预测和分析非信号化交叉口的行人穿越行为
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本文利用机器学习预测非信号控制人行横道中行人与车辆的交互，提出新模型以提高预测准确率。研究发现，90%以上的行人在过马路前会注视车辆，且其决策受到时间到碰撞等因素的影响。通过多模态算法分析环境特征，提升行人安全性，为交通安全提供新见解。
❓
Q&A
如何利用机器学习提高行人过马路的预测准确率？
通过使用神经网络模型，研究表明其预测准确率比 logistic 回归模型提高了 4.46%。
行人在非信号化人行横道上穿越前的行为特征是什么？
超过90%的行人在穿越前会注视靠近的车辆，且其决策受时间到碰撞等因素影响。
研究中提到的影响行人安全决策的因素有哪些？
影响因素包括视野、工作记忆、扫描策略以及时间到碰撞等。
新型神经符号方法在行人过街预测中有什么优势？
该方法结合深度学习和模糊逻辑，提供了可解释性和可扩展性的实验见解。
如何通过多模态算法提升行人安全性？
多模态算法分析环境的视觉特征和场景动态，从而预测行人的未来横穿行为。
交通流量和车辆速度如何影响驾驶员的避让行为？
研究发现，交通流量、车辆速度和道路特征显著影响驾驶员的避让行为。
🏷️
