使用 Carla 模拟器中的移动传感器数据，结合机器学习算法进行时间序列分类，以识别具有风险的驾驶行为。

Feb, 2022

介绍了一种基于专家中心的驾驶员评估方法，采用模糊集来挖掘个人行为对道路安全的影响，并将上下文调节嵌入智能决策过程中，以产生更加公正和准确的结果，同时提高评估系统对交通、天气等因素的响应能力。

Feb, 2022

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

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

本研究提出了一种多模态推理框架AutoFraudNet用于检测保险欺诈，在现实数据集上进行广泛的实验，证明了AutoFraudNet在整合各种数据形式以提高性能方面的有效性。

Jan, 2023

利用遥测数据和上下文信息构建驾驶风险预测框架，采用数据驱动过程增强风险标签，并在真实数据中进行验证。

May, 2023

我们提出了基于CANN框架的新型交叉-sectional和纵向索赔计数模型，该框架结合了由Mario Wüthrich和Michael Merz提出的经典精算模型（如广义线性模型）和神经网络。我们的模型使用著名的对数线性索赔计数回归模型来处理经典回归部分，并使用多层感知器（MLP）来处理描述每个投保人驾驶行为的遥测汽车驾驶数据。此外，我们还提出了一种使用多变量负二项分布训练CANN模型的方法。我们的结果表明，与依赖手工特征工程的对数线性模型相比，CANN模型表现出更好的性能。

Aug, 2023

该研究使用机器学习、计量经济学和统计方法研究了英国的道路交通事故严重程度，通过对历史数据进行相关性分析、回归模型、GMM分析解决误差项问题以及VAR和ARIMA模型的时间序列预测等技术和方法，我们的研究方法在MASE指标为0.800，ME指标为-73.80时相对于朴素预测具有更好的性能，此外我们构建了一个随机森林分类器，分类准确性达到了73%，召回率为78%，F1得分为73%，使用H2O AutoML优化后得到的XGBoost模型的RMSE为0.176，MAE为0.087，因子分析确认了重要变量，并且应用SHAP可解释的人工智能方法，对Driver_Home_Area_Type和Road_Type等有影响的因素进行了突出显示，这项研究加深了对事故严重程度的理解并为基于证据的道路安全政策提供了洞见。

Sep, 2023

设计了低成本的车内传感硬件，能够获取高精度的定位和遥测数据，识别了早期认知变化的重要指标，并且通过机器学习方法在真实的日常驾驶条件下检测认知障碍的早期预警信号。统计分析表明，患有轻度认知障碍的驾驶员表现出更平稳和更安全的驾驶模式，且夜间行程数、行程数和教育程度是影响因素中最重要的。

Nov, 2023

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