000			05274namaa22004211i 4500
003			OSt
005			20250413105932.0
008			250325s2024 |||a|||f m||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a006.31
092			_a006.31 _221
097			_aM.Sc
099			_aCai01.18.07.M.Sc.2024.Mo.M
100	0		_aMohamed Salah Ibrahim, _epreparation.
245	1	0	_aMachine learning model for social and behavioral characteristics of young adult drivers / _cby Mohamed Salah Ibrahim ; Supervision Prof. Mervat Gheith, Dr. Tarek Aly.
246	1	5	_aنموذج تعلم الاله للخصائص الاجتماعية والسلوكية للسائقين الشباب /
264		0	_c2024.
300			_a81 leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2024.
504			_aBibliography: pages 78-79.
520			_aDriving 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.
520			_aالقيادة 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		7	_aMachine learning _2qrmak
653		0	_aMachine Learning _aAbnormal Driving Behavior _aDriver Safety _aAlcohol Impairment _aLSTM
700	0		_aMervat Gheith _ethesis advisor.
700	0		_aTarek Aly _ethesis advisor.
900			_b01-01-2024 _cMervat Gheith _cTarek Aly _UCairo University _FFaculty of Graduate Studies For statistical research _DDepartment of Software engineering
905			_aShimaa _eHuda
942			_2ddc _cTH _e21 _n0
999			_c171294