Przeprowadzone eksperymenty i analiza uzyskanych wyników jednoznacznie wskazują, że indywidualne cechy kierowców mają kluczowy wpływ na sposób prowadzenia pojazdu i co za tym idzie, na wydajność ruchu drogowego.
Analiza eksperymentów wykazała, że zachowanie kierowców w podobnych warunkach jest powtarzalne z pewnym odchyleniem, natomiast określenie podobieństwa pomiędzy sytuacjami na drodze jest zadaniem nietrywialnym. Kluczowy wpływ na zachowanie kie-rowcy ma jego indywidualne postrzeganie, a nie struktura skrzyżowania. Zaobserwowano, że nie występuje jednoznaczna korelacja pomiędzy zachowaniami pojedynczego kierowcy, jak również pomiędzy parą kierowców.
Aby dokładnie odzwierciedlić zachowanie kierowcy, konieczne jest przeprowadzenie jego obserwacji w trakcie wykonywania pojedynczego manewru w określonej lokalizacji. Pozwa-la to wysunąć przypuszczenie, że dotychczasowe próby generalizacji zachowań kierowców na skrzyżowaniach o podobnej strukturze są skazane na porażkę. Podważa to ponadto zało-żenia części istniejących metod modelowania i symulacji ruchu oraz pozwala sądzić, że nie istnieje coś takiego jak ogólny profil kierowcy ani wyraźnie rozróżnialne typy kierowców.
W miejsce jednego ujednoliconego modelu proponuje się opracowanie zestawu kilku instancji modeli pokrywających różne zachowania się kierowców, które byłyby dobierane do modelu odpowiednio dla rozważanego konkretnego kierowcy (np. przy symulacji w czasie rzeczywistym w oparciu o śledzenie zachowania kierowcy).
Przeprowadzone badania umożliwiły potwierdzenie tezy pracy i wyciągnięcie następu-jących wniosków :
Możliwe było zdefiniowanie modeli reprezentujących indywidualne cechy i zachowa-nia poszczególnych kierowców, bazując na danych zgromadzonych podczas eksperymentów przeprowadzonych w warunkach miejskich.
Tak skonstruowane modele posłużyły do stworzenia symulacji ruchu pojazdów w mi-kroskali z uwzględnieniem zachowań konkretnych kierowców. Umożliwiło to modelowanie i badanie wzajemnych interakcji pomiędzy kierowcami, pojazdami i infrastrukturą.
W ramach przeprowadzonych badań udało się stworzyć model, którego działanie jest profilowane wyborem bazowych danych pozyskanych z obserwacji zachowań wybranych kierowców. W ten sposób model może imitować zachowanie wybranego kierowcy podczas wykonywania konkretnego manewru.
Ponadto przeprowadzono serię eksperymentów symulacyjnych z użyciem stworzonego modelu kierowcy. Na przykładzie rozdzielenia kierowców, zachowujących się podobnie, na osobne pasy ruchu, pokazano, że możliwe jest uzyskanie znacznego przyspieszenia rozłado-wania skrzyżorozłado-wania.
Wnioski i kierunki dalszych prac
Eksperymenty symulacyjne wykazały, że posiadając wiedzę na temat profili poszcze-gólnych kierowców, możemy wpływać na usprawnienie ruchu drogowego na skrzyżowaniu.
Unikatowość stworzonego modelu polega nie tylko na jego możliwościach odzwiercie-dlania indywidualnych cech kierowców, ale także na jego różnorodnym zastosowaniu. Stwo-rzony model może posłużyć do poprawy działania już istniejących systemów typu Active Safety. Dzisiejsze systemy tego typu nie biorą pod uwagę indywidualnych cech kierowcy i zachowują się w ten sam sposób. Model mógłby wpływać na parametry tychże systemów i dostrajać je do indywidualnego zachowania kierowcy. Takie użycie może mieć bezpośred-nie przełożebezpośred-nie na bezpieczeństwo oraz komfort jazdy.
