Predicting Hazardous Driving Behaviour with Quantum Neural Networks
| Title: | Predicting Hazardous Driving Behaviour with Quantum Neural Networks |
| Author(s): | Holmström, Axi |
| Contributor: | University of Helsinki, Faculty of Science, Department of Physics |
| Discipline: | Physics |
| Language: | English |
| Acceptance year: | 2016 |
| Abstract: |
Quantum Neural Networks (QNN) were used to predict both future steering wheel signals and upcoming lane departures for N=34 drivers undergoing 37 h of sleep deprivation. The drivers drove in a moving-base truck simulator for 55 min once every third hour, resulting in 31 200 km of highway driving, out of which 8 432 km were on straights. Predicting the steering wheel signal one time step ahead, 0.1 s, was achieved with a 15-40-20-1 time-delayed feed-forward QNN with a root-mean-square error of RMSEtot = 0.007 a.u. corresponding to a 0.4 % relative error. The best prediction of the number of lane departures during the subsequent 10 s was achieved using the maximum peak-to-peak amplitude of the steering wheel signal from the previous ten 1 s segments as inputs to a 10-15-5-1 time-delayed feed-forward QNN. A correct prediction was achieved in 55 % of cases and the overall sensitivity and specificity were 31 % and 80 %, respectively.
Kvantneuronätverk (QNN) användes för att förutsäga både framtida rattsignaler och filavkörningar för N=34 bilförare som genomgick 37 timmars vaka. Bilförarna körde 55 min var tredje timme i en lastbilssimulator på en rörlig plattform, vilket resulterade i 31 200 km landsvägskörning, varav 8 432 km inföll på raksträckor. Ett 15-40-20-1 strukturerat tidsförskjutet, framåtkopplat QNN användes för att förutsäga rattsignalen ett tidssteg framåt, 0,1 s, vilket lyckades med ett kvadratiskt medelvärdesfel på RMSEtot = 0.007 a.u., som motsvarar ett relativt fel på 0,4 %. Den bästa föutsägelsen av antalet filavkörningar under de följande 10 s uppnåddes genom att som in-signal till ett 10-15-5-1 tidsförskjutet, framåtkopplat QNN använda skillnaden mellan maximi- och minimivärdet i rattsignalen i de tio föregående 1 s segmenten. En korrekt förutsägelse uppnåddes i 55 % av fallen och den totala sensitiviteten var 31 % medan specificiteten var 80 %.
Kvanttineuroverkkoja (QNN) käytettiin ennustamaan tulevaa rattisignaalia ja tulevia kaistalta poikkeamisia 37 tuntia valvoneille N=34 kuljettajalle. Kuljettajat ajoivat liikuvapohjaisesssa rekkasimulaattorissa 55 min ajan joka kolmas tunti, eli kokonaisuudessaan 31 200 km maantieajoa, joista 8 432 km olivat suorilla. Rattisignaalin ennustaminen yhden aika-askeleen eteenpäin, 0,1 s, suoritettin aikaviivästetyllä eteenpäinkytkeyllä QNN:llä, jolla oli 15-40-20-1 rakenne. Neliöllinen keskiarvollinen virhe oli RMSEtot = 0.007 a.u., mikä vastaa 0,4 % suhteellista virhettä. Paras ennustus kaistalta poikkeamisten määrälle tulevan 10 s aikana saavutettiin käyttämällä sisäänmenona rattisignaalin suurinta huipusta huippuun amplitudia kymmenen edellisten 1 s pätkien ajalta ja aikaviivästettyä eteenpäinkytkettyä 10-15-5-1 QNN:ää. Oikeaa ennustusta saavutettiin 55 % tapauksista ja sensitiviteetti oli 31 % ja spesifisiteetti oli 80 %.
|
Files in this item
| Files | Size | Format | View |
|---|---|---|---|
| Holmstrom_ProGradu_2016.pdf | 1.495Mb |
This item appears in the following Collection(s)
-
Faculty of Science [4026]