CN112396120A - 一种基于svm算法的车辆换道意图识别建模方法 - Google Patents
一种基于svm算法的车辆换道意图识别建模方法 Download PDFInfo
- Publication number
- CN112396120A CN112396120A CN202011341487.1A CN202011341487A CN112396120A CN 112396120 A CN112396120 A CN 112396120A CN 202011341487 A CN202011341487 A CN 202011341487A CN 112396120 A CN112396120 A CN 112396120A
- Authority
- CN
- China
- Prior art keywords
- data set
- lane
- data
- vehicle
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车辆安全技术领域，具体公开了一种基于SVM算法的车辆换道意图识别建模方法，包括：进行模拟驾驶试验并全程录像，采集的试验数据包括车速、方向盘转角和方向盘角速度；根据试验录像截取试验数据，得到道线保持数据集、左转换道数据集和右转换道数据集，并标记对应的工况类型标签；将各个数据集中的数据按比例随机划分，并组成训练数据集和测试数据集；使用训练数据集训练基于SVM算法的车辆换道意图识别模型，训练时，以车速、方向盘转角和方向盘角速度为模型的输入变量，以工况类型标签为因变量；使用测试数据集测试模型。本发明采用模拟驾驶器进行试验，成本低廉，数据采集便捷，且所得模型具有计算量小、运算速度快的优点。
Description
技术领域
本发明涉及车辆安全技术领域，特别涉及一种基于SVM算法的车辆换道意图识别建模方法。
背景技术
随着自动驾驶和辅助驾驶技术的不断发展，汽车正在逐渐进入智能化时代。然而，尽管辅助驾驶技术，如AEB，LKA技术已经日趋成熟，依然有大量事故与车辆违规换道有关。如何有效预测车辆的换道行为，从而减少相关事故，进而维护人们的生命和财产安全以及公共财产安全和社会和谐，是一个值得深刻探究的问题。
专利CN201910117515.2提出了基于驾驶员换道心理分析的车辆换道概率输出模型建立方法，将心理因素纳入判断车辆换道模型的考虑范围之中，但是认得心理是难以进行量化的，且具有很强的随机性，因此，该方法的有效性还值得商榷。
专利CN201911172416.0提出了一种自动驾驶换道模型、自动驾驶换道方法及其系统，引入速度承受度和空间允许度对自动驾驶交通工具换道行为进行约束进而构建匹配模型，该模型计算复杂，对于计算能力有限的ECU而言难以搭载，具有一定局限性。
因此，需要一种计算量小，开发成本低廉的车辆换道预测方法。
发明内容
为了解决现有技术的问题，本发明的主要目的在于提供一种基于SVM算法的车辆换道意图识别建模方法，以使用模拟驾驶器进行模拟驾驶试验所得到的车辆行驶相关数据，建立车辆换道意图识别模型。
为了达到上述目的，本发明提供一种基于SVM算法的车辆换道意图识别建模方法，包括以下步骤：
进行驾驶员在环模拟驾驶试验并全程录像，采集的试验数据包括车速、方向盘转角和方向盘角速度；
根据试验录像中车辆处于维持同一车道行驶、左转换道和右转换道的三种行驶工况的时间段，截取试验数据，得到车道线保持数据集、左转换道数据集和右转换道数据集，并在各个数据集中的数据标记对应的工况类型标签；
将各个数据集中的数据按比例随机划分，并组成训练数据集和测试数据集；
使用训练数据集训练基于SVM算法的车辆换道意图识别模型，训练时，以车速、方向盘转角和方向盘角速度为模型的输入变量，以数据所对应的工况类型标签为因变量；
使用测试数据集测试模型。
进一步地，模拟驾驶试验中，模拟驾驶系统采用真实城市道路的1:1虚拟地图，且设置有干扰交通。
进一步地，驾驶员在模拟驾驶试验中的试验时长不低于1小时；试验中数据采集频率为20Hz。
进一步地，截取试验数据时根据不同工况的时间段进行截取，具体方法为：
车道线保持数据集截取时间段以车辆维持在同一车道线行驶5s时刻为开始时刻，以碾压车道线进行换道前5s时刻为结束时刻；
左转换道数据集截取时间段以车辆前轮碾压左侧车道线开始换道时刻为开始时刻，车辆前轮碾压左侧车道线后方向盘首次回正时刻为结束时刻；
右转换道数据集截取时间段以车辆前轮碾压右侧车道线开始换道时刻为开始时刻，车辆前轮碾压右侧车道线后方向盘首次回正时刻为结束时刻。
进一步地，工况类型标签的标记方式为：车道线保持数据集中数据的工况类型标签均为0；左转换道数据集中数据的工况类型标签均为1；右转换道数据集中数据的工况类型标签均为2。
进一步地，划分数据集时，将各个数据集中的数据以9:1的比例随机划分。
进一步地，使用测试数据集进行车辆换道意图识别模型测试时，以方向盘转角、方向盘角速度、车速为输入变量，通过模型预测得到工况类型标签；若预测得到的工况类型标签与数据原来标记的工况类型标签相同，则表示模型在该数据预测成功，否则失败。
