TY  - BOOK
AU  - Mohamed Salah Ibrahim,
AU  - Mervat Gheith
AU  - Tarek Aly 
TI  - Machine learning model for social and behavioral characteristics of young adult drivers
U1  - 006.31 
PY  - 2024///
KW  - Machine learning
KW  - qrmak
KW  - Machine Learning
KW  - Abnormal Driving Behavior
KW  - Driver Safety
KW  - Alcohol Impairment
KW  - LSTM
N1  - Thesis (M.Sc)-Cairo University, 2024; Bibliography: pages 78-79; Issues also as CD
N2  - Driving in abnormal conditions like being under the influence of alcohol significantly contributes to road accidents worldwide. This study explores the impact of alcohol on driver behavior and creates a comparison between many algorithms to introduce a machine-learning model to identify impaired driving patterns preemptively.
A comprehensive dataset was compiled from driving simulators and real-world scenarios, featuring behaviors under various alcohol influence levels. Key features included vehicle speed, lane deviation, and brake times. Different machine learning algorithms (BiLSTM, LSTM, GRU) were evaluated, and the optimal model was fine-tuned.
The system effectively detects alcohol-related impairment in real-time by monitoring driving parameters and comparing them to identified patterns.
This model shows promise in reducing alcohol-related accidents by providing preemptive alerts. However, its efficacy depends on the training dataset's quality and the input data's accuracy. Limitations include the need for real-world testing. Future research should expand the dataset and validate the model in real-world settings.
In conclusion, this study offers a proactive approach to enhancing road safety by using machine learning for real-time assessment of alcohol-impaired driving, potentially saving lives and reducing economic burdens from road accidents; القيادة في ظروف غير طبيعية مثل التعرض لتأثير الكحول تساهم بشكل كبير في وقوع حوادث الطرق في جميع أنحاء العالم. تستكشف هذه الدراسة تأثير الكحول على سلوك السائق وتجري مقارنة بين العديد من الخوارزميات لتقديم نموذج للتعلم الآلي لتحديد أنماط القيادة الضعيفة بشكل استباقي.
تم تجميع مجموعة بيانات شاملة من أجهزة محاكاة القيادة وسيناريوهات العالم الحقيقي، والتي تعرض السلوكيات تحت مستويات مختلفة من تأثير الكحول. وشملت الميزات الرئيسية سرعة السيارة، وانحراف المسار، وأوقات الفرامل. تم تقييم خوارزميات التعلم الآلي المختلفة (BiLSTM، LSTM، GRU)، وتم ضبط النموذج الأمثل.
يكتشف النظام بشكل فعال الاختلال المرتبط بالكحول في الوقت الفعلي من خلال مراقبة معايير القيادة ومقارنتها بالأنماط المحددة.
يُظهر هذا النموذج نتائج واعدة في الحد من الحوادث المرتبطة بالكحول من خلال توفير تنبيهات استباقية. ومع ذلك، فإن فعاليتها تعتمد على جودة مجموعة بيانات التدريب ودقة بيانات الإدخال. تشمل القيود الحاجة إلى اختبار العالم الحقيقي. يجب أن تعمل الأبحاث المستقبلية على توسيع مجموعة البيانات والتحقق من صحة النموذج في بيئات العالم الحقيقي.
في الختام، تقدم هذه الدراسة نهجا استباقيا لتعزيز السلامة على الطرق باستخدام التعلم الآلي لتقييم في الوقت الحقيقي للقيادة تحت تأثير الكحول، وربما إنقاذ الأرواح وتقليل الأعباء الاقتصادية الناجمة عن حوادث الطرق
ER  -