| dc.date.accessioned |
2016-11-30T10:54:52Z |
und |
| dc.date.accessioned |
2017-10-24T12:04:06Z |
|
| dc.date.available |
2016-11-30T10:54:52Z |
und |
| dc.date.available |
2017-10-24T12:04:06Z |
|
| dc.date.issued |
2016-11-30T10:54:52Z |
|
| dc.identifier.uri |
http://radr.hulib.helsinki.fi/handle/10138.1/5888 |
und |
| dc.identifier.uri |
http://hdl.handle.net/10138.1/5888 |
|
| dc.title |
Predicting Hazardous Driving Behaviour with Quantum Neural Networks |
en |
| ethesis.discipline |
Physics |
en |
| ethesis.discipline |
Fysiikka |
fi |
| ethesis.discipline |
Fysik |
sv |
| ethesis.discipline.URI |
http://data.hulib.helsinki.fi/id/3434818f-62d6-4ad2-9c9b-7a86be9cf8e6 |
|
| ethesis.department.URI |
http://data.hulib.helsinki.fi/id/3acb09b1-e6a2-4faa-b677-1a1b03285b66 |
|
| ethesis.department |
Institutionen för fysik |
sv |
| ethesis.department |
Department of Physics |
en |
| ethesis.department |
Fysiikan laitos |
fi |
| ethesis.faculty |
Matematisk-naturvetenskapliga fakulteten |
sv |
| ethesis.faculty |
Matemaattis-luonnontieteellinen tiedekunta |
fi |
| ethesis.faculty |
Faculty of Science |
en |
| ethesis.faculty.URI |
http://data.hulib.helsinki.fi/id/8d59209f-6614-4edd-9744-1ebdaf1d13ca |
|
| ethesis.university.URI |
http://data.hulib.helsinki.fi/id/50ae46d8-7ba9-4821-877c-c994c78b0d97 |
|
| ethesis.university |
Helsingfors universitet |
sv |
| ethesis.university |
University of Helsinki |
en |
| ethesis.university |
Helsingin yliopisto |
fi |
| dct.creator |
Holmström, Axi |
|
| dct.issued |
2016 |
|
| dct.language.ISO639-2 |
eng |
|
| dct.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. |
en |
| dct.abstract |
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 %. |
sv |
| dct.abstract |
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 %. |
fi |
| dct.language |
en |
|
| ethesis.language.URI |
http://data.hulib.helsinki.fi/id/languages/eng |
|
| ethesis.language |
English |
en |
| ethesis.language |
englanti |
fi |
| ethesis.language |
engelska |
sv |
| ethesis.thesistype |
pro gradu-avhandlingar |
sv |
| ethesis.thesistype |
pro gradu -tutkielmat |
fi |
| ethesis.thesistype |
master's thesis |
en |
| ethesis.thesistype.URI |
http://data.hulib.helsinki.fi/id/thesistypes/mastersthesis |
|
| dct.identifier.urn |
URN:NBN:fi-fe2017112251855 |
|
| dc.type.dcmitype |
Text |
|
