基于集成学习的交通事故严重程度预测研究与应用OA北大核心CSTPCD
Traffic Accident Severity Prediction Research and Application Based on Ensemble Learning
目前自动驾驶技术重点是关注如何主动避免碰撞,然而在面对其他交通参与者入侵而导致不可避免的碰撞事故场景时,预测车辆在不同行驶模式下的碰撞严重程度来降低事故严重程度的研究却很少.为此,提出一种双层Stacking事故严重程度预测模型.基于真实交通事故数据集NASS-CDS完成训练,模型输入为车辆传感器可感知得到的事故相关特征,输出为车内乘员最高受伤级别.在第1层中,通过实验对不同学习器组合进行训练,最终综合考虑预测性能以及耗时挑选K近邻、自适应提升树…查看全部>>
At present,autonomous driving technology focuses on how to proactively avoid collisions.However,when it comes to scenarios of inevitable collisions caused by the intrusion of other traffic participants,few studies have explored how to reduce the severity of the accidents by predicting such severity under different vehicle driving modes.To address this issue,a two-layer stacking accident severity prediction model is proposed;it was trained on the NASS-CDS dat…查看全部>>
单永航;张希;胡川;丁涛军;姚远
上海交通大学机械与动力工程学院,上海 200240上海交通大学机械与动力工程学院,上海 200240上海交通大学机械与动力工程学院,上海 200240上海交通大学机械与动力工程学院,上海 200240上海交通大学机械与动力工程学院,上海 200240
计算机与自动化
交通安全交通事故严重程度预测智能车辆集成学习K近邻自适应提升树极度梯度提升树逻辑回归
traffic safetytraffic accident severity predictionintelligent vehicleensemble learningK-Nearest Neighbor(KNN)Adaptive Boosting(AdaBoost)treeeXtreme Gradient Boosting(XGBoost)treelogistic regression
《计算机工程》 2024 (2)
考虑电化学参数安全边界的锂离子电池自发型热失控机理及预测方法
33-42,10
国家自然科学基金(52177218).
评论