Model może także znaleźć zastosowanie w systemach zarządzania ruchem na skrzyżo-waniu. Znając potencjalne zachowanie kierowców, możliwe będzie wydajniejsze planowanie przejazdu pojazdów przez skrzyżowanie. Na tej podstawie można byłoby także wpływać w przyszłości na cykle zmiany świateł lub trasy przejazdu samochodów autonomicznych.
Konwencjonalne samochody również mogłyby otrzymywać stosowne informacje ze wspo-mnianego systemu (np. przyspiesz lub zwolnij) i wyświetlać je na ekranach pokładowych systemów nawigacyjnych.
Kolejnym potencjalnym zastosowaniem modelu jest monitorowanie floty pojazdów, za-chowań kierowców oraz ich wpływu na bezpieczeństwo ruchu. Dane z takiego monitoringu mogłyby posłużyć firmom ubezpieczeniowym przy naliczaniu odpowiedniej wysokości skła-dek. Innym podmiotem, dla którego pozyskane dane również byłyby wartościowe, mogłyby być ośrodki nauki jazdy monitorujące kierowców, którzy dopiero zdobyli uprawnienia. Dzię-ki temu możliwe byłoby doskonalenie programów szkoleniowych tak, aby eliminować błędy popełniane najczęściej przez nowych kierowców. Równie ważnym wykorzystaniem zgro-madzonych danych mogłoby być poddawanie ich analizie policyjnej, np. w celu poznania przyczyn wypadków.
Innym kierunkiem rozwoju niniejszych badań mogłyby być symulacje różnego rodzaju zachowań drogowych oraz próba ich optymalizacji dzięki znajomości modelu kierowców.
Najbardziej śmiałym pomysłem użycia modelu mogłoby być użycie go w sterowaniu sa-mochodami autonomicznymi. Posiadając wiedzę o potencjalnym zachowaniu tradycyjnych kierowców znajdujących się w pobliżu, możliwe byłoby lepsze planowanie poszczególnych manewrów samochodów autonomicznych.
Zaproponowane w pracy podejście do problemu modelowania kierowców może stanowić podstawę do dalszych prac i badań w tej dziedzinie. Najciekawszym kierunkiem rozwoju podejścia mogą być badania nad poszukiwaniem potencjalnych korelacji pomiędzy zacho-waniem oraz profilem psychologicznym kierowców.
Przeprowadzone eksperymenty pozwoliły zebrać dane, które same w sobie stanowią
Wnioski i kierunki dalszych prac
ogromną wartość i mogą posłużyć do przeprowadzenia kolejnych analiz zachowań kierow-ców. Mogą być także udostępnione innym zespołom badawczym, nie posiadającym moż-liwości przeprowadzania eksperymentów na rzeczywistych kierowcach w warunkach miej-skich. Takie zespoły często pracują na samodzielnie wygenerowanych danych lub danych pozyskanych z symulatorów jazdy.
Sama metoda gromadzenia danych również posiada istotne znaczenie. Może być wyko-rzystana w kolejnych eksperymentach z użyciem rzeczywistych kierowców, bądź w celach komercyjnych, jako dodatek do, już i tak mocno zaawansowanych, systemów wspomagania decyzji montowanych seryjnie w samochodach. Takie rozszerzenie umożliwiłoby kompute-rom pokładowym samochodu przeprowadzanie analiz zachowania kierowcy i dostrajanie systemów wspomagania decyzji z uwzględnieniem tych zachowań.
LITERATURA
Literatura
[1] D.L. Gerlough. Simulation of Freeway Traffic on a General-purpose Discrete Variable Computer. University of California, Los Angeles, 1955.
[2] Catherine M. Banks John A. Sokolowski. Principles of Modeling and Simulation: A Multidisciplinary Approach. Number 259. John Wiley and Sons, 2009.
[3] Mario Bunge. A general black box theory. Philosophy of Science, pages 346–358, 1963.