更进一步地，若测试数据集中的所有数据的工况类型标签预测准确度大于80％，则表示建模成功，否则重新进行模拟驾驶试验。
由于采用上述技术方案，本发明达到以下有益效果：本发明以模拟驾驶器试验获得的车辆行驶相关数据，对试验数据根据车辆行驶工况的时间段进行截取，得到沿同一车道行驶、左转换道和右转换道的数据集，并标记工况类型标签，然后建立基于SVM算法的车辆换道意图识别模型，此方法数据计算量较少，且具有实施简单，成本低廉的优势。所建立的基于SVM算法的车辆换道意图识别模型，根据实时的车速、方向盘转角和方向盘角速度，可进行车辆换道意图的准确预测。
附图说明
图1为根据本发明的基于SVM算法的车辆换道意图识别建模方法的步骤流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
请结合图1，本实施例提供一种基于SVM的车辆换道意图识别建模方法，包括如下步骤：
S1.试验并采集数据：
使用模拟驾驶器进行实时模拟驾驶试验，驾驶员可控制模拟车辆的油门踏板、方向盘、档位和制动踏板。试验中采用真实城市道路的1:1虚拟地图，且设置有干扰交通，如行人横穿马路，前车紧急制动等。模拟驾驶试验中采集的试验数据有车速、方向盘转角、方向盘角速度。驾驶员在模拟驾驶过程中被要求按照交通规则驾驶，且试验时长不得低于1小时。试验中采样频率为20Hz。模拟驾驶试验全程录像。
S2.处理试验数据：
模拟驾驶试验结束后，根据试验录像，按照车辆处于不同工况的时间段，将截取试验数据中相关数据得到车道线保持数据集、左转换道数据集和右转换道数据集。车道线保持数据集截取时间段以车辆维持在同一车道线行驶5s时刻为开始时刻，以碾压车道线进行换道前5s时刻为结束时刻；左转换道数据集截取时间段以车辆前轮碾压左侧车道线开始换道时刻为开始时刻，车辆前轮碾压左侧车道线后方向盘首次回正时刻为结束时刻；右转换道数据集截取时间段以车辆前轮碾压右侧车道线开始换道时刻为开始时刻，车辆前轮碾压右侧车道线后方向盘首次回正时刻为结束时刻。各个工况数据集中数据均需加入工况类型标签，本实施例中，车道线保持数据集中数据的工况类型标签均为0；左转换道数据集中数据的工况类型标签均为1；右转换道数据集中数据的工况类型标签均为2。
S3.划分数据集：
将各个数据集中的数据以9:1的比例随机划分并组成训练数据集和测试数据集。
S4.训练模型：
使用训练数据集训练基于SVM算法的车辆换道意图识别模型；训练时，以方向盘转角、方向盘角速度、车速为输入变量，以数据所对应的工况类型标签为因变量。
S5.测试模型：
使用测试数据集进行车辆换道意图识别模型测试时，以方向盘转角、方向盘角速度、车速为输入变量，通过模型预测得到工况类型标签。若预测得到的工况类型标签与数据原有工况类型标签相同，则表示模型在该数据预测成功，否则失败。若识别准确度大于80％则表示建模成功，否则重新进行模拟驾驶试验。
通过上述建模方法获得测试合格的车辆换道意图识别模型，根据车辆实时的车速、方向盘转角、方向盘角速度，即可准确预测车辆的换道意图。相对于现有技术，本发明采用模拟驾驶器进行试验，成本低廉，数据采集便捷，且使用SVM算法进行建模，所得模型计算量小、运算速度快，在一定程度上克服了现有技术的局限性。
以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围；同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施，因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于SVM算法的车辆换道意图识别建模方法，其特征在于，包括以下步骤：
进行驾驶员在环模拟驾驶试验并全程录像，采集的试验数据包括车速、方向盘转角和方向盘角速度；
根据试验录像中车辆处于维持同一车道行驶、左转换道和右转换道的三种行驶工况的时间段，截取试验数据，得到车道线保持数据集、左转换道数据集和右转换道数据集，并在各个数据集中的数据标记对应的工况类型标签；
将各个数据集中的数据按比例随机划分，并组成训练数据集和测试数据集；
使用训练数据集训练基于SVM算法的车辆换道意图识别模型，训练时，以车速、方向盘转角和方向盘角速度为模型的输入变量，以数据所对应的工况类型标签为因变量；
使用测试数据集测试模型。
2.根据权利要求1所述一种基于SVM算法的车辆换道意图识别建模方法，其特征在于，模拟驾驶试验中，模拟驾驶系统采用真实城市道路的1:1虚拟地图，且设置有干扰交通。
3.根据权利要求1所述一种基于SVM算法的车辆换道意图识别建模方法，其特征在于，驾驶员在模拟驾驶试验中的试验时长不低于1小时；试验中数据采集频率为20Hz。
4.根据权利要求1所述一种基于SVM算法的车辆换道意图识别建模方法，其特征在于，截取试验数据时根据不同工况的时间段进行截取，具体方法为：
车道线保持数据集截取时间段以车辆维持在同一车道线行驶5s时刻为开始时刻，以碾压车道线进行换道前5s时刻为结束时刻；
左转换道数据集截取时间段以车辆前轮碾压左侧车道线开始换道时刻为开始时刻，车辆前轮碾压左侧车道线后方向盘首次回正时刻为结束时刻；
