論文の概要: Mobile Phone Sensor-based Nigerian Driving Dataset to Detect Alcohol-influenced Behaviours

• arxiv url: http://arxiv.org/abs/2509.05358v1
• Date: Wed, 03 Sep 2025 15:21:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.456543
• Title: Mobile Phone Sensor-based Nigerian Driving Dataset to Detect Alcohol-influenced Behaviours
• Title（参考訳）: 携帯電話センサを用いたナイジェリアの運転データを用いたアルコール影響行動の検出
• Authors: Iniakpokeikiye Peter Thompson, Yi Dewei, Reiter Ehud,
• Abstract要約: 本稿では,ナイジェリアにおけるアルコール依存運転行動を検出するための機械学習モデルを支援するために,携帯電話センサを用いて収集したユニークな運転データセットを提案する。 提案モデルでは,加速度センサ,ジャイロスコープ,GPSなどのスマートフォンセンサを用いて,非侵襲的かつ連続的に運転パターンをリアルタイムで検出する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper presents a unique driving dataset collected in Nigeria via mobile phone sensors to support a machine learning model for detecting alcohol-influenced driving behaviours, with the long-term aim of integrating this model into a mobile application that encourages safer driving behaviours. Driving under the influence of alcohol is a major public safety concern, particularly in low-income countries like Nigeria, where traditional enforcement mechanisms may be limited. The proposed model leverages smartphone sensors such as accelerometers, gyroscopes, and GPS to provide a non-invasive, continuous solution for detecting impaired driving patterns in real time. This study adapts existing data processing and pattern matching methodologies to label real-world driving data collected from Nigerian drivers, which are then used to train the model. A decision tree classifier is developed to detect alcohol influence, based on behavioural and temporal features, achieving a recall of 100%, a precision of 60%, and an F1 score of 75%. The model's overall accuracy was 90.91%, ensuring that no alcohol influenced trips were missed. Key predictive features included speed variability, course deviation, and time of day, which align with established patterns of alcohol consumption. This study contributes to the field by demonstrating how machine learning can be applied in low-resource environments to improve road safety. The findings suggest that the model can significantly enhance the detection and prevention of risky driving behaviours, with the potential for future integration into mobile applications to provide real-time feedback and encourage safer driving practices. This scalable and accessible solution offers a new approach to addressing road safety challenges in regions where traditional interventions are inadequate.
• Abstract（参考訳）: 本稿では,ナイジェリアで携帯電話センサを用いて収集されたユニークな運転データを用いて,アルコール依存運転行動を検出する機械学習モデルをサポートし,このモデルを安全な運転行動を促すモバイルアプリケーションに統合する長期的目的について述べる。 アルコールの影響下での運転は、特にナイジェリアなどの低所得国では、伝統的な執行機構が制限される可能性がある。 提案モデルでは,加速度センサ,ジャイロスコープ,GPSなどのスマートフォンセンサを用いて,非侵襲的かつ連続的に運転パターンをリアルタイムで検出する手法を提案する。 本研究では,ナイジェリアのドライバーから収集した実世界の運転データに,既存のデータ処理手法とパターンマッチング手法を適用し,モデルをトレーニングするために使用する。 行動的特徴と時間的特徴に基づいてアルコールの影響を検知し、100%のリコール、60%の精度、およびF1スコアの75%を達成する決定木分類器を開発した。 モデル全体の精度は90.91%であり、アルコールの影響を受けていないことが保証された。 主な予測的特徴は、速度変動、コース偏差、およびアルコール消費の確立したパターンに沿った日時であった。 本研究は,低リソース環境における機械学習の適用による道路安全向上の実証を通じて,その分野に寄与する。 その結果,このモデルにより,危険運転行動の検出と防止が大幅に向上し,将来のモバイルアプリケーションへの統合により,リアルタイムなフィードバックと安全運転の実践が促進される可能性が示唆された。 このスケーラブルでアクセスしやすいソリューションは、従来の介入が不十分な地域での道路安全上の課題に対処する新しいアプローチを提供する。

関連論文リスト

• Predicting Mild Cognitive Impairment Using Naturalistic Driving and Trip Destination Modeling [6.66498412613475]
  本研究は,ネブラスカ州における高齢ドライバーの運転習慣を分析するために,自宅,職場,医療アポイントメント,社会活動,過激なジオハッシングなどの特定の旅行先を取り入れた新しいアプローチを提案する。 C5.0、ランダムフォレスト、サポートベクターマシンなどの先進的な機械学習モデルとデータ視覚化を組み合わせた2倍の方法論を用いて、認知障害の予測におけるこれらの位置ベース変数の有効性を評価した。
  論文  参考訳（メタデータ） (2025-04-12T00:52:25Z)
• A Bayesian Approach for Prioritising Driving Behaviour Investigations in Telematic Auto Insurance Policies [0.6249768559720121]
  旅行用GPSと加速度計データを地理空間情報で拡張し,配送用不完全な分類器をトリップ単位で訓練する。 後続確率は優先順位スコアに変換され、手動による調査において最も価値のある候補を選択するために使用された。 この手法は、手動検索と比較して人的資源配分の効率を大幅に改善した。
  論文  参考訳（メタデータ） (2024-04-22T15:26:24Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Vision-based Analysis of Driver Activity and Driving Performance Under the Influence of Alcohol [1.2094859111770522]
  アメリカの交通事故死者の30%は飲酒運転をしている。 運転障害は、センサーのアクティブな使用によって監視することができる。 より受動的で堅牢なセンシング機構は、より広く採用することができる。
  論文  参考訳（メタデータ） (2023-09-14T20:34:30Z)
• Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable Abnormal Behaviors of Human Drivers via Information Sharing [21.979007506007733]
  提案アルゴリズムは高速道路と都市交通の両方において優れた検出性能を有することを示す。 最高の性能は97.3%、平均検出遅延1.2、誤警報0である。
  論文  参考訳（メタデータ） (2023-08-23T18:24:28Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [50.936478241688114]
  非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。 本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。 提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)
• Smartphone-based Hard-braking Event Detection at Scale for Road Safety Services [6.451490979743455]
  道路事故は世界第6位の障害調整生命年(DALY)の原因となっている。 本稿では,スマートフォンセンサから収集したキネマティクスデータを用いて,ハードブレーキイベントを検出するスケーラブルなアプローチを提案する。 われわれはTransformerをベースとした機械学習モデルをトレーニングし、Google Mapsでナビゲートしながらスマートフォンや車両のセンサーから、スマートフォンと車両のセンサーを同時に読み取ることで、ハードブレーキイベントの検出を可能にした。
  論文  参考訳（メタデータ） (2022-02-04T01:30:32Z)
• Driving-Signal Aware Full-Body Avatars [49.89791440532946]
  そこで本研究では,駆動信号を意識したフルボディアバターを構築するための学習ベース手法を提案する。 我々のモデルは条件付き変分オートエンコーダであり、不完全な駆動信号でアニメーションできる。 仮想テレプレゼンスのためのフルボディアニメーションの課題に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-05-21T16:22:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。