[4] Ranulph Glanville. Putting the black box in place: Its status. Cybernetics and Human Knowing, 16(1-2):153–167, 2009.
[5] Jack PC Kleijnen. Verification and validation of simulation models. European Journal of Operational Research, 82(1):145–162, 1995.
[6] W. Burghout, H.N. Koutsopoulos, and I. Andreasson. A discrete-event mesoscopic traffic simulation model for hybrid traffic simulation. In Intelligent Transportation Systems Conference, 2006. ITSC ’06. IEEE, pages 1102–1107, Sept 2006.
[7] A. Eidehall and L. Petersson. Statistical threat assessment for general road scenes using monte carlo sampling. Intelligent Transportation Systems, IEEE Transactions on, 9(1):137–147, March 2008.
[8] D. Hoehener, P.A. Green, and D. Del Vecchio. Stochastic hybrid models for predic-ting the behavior of drivers facing the yellow-light-dilemma. In American Control Conference (ACC), 2015, pages 3348–3354, July 2015.
[9] Jingyu Li and Qiqiang Li. Modeling of urban traffic system based on dynamic sto-chastic fluid petri net. In Power Electronics and Intelligent Transportation System, 2008. PEITS ’08. Workshop on, pages 485–491, Aug 2008.
[10] Thomas J Schriber and Daniel T Brunner. Inside discrete-event simulation software:
How it works and why it matters. In Proceedings of the 30th conference on Winter simulation, pages 77–86. IEEE Computer Society Press, 1998.
[11] A.C. Soh, M.H. Marhaban, M. Khalid, and R. Yusof. A discrete-event traffic simula-tion model for multilane-multiple intersecsimula-tion. In Control Conference (ASCC), 2013 9th Asian, pages 1–7, June 2013.
[12] M.T. Sanchez-Rico, R. Garcia-Rodenas, and J.L. Espinosa-Aranda. A monte car-lo approach to simulate the stochastic demand in a continuous dynamic traffic ne-twork loading problem. Intelligent Transportation Systems, IEEE Transactions on, 15(3):1362–1373, June 2014.
LITERATURA
[13] Rune Andreas Harsløf Holst. Macro-, Meso-and Micro simulation-A comparision of three DTA softwares. PhD thesis, Technical University of Denmark, DTU, DK-2800 Kgs. Lyngby, Denmark, 2007.
[14] R Kuehne. Practical traffic control based on continuum modeling. In Proceedings of the Third International Congress on Industrial and Applied Mathematics-ICIAM, volume 95, 1995.
[15] T POTUŽÁK. Distributed traffic simulation, state of the art and future research.
Technical report no. dcse/tr-2008-02, University of West Bohemia, Plzeň, 2008.
[16] I. Necoara, B. De Schutter, and H. Hellendoorn. On structural properties of helbing’s gas-kinetic traffic flow model. In American Control Conference, 2004. Proceedings of the 2004, volume 6, pages 5508–5513 vol.6, June 2004.
[17] Qiuming Gong, Yaoyu Li, and Zhong-Ren Peng. Trip based optimal power mana-gement of plug-in hybrid electric vehicles using gas-kinetic traffic flow model. In American Control Conference, 2008, pages 3225–3230, June 2008.
[18] Changxu Wu and Yili Liu. Queuing network modeling of driver workload and per-formance. Intelligent Transportation Systems, IEEE Transactions on, 8(3):528–537, Sept 2007.
[19] Lu-Zheng Bi and Yi-Li Liu. Modeling driver car-following based on the queuing ne-twork cognitive architecture. In Machine Learning and Cybernetics, 2009 International Conference on, volume 2, pages 895–900, July 2009.
[20] Mingtao Wang, Luzheng Bi, and Yun Lu. Queuing network modeling of brain-controlled vehicles. In Information and Automation, 2015 IEEE International Confe-rence on, pages 826–830, Aug 2015.
