通过预训练然后微调迁移学习方法和深度神经网络算法,利用来自多家卡车公司的数据进行神经网络模型训练,以更准确地预测事故风险,从而提高卡车行业的安全性和可持续性。
Feb, 2024
通过 RSU 拍摄的影像处理方式,构建了新型的网络层面上的安全度量(NSMs)方法。同时,该文研究确定了车辆节点在网络中的作用,并探讨了交通网络中节点行为对系统整体状态的影响。
Jan, 2022
通过使用机器学习技术,结合交通事故和气象数据,该研究旨在预测交通事故的严重程度并减少交通事故。
Jun, 2022
基于知识的逻辑从公共交通事故数据集中提取出了定义危险驾驶形式的知识,这对于识别交通危险非常关键,可以监督和改进安全关键系统中的人工智能模型。同时,我们使用自动验证方法验证了这种逻辑的健壮性。
Dec, 2023
基于科学的认证方法,该研究提出了在未经训练的操作环境中评估预训练数据驱动模型可行性的方法,通过深入整合领域知识和数据驱动的人工智能模型,利用物理和相关学科的理论和分析模型,提供安全可靠的工程系统的决策支持,以提高人工智能模型在限制训练数据和动态不确定条件下的可靠性和安全性。
Mar, 2024
通过科学认证方法研究在新的工作环境中使用预训练数据驱动模型的可行性,该方法结合领域知识、理论模型和物理学等学科,提供一种安全工程系统开发工具,通过模拟结果量化预训练模型的物理不一致性,以评估在新的工作环境中使用预训练模型的适用性。
May, 2024
机器学习在工业系统中的应用以及其安全性和合规性对于决策辅助等关键功能具有重要意义,然而,当前机器学习组件的低形式化程度和不确定性使得使用传统的关键系统工程方法难以验证和验证其安全性,因此需要制定适用于人工智能的规范和监管标准,提出可信的人工智能认证方法和工具。
Sep, 2023
AI 系统在各个领域取得了令人瞩目的成绩,然而其安全性和可靠性仍然是一个重要的关注点,特别是对于安全关键任务。本论文旨在通过进一步开发当前技术来确保安全关键任务的准确模型不确定性。
Aug, 2023
本文针对 GoA 4 低速货运列车的障碍物检测功能设计,提出了一种定量风险评估方法,使用统计方法和参数随机模型检查的组合对概率进行评估,最终构建了以三个独立的双通道模块和一个选民为核心的 3oo3 模型,可以对误分类的剩余风险进行评估,验证实现了使用机器学习的安全性。
Jun, 2023
预测城市规模下重污染天气期间渣土车活动级别的实用问题,设计了一种深度集成学习框架(称为 AI-Truck),利用 BI-LSTM、TCN、STGCN 和 PDFormer 作为基分类器,以 1km×1km 的分辨率,在中国成都市的一个面积为 193 平方公里的区域内预测渣土车活动的级别。作为分类器,AI-Truck 在 0.5 小时和 1 小时预测中实现了接近 80%的 Macro f1。