論文の概要: Hybrid Approach for Driver Behavior Analysis with Machine Learning, Feature Optimization, and Explainable AI

• arxiv url: http://arxiv.org/abs/2601.03477v1
• Date: Wed, 07 Jan 2026 00:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.157179
• Title: Hybrid Approach for Driver Behavior Analysis with Machine Learning, Feature Optimization, and Explainable AI
• Title（参考訳）: 機械学習, 特徴最適化, 説明可能なAIを用いた運転行動分析のためのハイブリッドアプローチ
• Authors: Mehedi Hasan Shuvo, Md. Raihan Tapader, Nur Mohammad Tamjid, Sajjadul Islam, Ahnaf Atef Choudhury, Jia Uddin,
• Abstract要約: 本稿では,Kaggleから取得した12,857列と18列のデータを用いた運転行動解析のハイブリッド手法を提案する。 ランダムフォレストの精度は94.2%にわずかに低下し、性能を犠牲にすることなくモデルの効率を向上できることを確認した。 このハイブリッドモデルは、運転者の行動過程の予測力と説明可能性の観点から投資のリターンを与えることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Progressive driver behavior analytics is crucial for improving road safety and mitigating the issues caused by aggressive or inattentive driving. Previous studies have employed machine learning and deep learning techniques, which often result in low feature optimization, thereby compromising both high performance and interpretability. To fill these voids, this paper proposes a hybrid approach to driver behavior analysis that uses a 12,857-row and 18-column data set taken from Kaggle. After applying preprocessing techniques such as label encoding, random oversampling, and standard scaling, 13 machine learning algorithms were tested. The Random Forest Classifier achieved an accuracy of 95%. After deploying the LIME technique in XAI, the top 10 features with the most significant positive and negative influence on accuracy were identified, and the same algorithms were retrained. The accuracy of the Random Forest Classifier decreased slightly to 94.2%, confirming that the efficiency of the model can be improved without sacrificing performance. This hybrid model can provide a return on investment in terms of the predictive power and explainability of the driver behavior process.
• Abstract（参考訳）: プログレッシブ・ドライバーの行動分析は、道路の安全を改善し、積極的または意図しない運転による問題を緩和するために重要である。 従来の研究では、機械学習とディープラーニングの技術が用いられており、しばしば機能の最適化が低くなり、高い性能と解釈可能性の両方が向上した。 そこで本稿では,Kaggle から取得した12,857-row と 18-column データセットを用いた運転行動解析のハイブリッド手法を提案する。 ラベルエンコーディング、ランダムオーバーサンプリング、標準スケーリングといった前処理技術を適用した後、13の機械学習アルゴリズムが試験された。 ランダム森林分類器は95%の精度を達成した。 XAIにLIMEテクニックをデプロイした後、最も肯定的かつ否定的な影響を持つトップ10の特徴が同定され、同じアルゴリズムが再訓練された。 ランダム森林分類器の精度は94.2%にわずかに低下し、性能を犠牲にすることなくモデルの効率を向上できることを確認した。 このハイブリッドモデルは、運転者の行動過程の予測力と説明可能性の観点から投資のリターンを与えることができる。

関連論文リスト

• Six Sigma For Neural Networks: Taguchi-based optimization [0.0]
  本研究では,従来品質工学に用いられてきた統計最適化手法であるTaguchi Design of Experiments法の適用について紹介する。 機械学習最適化の多目的性に対処するため、トレーニング精度、検証精度、トレーニング損失、検証損失を同時に最適化する5つのアプローチを開発した。 その結果, 重み付き精度測定値と対数変換された損失関数を組み合わせることで, 最適性能を98.84%のトレーニング精度と86.25%の検証精度で達成し, 最小損失値を維持した。
  論文  参考訳（メタデータ） (2025-09-22T06:50:25Z)
• HAD-Gen: Human-like and Diverse Driving Behavior Modeling for Controllable Scenario Generation [13.299893784290733]
  HAD-Genは、多様な人間のような運転行動をシミュレートする現実的な交通シナリオ生成のためのフレームワークである。 提案手法は, 目標達成率90.96%, オフロードレート2.08%, 衝突速度6.91%を達成する。
  論文  参考訳（メタデータ） (2025-03-19T09:38:45Z)
• Evaluation of Artificial Intelligence Methods for Lead Time Prediction in Non-Cycled Areas of Automotive Production [1.3499500088995464]
  本研究では,自動車生産環境における人工知能適用の有効性について検討した。 データ構造は、コンテキストの特徴を識別するために分析され、ワンホット符号化を使用して前処理される。 この研究は、高度に可変された生産データにAIメソッドを効果的に適用し、ビジネス価値を付加できることを実証している。
  論文  参考訳（メタデータ） (2025-01-13T13:28:03Z)
• Finding Transformer Circuits with Edge Pruning [71.12127707678961]
  自動回路発見の効率的かつスケーラブルなソリューションとしてエッジプルーニングを提案する。 本手法は,従来の手法に比べてエッジ数の半分未満のGPT-2の回路を探索する。 その効率のおかげで、Edge PruningをCodeLlama-13Bにスケールしました。
  論文  参考訳（メタデータ） (2024-06-24T16:40:54Z)
• AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
  ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。 手作り正則化技術を用いた頑健な微調整への最近のアプローチ 我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:58:49Z)
• A Comparative Analysis of Machine Learning Methods for Lane Change Intention Recognition Using Vehicle Trajectory Data [0.0]
  車線変更予測は、自動運転車が周囲の環境をよりよく理解し、潜在的な安全リスクを認識し、交通安全を改善するのに役立つ。 本稿では,LCプロセスに着目し,異なる機械学習手法の性能を比較し,高次元時系列データからLC意図を認識する。 LC意図認識では,分類精度の98%で,アンサンブル法はII型,III型の分類誤差の影響を低減している。
  論文  参考訳（メタデータ） (2023-07-28T15:32:14Z)
• Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles [82.65261980827594]
  本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。 マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
  論文  参考訳（メタデータ） (2023-03-08T17:14:57Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)

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。