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

通过对感知的研究，本文提出了一种分析和理解自行车安全感知以及建筑环境和骑行背景对此感知的影响的新方法。城市规划可以利用这个评分来提高干预措施的效果，改善骑行促进活动，并且这种方法可以在不同地点或背景下进行快速评估和连续评估骑行环境的变化。

Jul, 2023

使用机器学习和深度学习技术，从路上的驾驶行为数据中估计驾驶员的心理特征，建立具有自适应能力的驾驶辅助系统，研究结果表明，我们的模型能够以高准确度预测心理驾驶风格和负荷敏感度等特征，而不同持续时间的分割对准确性的影响因特征而异。

Feb, 2023

本文使用多层 seq-2-seq 自动编码器以及分层聚类来进行精确的驾驶模式分析，得出特定训练数据集的可靠分类器。研究表明，该方法显著优于基准性能。

May, 2022

驾驶行为相关事故的避险技术对于风险缓解至关重要。我们提供了一种新的多类驾驶员分心风险评估（MDDRA）模型，该模型在旅程中考虑了车辆、驾驶员和环境数据。MDDRA 通过风险矩阵将驾驶员分类为安全、不小心或危险。我们使用 Field Operation Test（TeleFOT）收集了在英国东米德兰地区使用相同路线的真实数据。结果显示，通过减少由驾驶员分心引起的道路事故是可能的。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程度评分的分类严重程度之间的相关性。此外，我们应用机器学习技术对驾驶员分心进行分类和预测，以在情况被认为存在风险时帮助控制从驾驶员转移到车辆（接管车辆）。集成袋装树算法表现最佳，准确率为 96.2%。

Feb, 2024

通过机器学习算法对低碳出行数据进行特征分析和挖掘，本研究旨在研究居民低碳意识形成机制，为交通管理者引导城市居民选择低碳出行方式提供重要依据。实验结果表明，居民低碳出行意愿可分为三类：强烈、中立和不强烈；而职业、居住地、家庭结构和通勤时间是最重要的因素之一。该方法从多个方面为城市交通低碳的发展和管理提供政策建议。

Dec, 2023

该研究论文介绍了一种基于规划、约束和聚类技术的应用程序，用于根据交通法规总结司机活动日志并以易读的方式解释其行为模式，同时识别违规情况和相关活动，以及将司机基于相似驾驶模式进行分组。实验证明，从简短的基本驾驶序列到整个驾驶员工作日，都能将重复的驾驶模式进行聚类。

Jan, 2023

近期深度学习领域的进展以及深度神经网络对感知任务取得的出色表现，引发了在自动驾驶系统中使用它们的需求。为了系统地保证基于深度神经网络的自动驾驶系统的安全性，本文引入了一种称为安全关注的结构化元素，扩展和完善了其概念，并引入了额外的分类，以促进跨职能团队共同解决相关问题。

Sep, 2023

通过 Automated Machine Learning (AutoML) 以及 SHAP 分析，本研究调查了行人事故严重性，提供了一种简化和易于访问的方法来分析关键因素，如照明条件、道路类型和天气等对行人事故严重程度的影响。这种 AutoML 与 SHAP 分析的整合不仅增强了预测准确性，还提供了对有效行人安全措施的关键见解，强调了这种方法在推进行人事故严重性分析方面的潜力。

Jun, 2024

本文提出了基于 ECDF 距离度量的主动监测方法，用于监测 ML 系统的行为和操作环境，应用于数据分布漂移检测，研究表明该方法可用于检测 ML 组件的应用环境是否符合安全性要求。

May, 2020