[21] Edward Lieberman. Integrating gis, simulation and animation. In Simulation Confe-rence, 1991. Proceedings., Winter, pages 771–775. IEEE, 1991.
[22] Kai Nagel and Michael Schreckenberg. A cellular automaton model for freeway traffic.
Journal de physique I, 2(12):2221–2229, 1992.
[23] E. Kita, W. Nanya, Y. Wakita, and T. Tamaki. Road network determination by cellular automata traffic flow simulation. In Computing and Networking (CANDAR), 2013 First International Symposium on, pages 500–504, Dec 2013.
[24] Bin Shang and Shun Fang. Cellular automata simulation of traffic spillback and queue-jumping behaviors at off-ramp on urban expressways in shanghai. In Systems
LITERATURA
and Informatics (ICSAI), 2014 2nd International Conference on, pages 394–399, Nov 2014.
[25] Ke Ma, Baoyue Yan, and Xinggang Luo. A cellular automata simulation for traffic flow on multi-lane freeways under various control rules. In Intelligent Control and Automation (WCICA), 2014 11th World Congress on, pages 455–460, June 2014.
[26] Transims. https://code.google.com/p/transims/, 2015 (accessed December 10, 2015).
[27] Mark Brackstone and Mike McDonald. Car-following: a historical review. Transpor-tation Research Part F: Traffic Psychology and Behaviour, 2(4):181–196, 1999.
[28] Masako Bando, Katsuya Hasebe, Ken Nakanishi, and Akihiro Nakayama. Analysis of optimal velocity model with explicit delay. Physical Review E, 58(5):5429, 1998.
[29] Martin Liebner, Michael Baumann, Felix Klanner, and Christoph Stiller. Driver in-tent inference at urban intersections using the intelligent driver model. In Intelligent Vehicles Symposium (IV), 2012 IEEE, pages 1162–1167. IEEE, 2012.
[30] Ioanna Spyropoulou. Simulation using gipps’car-following model—an in-depth analy-sis. Transportmetrica, 3(3):231–245, 2007.
[31] A. Riener, M. Fullerton, C. Maag, C. Mark, C. Beltran Ruiz, J.J. Minguez Rubio, and K. Zia. Modular simulation-based physical and emotional assessment of ambient intelligence in traffic. Human-Machine Systems, IEEE Transactions on, 44(2):286–
292, April 2014.
[32] Aimsun. https://www.aimsun.com/wp/, 2015 (accessed December 10, 2015).
[33] Mitsimlab. https://its.mit.edu/software/mitsimlab, 2015 (accessed December 10, 2015).
[34] Paramics. http://www.paramics-online.com/, 2015 (accessed December 10, 2015).
[35] Vissim. http://www.vissim.com, 2015 (accessed December 10, 2015).
[36] Wojciech Turek, Robert Marcjan, and Krzysztof Cetnarowicz. A universal tool for multirobot system simulation. In Carlos Cotta, Simeon Reich, Robert Schaefer, and Antoni Ligęza, editors, Knowledge-Driven Computing, volume 102 of Studies in Com-putational Intelligence, pages 289–303. Springer Berlin Heidelberg, 2008.
LITERATURA
[37] Hussein Dia and Sadka Panwai. Nanoscopic traffic simulation: enhanced models of driver behaviour for its and telematics simulations. In INTERNATIONAL SYMPO-SIUM ON TRANSPORT SIMULATION, 8TH, 2008, SURFERS PARADISE, QU-EENSLAND, AUSTRALIA, 2008.
[38] L.S. Passos, R.J.F. Rossetti, and Z. Kokkinogenis. Towards the next-generation traffic simulation tools: a first appraisal. In Information Systems and Technologies (CISTI), 2011 6th Iberian Conference on, pages 1–6, June 2011.
[39] T. Azevedo, R.J.F. Rossetti, and J.G. Barbosa. A state-of-the-art integrated transpor-tation simulation platform. In Models and Technologies for Intelligent Transportranspor-tation Systems (MT-ITS), 2015 International Conference on, pages 340–347, June 2015.