右转换道数据集截取时间段以车辆前轮碾压右侧车道线开始换道时刻为开始时刻，车辆前轮碾压右侧车道线后方向盘首次回正时刻为结束时刻。
5.根据权利要求1所述一种基于SVM算法的车辆换道意图识别建模方法，其特征在于，工况类型标签的标记方式为：车道线保持数据集中数据的工况类型标签均为0；左转换道数据集中数据的工况类型标签均为1；右转换道数据集中数据的工况类型标签均为2。
6.根据权利要求1所述一种基于SVM算法的车辆换道意图识别建模方法，其特征在于，划分数据集时，将各个数据集中的数据以9:1的比例随机划分。
7.根据权利要求1所述一种基于SVM算法的车辆换道意图识别建模方法，其特征在于，使用测试数据集进行车辆换道意图识别模型测试时，以方向盘转角、方向盘角速度、车速为输入变量，通过模型预测得到工况类型标签；若预测得到的工况类型标签与数据原来标记的工况类型标签相同，则表示模型在该数据预测成功，否则失败。
8.根据权利要求7所述一种基于SVM算法的车辆换道意图识别建模方法，其特征在于，若测试数据集中的所有数据的工况类型标签预测准确度大于80％，则表示建模成功，否则重新进行模拟驾驶试验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011341487.1A CN112396120A (zh) | 2020-11-25 | 2020-11-25 | 一种基于svm算法的车辆换道意图识别建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011341487.1A CN112396120A (zh) | 2020-11-25 | 2020-11-25 | 一种基于svm算法的车辆换道意图识别建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112396120A true CN112396120A (zh) | 2021-02-23 |
Family
ID=74603915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011341487.1A Pending CN112396120A (zh) | 2020-11-25 | 2020-11-25 | 一种基于svm算法的车辆换道意图识别建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396120A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113386775A (zh) * | 2021-06-16 | 2021-09-14 | 杭州电子科技大学 | 一种考虑人-车-路特性的驾驶员意图识别方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104494600A (zh) * | 2014-12-16 | 2015-04-08 | 电子科技大学 | 一种基于svm算法的驾驶员意图识别方法 |
| CN106971194A (zh) * | 2017-02-16 | 2017-07-21 | 江苏大学 | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 |
| CN107792073A (zh) * | 2017-09-29 | 2018-03-13 | 东软集团股份有限公司 | 一种车辆换道控制方法、装置及相关设备 |
| CN108387242A (zh) * | 2018-02-07 | 2018-08-10 | 西南交通大学 | 自动驾驶换道准备和执行一体化轨迹规划方法 |
| CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
| CN109948801A (zh) * | 2019-02-15 | 2019-06-28 | 浙江工业大学 | 基于驾驶员换道心理分析的车辆换道概率输出模型建立方法 |
| CN110427850A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院自动化研究所 | 驾驶员高速道路换道意图预测方法、系统、装置 |
| CN110525433A (zh) * | 2019-07-10 | 2019-12-03 | 聊城大学 | 基于驾驶员意图识别的转向力矩引导分配曲线设计方法 |
| CN110569783A (zh) * | 2019-09-05 | 2019-12-13 | 吉林大学 | 一种驾驶人换道意图识别方法及系统 |
| CN110941271A (zh) * | 2019-11-26 | 2020-03-31 | 北方工业大学 | 一种自动驾驶换道模型、自动驾驶换道方法及其系统 |
| CN111209838A (zh) * | 2019-12-31 | 2020-05-29 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
