[论文解读] Big Data Generated by Connected and Automated Vehicles for Safety Monitoring, Assessment and Improvement, Final Report (Year 3)

Asad J. Khattak, Iman Mahdinia+3 more|arXiv (Cornell University)|Jan 1, 2021

Autonomous Vehicle Technology and Safety参考文献 117被引用 3

一句话总结

本研究通过数据挖掘与文本分析，整合联网与自动驾驶车辆（CAVs）产生的大数据，以提升道路安全，揭示了碰撞避免与实时数据流处理等关键安全技术。研究识别出网络安全、隐私保护与基础设施设计等关键挑战，同时提出了一套概念性框架，用于追踪CAV安全创新并指导未来研究。

ABSTRACT

This report focuses on safety aspects of connected and automated vehicles (CAVs). The fundamental question to be answered is how can CAVs improve road users' safety? Using advanced data mining and thematic text analytics tools, the goal is to systematically synthesize studies related to Big Data for safety monitoring and improvement. Within this domain, the report systematically compares Big Data initiatives related to transportation initiatives nationally and internationally and provides insights regarding the evolution of Big Data science applications related to CAVs and new challenges. The objectives addressed are: 1-Creating a database of Big Data efforts by acquiring reports, white papers, and journal publications; 2-Applying text analytics tools to extract key concepts, and spot patterns and trends in Big Data initiatives; 3-Understanding the evolution of CAV Big Data in the context of safety by quantifying granular taxonomies and modeling entity relations among contents in CAV Big Data research initiatives, and 4-Developing a foundation for exploring new approaches to tracking and analyzing CAV Big Data and related innovations. The study synthesizes and derives high-quality information from innovative research activities undertaken by various research entities through Big Data initiatives. The results can provide a conceptual foundation for developing new approaches for guiding and tracking the safety implications of Big Data and related innovations.

研究动机与目标

• 系统性地整合与联网及自动驾驶车辆（CAVs）相关的大型数据研究，以实现安全监控与改进。
• 从国家与国际CAV计划中识别并分类提升安全性的数据需求与技术趋势。
• 利用文本分析与数据挖掘技术，构建CAV大数据及其安全影响的系统性追踪与分析概念基础。
• 应对CAV部署中出现的新兴挑战，如网络安全、隐私保护、驾驶员脱离控制及基础设施兼容性问题。
• 通过识别基础设施几何结构与实时数据流分析等尚未充分探索的研究领域，为未来研究与政策制定提供指导。

提出的方法

• 从Google Scholar、ScienceDirect和Web of Science等来源收集并构建了包含1,000多份报告、白皮书、期刊文章与会议论文的综合数据库。
• 使用R与QDA Miner软件进行文本分析与主题分析，从CAV研究文献中提取关键概念、实体与关系。
• 通过频率分析与内容分析，识别出CAV安全研究中的主导主题，如“碰撞避免”与“驾驶员行为”。
• 开展关联分析并构建CAV大数据的逻辑架构，以建模数据流与系统集成。
• 运用统计可视化技术，绘制CAV研究趋势图，包括对V2V/V2I通信与实时数据处理关注点的演变。
• 开发了细致的安全相关CAV大数据计划分类法，实现对技术与研究领域的分类。

实验结果

研究问题

• RQ1 联网与自动驾驶车辆产生的大数据如何提升道路使用者的安全？
• RQ2 在全球与国家层面上，CAV大数据计划中的主导技术与研究主题是什么？
• RQ3 CAV安全研究中的关键挑战与研究空白有哪些，特别是关于数据隐私、网络安全与基础设施兼容性方面？
• RQ4 如何利用文本分析与数据挖掘技术，系统性地追踪与评估CAV安全研究的演变？
• RQ5 实现安全且可扩展的CAV部署，其关键数据需求与基础设施要求是什么？

主要发现

• CAV文献中讨论最频繁的安全相关主题包括“碰撞避免与预警”、“驾驶任务参与/脱离”以及“市场渗透率影响”。
• “自主变道”、“通信系统与数据”以及“驾驶波动性”等技术是当前CAV安全研究的核心。
• 实时数据流分析与数据流中的异常检测被识别为未来CAV安全系统的关键新兴能力。
• 在基础设施设计方面存在显著研究空白，特别是在道路几何结构、桥梁设计与CAV运行所需的路面要求方面。
• 网络安全威胁、隐私侵犯以及人类-车辆交互的不确定性（如与行人和骑行车者互动）是主要未解决的挑战。
• 尽管自动化技术有潜力减少事故，但驾驶员注意力不集中与技术故障仍是关键风险因素，亟需进一步研究与缓解。