[40] G. Kotushevski and K. A. Hawick. A review of traffic simulation software. Technical Report CSTN-095, Computer Science, Massey University, Albany, North Shore 102-904, Auckland, New Zealand, 2009.
[41] L.A. Schaefer, G.T. Mackulak, J.K. Cochran, and J.L. Cherilla. Application of a gene-ral particle system model to movement of pedestrians and vehicles. Winter Simulation Conference, 2:1155–1160, 1998.
[42] Corsim. http://mctrans.ce.ufl.edu/featured/TSIS/, 2015 (accessed December 10, 2015).
[43] Sumo. http://www.dlr.de/, 2015 (accessed December 10, 2015).
[44] T. Hayakawa, Y. Imi, and T. Ito. Towards a sustainable volunteered community: An analysis of the openstreetmap community in japan and its activity after the 2011 toho-ku earthquake. In Management of Engineering Technology (PICMET), 2014 Portland International Conference on, pages 2030–2038, July 2014.
[45] M. Hentschel and B. Wagner. Autonomous robot navigation based on openstreetmap geodata. In Intelligent Transportation Systems (ITSC), 2010 13th International IEEE Conference on, pages 1645–1650, Sept 2010.
[46] P Fuks. Object-oriented road infractructure for agent-based traffic simulation. In Symposium GIS Ostrava 2008, pages 953–958, 2008.
[47] Inteligentne systemy transportowe. https://www.itspolska.pl/, 2015 (accessed De-cember 10, 2015).
[48] Daimin Tang, Xiang Li, and Yijuan Jiang. Microscopic traffic simulation oriented road network data model. In Future Computer and Communication (ICFCC), 2010 2nd International Conference on, volume 2, pages V2–87–V2–91, May 2010.
LITERATURA
[49] James J Gibson and Laurence E Crooks. A theoretical field-analysis of automobile-driving. The American journal of psychology, pages 453–471, 1938.
[50] Walter W Wierwille and Gilbert A Gagne. Nonlinear and time-varying dynamical models of human operators in manual control systems. Human Factors: The Journal of the Human Factors and Ergonomics Society, 8(2):97–120, 1966.
[51] Martin Wohl and Brian V Martin. Traffic system analysis for engineers and planners.
1967.
[52] A James McKnight and Bert B Adams. Driver education task analysis. volume ii:
Task analysis methods. final report. 1970.
[53] Carlo Cacciabue, Magnus Hjälmdahl, Andreas Luedtke, and Costanza Riccioli. Hu-man Modelling in Assisted Transportation: Models, Tools and Risk Methods. Springer Science & Business Media, 2011.
[54] John D Lee. Fifty years of driving safety research. Human Factors: The Journal of the Human Factors and Ergonomics Society, 50(3):521–528, 2008.
[55] John A Michon. A critical view of driver behavior models: what do we know, what should we do? In Human behavior and traffic safety, pages 485–524. Springer, 1985.
[56] Dario D Salvucci. Modeling driver behavior in a cognitive architecture. Human Factors: The Journal of the Human Factors and Ergonomics Society, 48(2):362–380, 2006.
[57] Ilit Oppenheim, D Shinar, Oliver Carsten, Yvonne Barnard, Frank Lai, F Vanderha-egen, P Polet, S Enjalbert, M Pichon, H Hasewinkel, et al. Critical review of models and parameters for driver models in different surface transport systems and in different safety critical situations. ITERATE deliverable, 1, 2010.
[58] Wolfgang Fastenmeier and Herbert Gstalter. Driving task analysis as a tool in traffic safety research and practice. Safety Science, 45(9):952–979, 2007.
[59] Kevin Keith, Michael Trentacoste, Leanna Depue, Thomas Granda, Ernest Huckaby, Bruce Ibarguen, Barry Kantowitz, Wesley Lum, and Terecia Wilson. Roadway human factors and behavioral safety in europe. Technical report, 2005.
