Análisis de la duración del cambio de carril de vehículos de carretera basado en un modelo de supervivencia
Autores: Zhao, Sheng; Huang, Shengwen; Wen, Huiying; Liu, Weiming
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Análisis de la duración del cambio de carril de vehículos de carretera basado en un modelo de supervivencia
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Investigar
Vehículo de carretera
Comportamiento de cambio de carril
Conjunto de datos
Vehículos
Cambios de carril
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 47
Citaciones: Sin citaciones
Para investigar el comportamiento de cambio de carril de vehículos en carreteras, utilizamos el conjunto de datos de conducción naturalística disponible públicamente, HighD, para extraer los datos de movimiento de los vehículos involucrados en cambios de carril y sus contrapartes cercanas. Empleamos modelos de riesgos proporcionales de Cox univariados y multivariados junto con modelos de bosques de supervivencia aleatorios para analizar la influencia de varios factores en la duración del cambio de carril, evaluar su significancia estadística y comparar el rendimiento de varios modelos de bosques de supervivencia aleatorios. Nuestros hallazgos indican que varias variables impactan significativamente en la duración del cambio de carril, incluyendo la desviación estándar de los vehículos que cambian de carril, la velocidad de los vehículos que cambian de carril, la distancia al vehículo siguiente en el carril objetivo, la longitud de los vehículos que cambian de carril y la distancia al vehículo siguiente en el carril actual. Notablemente, la desviación estándar y la longitud del vehículo actúan como factores de protección, ya que aumentos en estas variables se correlacionan con duraciones de cambio de carril más largas. Por el contrario, velocidades más altas de los vehículos que cambian de carril y distancias más cortas a los vehículos siguientes en ambos carriles actual y objetivo se asocian con duraciones de cambio de carril más cortas, indicando su papel como factores de riesgo. La selección de variables de características no mejoró sustancialmente el rendimiento de entrenamiento del modelo de bosques de supervivencia aleatorios según nuestros hallazgos. Sin embargo, la evaluación del conjunto de validación mostró que una cuidadosa selección de variables de características puede mejorar la precisión del modelo, lo que lleva a valores de AUC mejorados. Estas percepciones sientan las bases para avanzar en la investigación sobre la predicción de comportamientos de cambio de carril, comprender las intenciones de cambio de carril y desarrollar medidas de seguridad preventivas contra cambios de carril peligrosos.
Descripción
Para investigar el comportamiento de cambio de carril de vehículos en carreteras, utilizamos el conjunto de datos de conducción naturalística disponible públicamente, HighD, para extraer los datos de movimiento de los vehículos involucrados en cambios de carril y sus contrapartes cercanas. Empleamos modelos de riesgos proporcionales de Cox univariados y multivariados junto con modelos de bosques de supervivencia aleatorios para analizar la influencia de varios factores en la duración del cambio de carril, evaluar su significancia estadística y comparar el rendimiento de varios modelos de bosques de supervivencia aleatorios. Nuestros hallazgos indican que varias variables impactan significativamente en la duración del cambio de carril, incluyendo la desviación estándar de los vehículos que cambian de carril, la velocidad de los vehículos que cambian de carril, la distancia al vehículo siguiente en el carril objetivo, la longitud de los vehículos que cambian de carril y la distancia al vehículo siguiente en el carril actual. Notablemente, la desviación estándar y la longitud del vehículo actúan como factores de protección, ya que aumentos en estas variables se correlacionan con duraciones de cambio de carril más largas. Por el contrario, velocidades más altas de los vehículos que cambian de carril y distancias más cortas a los vehículos siguientes en ambos carriles actual y objetivo se asocian con duraciones de cambio de carril más cortas, indicando su papel como factores de riesgo. La selección de variables de características no mejoró sustancialmente el rendimiento de entrenamiento del modelo de bosques de supervivencia aleatorios según nuestros hallazgos. Sin embargo, la evaluación del conjunto de validación mostró que una cuidadosa selección de variables de características puede mejorar la precisión del modelo, lo que lleva a valores de AUC mejorados. Estas percepciones sientan las bases para avanzar en la investigación sobre la predicción de comportamientos de cambio de carril, comprender las intenciones de cambio de carril y desarrollar medidas de seguridad preventivas contra cambios de carril peligrosos.