歌学术搜索
18. 小王和z李”,探索机制崩溃与自动车辆使用统计建模方法,”《公共科学图书馆•综合》,14卷,不。3,硕士论文,2019页。视图:出版商的网站|谷歌学术搜索
19. c .徐z叮,c . Wang和z . Li”的模式和特征的统计分析连接和自主车辆崩溃,”《安全研究卷。71年,41-47,2019页。视图:出版商的网站|谷歌学术搜索
20. a . m . Boggs b·瓦利和a·j·Khattak”自动车辆碰撞在加州探索性分析:一个文本分析和分层贝叶斯heterogeneity-based方法,”事故分析和预防文章ID 105354卷,135年,2020年。视图:出版商的网站|谷歌学术搜索
21. a . k . Agarwal s Wadhwa,钱德拉,“诊断肺结核——新测试,”印度杂志协会的医生,42卷,不。8,665年,页1994。视图:谷歌学术搜索
22. m . Schlogl r . Stutz g . Laaha, m·梅尔彻”比较的统计学习方法推导确定事故发生的因素从高分辨率数据集不均衡,”事故分析和预防卷,127年,第149 - 134页,2019年。视图:出版商的网站|谷歌学术搜索
23. s . r . Mousa p . r . Bakhit和美国申请,“一个极端的梯度提升方法确定因素崩溃/即将撞车事件:自然主义推动的一项研究中,“加拿大土木工程杂志》上,46卷,不。8,712 - 721年,2019页。视图:出版商的网站|谷歌学术搜索
24. 王h·孟,x, x,“高速公路交通事故预测基于大数据”学报2018年国际会议上信号处理和机器学习——SPML 18,台湾,中国,2018年11月。视图:谷歌学术搜索
25. 朱严h·l .旷,y,你,和x粉丝,“预测交通事故持续时间厂商基于贝叶斯网络和加权再,“智能交通系统杂志》上,23卷,页1 - 14,2019。视图:出版商的网站|谷歌学术搜索
26. y y,陈,牛,马,和k .唐”调查的影响建筑环境对交通状态将空间异质性,”交通地理杂志文章ID 102663卷,83年,2020年。视图:出版商的网站|谷歌学术搜索
27. r·贾a Khadka,金,“交通事故与兴趣点空间聚类分析,“事故分析和预防卷,121年,第230 - 223页,2018年。视图:出版商的网站|谷歌学术搜索
28. e·陈,z, c . Wang和w·张,“发现的时空影响建筑环境在地铁客流量使用智能卡数据,”城市文章ID 102359卷,95年,2019年。视图:出版商的网站|谷歌学术搜索
29. j .鲍施x h·张,“空间分析例如客流量的智能卡和POI数据使用地理加权回归方法,”IEEE访问》第六卷,第76059 - 76049页,2018年。视图:出版商的网站|谷歌学术搜索
30. 小王和z,“探索原因和影响的自动车辆脱离使用统计建模和基于现场试验数据的分类树,”事故分析和预防卷。129年,44-54,2019页。视图:出版商的网站|谷歌学术搜索
31. a . Talebpour和h . s . Mahmassani连接和自主车辆对交通流的影响稳定和吞吐量,”交通研究部分C:新兴技术卷,71年,第163 - 143页,2016年。视图:出版商的网站|谷歌学术搜索
32. j . Rios-Torres和A . A . Malikopoulos”调查协调连接和自动十字路口的车辆在高速公路入口点和合并,“IEEE智能交通系统,18卷,不。5,1066 - 1077年,2017页。视图:出版商的网站|谷歌学术搜索
33. c . x, w . Wang, z, b .王,“多目标优化的城市公交网络使用累积前景理论,“《系统科学和复杂性,28卷,不。3、661 - 678年,2015页。视图:出版商的网站|谷歌学术搜索
34. h . c .徐x Wang, k .谢和x陈,“探索速度差异对安全性能的影响的城市高架高速公路使用GPS数据,”偶然的分析和预览卷。123年,第29,2019页。视图:谷歌学术搜索
35. x Wang问:周,m . Quddus t .风扇,和美国,“速度、速度变化和崩溃城市干道的关系,“偶然的分析和预览卷,113年,第243 - 236页,2018年。视图:谷歌学术搜索