[60] Oliver Carsten. From driver models to modelling the driver: what do we really need to know about the driver? In Modelling driver behaviour in automotive environments, pages 105–120. Springer, 2007.
LITERATURA
[61] Eva Ericsson. Urban driving patterns-characterisation, variability and environmental implications. PhD thesis, Lund University, 2000.
[62] Joeri Van Mierlo, Gaston Maggetto, E Van de Burgwal, and R Gense. Driving style and traffic measures-influence on vehicle emissions and fuel consumption. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engine-ering, 218(1):43–50, 2004.
[63] M Niezgoda and M Ucińska. Psychologiczne modele zachowania kierowców. Transport Samochodowy, 2012.
[64] J.M. Leitao, A.A. Sousa, and F.N. Ferreira. Graphical control of autonomous, virtual vehicles. In Vehicular Technology Conference Proceedings, 2000. VTC 2000-Spring Tokyo. 2000 IEEE 51st, volume 1, pages 507–511 vol.1, 2000.
[65] Fa Zhang, Jinling Li, and Qiaoxia Zhao. Single-lane traffic simulation with multi-agent system. In Intelligent Transportation Systems, 2005. Proceedings. 2005 IEEE, pages 56–60, Sept 2005.
[66] J. Rasmussen. The Definition of Human Error and a Taxonomy for Technical System Design, pages 23–30. Wiley, 1987.
[67] Rina Mardiati, Nanang Ismail, and Adam Faroqi. Review of microscopic model for traffic flow. 2006.
[68] Arne Kesting. Microscopic modeling of human and automated driving: Towards traffic-adaptive cruise control. 2007.
[69] L. Schnieder and S. Detering. Systems-theoretic foundation for advanced driver assi-stance systems. In Systems Conference, 2010 4th Annual IEEE, pages 365–370, April 2010.
[70] Li Yang and Chih-peng Chu. Stochastic model for traffic flow prediction and its validation. In Transportation Research Board 90th Annual Meeting, number 11-0086, 2011.
[71] I. Leontiadis, G. Marfia, D. Mack, G. Pau, C. Mascolo, and M. Gerla. On the effective-ness of an opportunistic traffic management system for vehicular networks. Intelligent Transportation Systems, IEEE Transactions on, 12(4):1537–1548, Dec 2011.
[72] S. Das, M. Saha, and B.K. Sikdar. A cellular automata based model for traffic in con-gested city. In Systems, Man and Cybernetics, 2009. SMC 2009. IEEE International Conference on, pages 2397–2402, Oct 2009.
LITERATURA
[73] Guangquan Lu, Bo Cheng, Yunpeng Wang, and Qingfeng Lin. A car-following model based on quantified homeostatic risk perception. Mathematical Problems in Engine-ering, 2013, 2013.
[74] Hamid AE Al-Jameel. Evaluation of car-following models using field data. 2010.
[75] Hossein Mobasheri Ali Abdi and Mir Pouya Naseri Alavi. The evaluation of lane-changing behavior in urban traffic stream with fuzzy clustering method. Research Journal of Applied Sciences, Engineering and Technology, pages 4701–4710, 2012.
[76] M. Rahman, M. Chowdhury, Yuanchang Xie, and Yiming He. Review of microscopic lane-changing models and future research opportunities. Intelligent Transportation Systems, IEEE Transactions on, 14(4):1942–1956, Dec 2013.
[77] Xiaoliang Ma and I. Andreasson. Behavior measurement, analysis, and regime classi-fication in car following. Intelligent Transportation Systems, IEEE Transactions on, 8(1):144–156, March 2007.
[78] Bongsob Song, Delphine Delorme, and Joel VanderWerf. Cognitive and hybrid model of human driver. In Intelligent Vehicles Symposium, 2000. IV 2000. Proceedings of the IEEE, pages 1–6. IEEE, 2000.