36. d . A . Belsley“使用共线性诊断指南,”计算机科学的经济学和管理,4卷,不。1,33-50,1991页。视图:谷歌学术搜索
37. c·h·梅森和w·d·Perreault”共线性、电力、多元回归分析和解释,“营销研究杂志,28卷,不。3,p。268年,1991年。视图:出版商的网站|谷歌学术搜索
38. t . na和b . h . Mevik理解回归和判别分析的共线性问题,“化学计量学杂志》,15卷,不。4、413 - 426年,2001页。视图:谷歌学术搜索
39. y,陈,t·李妞妞,k .唐,“探索公共汽车站空间变化的影响和多源数据区:一个案例研究在镇江,中国,“交通地理杂志卷,76年,第177 - 166页,2019年。视图:出版商的网站|谷歌学术搜索
40. m . Petrere“Pesque-solte”,Ciencia Hoje,53卷,不。5,1189 - 1232年,2014页。视图:谷歌学术搜索
41. j·h·弗里德曼“随机梯度推进”,计算统计和数据分析,38卷,不。4、367 - 378年,2002页。视图:出版商的网站|谷歌学术搜索
42. 张h . d .秋r·吴y邓,d, t·李,“小说框架的图像属性注释XGBoost基因选择算法和相关属性模型,”应用软计算卷,80年,页57 - 79,2019。视图:出版商的网站|谷歌学术搜索
43. j . Ma y叮,j . c . p . Cheng y Tan v . j . l . Gan和j·张,“使用XGBoost分析交通事故的主要原因,基于网格的分析:城市管理的角度来看,“IEEE访问7卷,第148072 - 148059页,2019年。视图:出版商的网站|谷歌学术搜索
44. x x, j . Tang胡,w . Wang”评估城际多通道选择行为在一个适宜游览的城市:因子分析,“交通地理杂志文章ID 102776卷,86年,2020年。视图:出版商的网站|谷歌学术搜索
45. a·p·布拉德利“roc曲线下的面积的使用机器学习算法的评价,“交通政策实践研究部分,44卷,不。5,291 - 305年,1997页。视图:谷歌学术搜索
46. x Yu和m . Marinov”研究最近的进展和问题与障碍检测系统自动化车辆,”维持。,12卷,不。8,2020。视图:出版商的网站|谷歌学术搜索
47. r·h·Rasshofer m .间谍和h间谍,”天气现象的影响在汽车激光雷达系统中,“无线电科学的进步卷。9日,49-60,2011页。视图:出版商的网站|谷歌学术搜索
48. s . Hasirlioglu答:不懂,w .红的,p . Wintersberger“废气对激光扫描仪数据质量的影响在低环境温度下,“IEEE智能车辆研讨会,没有。第四,1708 - 1713年,2017页。视图:出版商的网站|谷歌学术搜索
49. 诉Gadepally, a•克里和U。Ozguner”,估计长期司机行为的框架”,《交通进步卷,2017篇文章ID 3080859, 11页,2017年。视图:出版商的网站|谷歌学术搜索
50. y胡、j·欧和l .胡”的研究评论交通冲突基于智能车辆感知技术,”学报2019年国际先进的工程机械与车辆工程会议(ICACMVE)2019年5月,常熟,中国,。视图:出版商的网站|谷歌学术搜索
51. o . Grembek a . Kurzhanskiy a . Medury p . Varaiya和m . Yu”与I2V沟通让路口更安全,”交通研究部分C:新兴技术卷,102年,第410 - 396页,2019年。视图:出版商的网站|谷歌学术搜索
52. 陈平,“建筑环境因素在解释automobile-involved自行车事故频率:一个空间统计方法,”安全科学卷,79年,第343 - 336页,2015年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年恒瑞陈等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。