[79] Anna Booth and UK Wokingham. Using neural networks to improve behavioural realism in driving simulation scenarios. In Young Researchers Seminar, pages 27–30, 2007.
[80] M.A. Tavallaei, S. Khanmohammadi, and I. Hasanzadeh. A fuzzy behavior based microscopic traffic model. In Mechatronics and Its Applications, 2008. ISMA 2008.
5th International Symposium on, pages 1–6, May 2008.
[81] S. Boubaker, F. Rehimi, and A. Kalboussi. Comparative analysis of microscopic models of road traffic data. In Logistics (LOGISTIQUA), 2011 4th International Conference on, pages 474–478, May 2011.
[82] Hongfei Jia, Yunlong Tan, and Lili Yang. Modeling vehicle merging behavior in urban expressway merging sections based on logistic model. In Transportation, Mechanical, and Electrical Engineering (TMEE), 2011 International Conference on, pages 656–
659, Dec 2011.
[83] W. Schakel, B. van Arem, H. Van Lint, and G. Tamminga. A modular approach for exchangeable driving task models in a microscopic simulation framework. In Intelligent Transportation Systems - (ITSC), 2013 16th International IEEE Conference on, pages 565–571, Oct 2013.
LITERATURA
[84] P. Blaszczyk, W. Turek, and K. Cetnarowicz. Formal model for micro-scale traffic simulation and control. In Methods and Models in Automation and Robotics (MMAR), 2013 18th International Conference on, pages 305–310, Aug 2013.
[85] Jheng-Syu Jhou, Shi-Huang Chen, Wu-Der Tsay, and Mei-Chiao Lai. The implementa-tion of obd-ii vehicle diagnosis system integrated with cloud computaimplementa-tion technology.
In Robot, Vision and Signal Processing (RVSP), 2013 Second International Conference on, pages 9–12, Dec 2013.
[86] Da-Woon Jeong and Jong-Wook Jang. Mobile-based vehicle supplies check manage-ment system. In Ubiquitous and Future Networks (ICUFN), 2012 Fourth International Conference on, pages 140–144, July 2012.
[87] Torque, obd2 performance and diagnostic tool. http://torque-bhp.com/wiki/Main_
Page, 2014 (accessed June 20, 2014).
[88] Open cv. http://opencv.org/, 2015 (accessed December 10, 2015).
[89] P. Blaszczyk, W. Turek, and K. Cetnarowicz. Extensible platform for studying the behavior of drivers in urban traffic. In Intelligent Transportation Systems (ITSC), 2014 IEEE 17th International Conference on, pages 1359–1362, Oct 2014.
[90] S. Ghose and J.J. Barua. A systematic approach with data mining for analyzing phy-sical activity for an activity recognition system. In Advances in Electrical Engineering (ICAEE), 2013 International Conference on, pages 415–420, Dec 2013.
[91] Christopher KI Williams and Carl Edward Rasmussen. Gaussian processes for ma-chine learning. the MIT Press, 2(3):4, 2006.
[92] John R Quinlan et al. Learning with continuous classes. In 5th Australian joint conference on artificial intelligence, volume 92, pages 343–348. Singapore, 1992.
[93] Geoffrey Holmes, Mark Hall, and Eibe Prank. Generating rule sets from model trees.
Springer, 1999.
[94] Ron Kohavi. The power of decision tables. In Machine Learning: ECML-95, pages 174–189. Springer, 1995.
[95] P Błaszczyk, W Turek, and K Cetnarowicz. Inter-vehicle distance in driver behaviour modelling. In Second International Conference on Advances In Civil, Structural and Environmental Engineering-ACSEE 2014, pages 287–291, 2014.
[96] B. Piotr, W. Turek, A. Byrski, and K. Cetnarowicz. Towards credible driver behavior modeling. In Intelligent Transportation Systems (ITSC), 2015 IEEE 18th Internatio-nal Conference on, pages 1557–1562, Sept 2015.
Wyniki symulacji