| CN111824181A (zh) * | 2020-07-16 | 2020-10-27 | 北京经纬恒润科技有限公司 | 一种轨迹规划方法及装置 |
-
2020
- 2020-11-25 CN CN202011341487.1A patent/CN112396120A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104494600A (zh) * | 2014-12-16 | 2015-04-08 | 电子科技大学 | 一种基于svm算法的驾驶员意图识别方法 |
| CN106971194A (zh) * | 2017-02-16 | 2017-07-21 | 江苏大学 | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 |
| CN107792073A (zh) * | 2017-09-29 | 2018-03-13 | 东软集团股份有限公司 | 一种车辆换道控制方法、装置及相关设备 |
| CN108387242A (zh) * | 2018-02-07 | 2018-08-10 | 西南交通大学 | 自动驾驶换道准备和执行一体化轨迹规划方法 |
| CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
| CN109948801A (zh) * | 2019-02-15 | 2019-06-28 | 浙江工业大学 | 基于驾驶员换道心理分析的车辆换道概率输出模型建立方法 |
| CN110525433A (zh) * | 2019-07-10 | 2019-12-03 | 聊城大学 | 基于驾驶员意图识别的转向力矩引导分配曲线设计方法 |
| CN110427850A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院自动化研究所 | 驾驶员高速道路换道意图预测方法、系统、装置 |
| CN110569783A (zh) * | 2019-09-05 | 2019-12-13 | 吉林大学 | 一种驾驶人换道意图识别方法及系统 |
| CN110941271A (zh) * | 2019-11-26 | 2020-03-31 | 北方工业大学 | 一种自动驾驶换道模型、自动驾驶换道方法及其系统 |
| CN111209838A (zh) * | 2019-12-31 | 2020-05-29 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
| CN111824181A (zh) * | 2020-07-16 | 2020-10-27 | 北京经纬恒润科技有限公司 | 一种轨迹规划方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| SEN YANG等: "A Time Efficient Approach for Decision-Making Style Recognition in LaneChange Behavior", 《IEEE TRANSACTIONS ON HUMAN-MACHINE SYSTEMS》 * |
| 侯海晶: "高速公路驾驶人换道意图识别方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
| 李国法等: "智能汽车决策中的驾驶行为语义解析关键技术", 《汽车安全与节能学报》 * |
| 杨建坤等: "基于支持向量机的车辆换道行为识别仿真研究", 《贵州大学学报(自然科学版)》 * |
| 王志洪等: "基于禁忌搜索算法的换道轨迹优化", 《科学技术与工程》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113386775A (zh) * | 2021-06-16 | 2021-09-14 | 杭州电子科技大学 | 一种考虑人-车-路特性的驾驶员意图识别方法 |
| CN113386775B (zh) * | 2021-06-16 | 2022-06-17 | 杭州电子科技大学 | 一种考虑人-车-路特性的驾驶员意图识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021212728A1 (zh) | 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统 | |
| CN113010967B (zh) | 一种基于混合交通流模型的智能汽车在环仿真测试方法 | |
| CN111680377B (zh) | 一种交通态势仿真方法、系统和电子设备 | |
| CN107421752A (zh) | 一种智能汽车测试场景加速重构方法 | |
| CN109552338A (zh) | 一种纯电动汽车生态驾驶行为评估方法及系统 | |
| CN112508054B (zh) | 一种驾驶模型训练方法、装置、设备和介质 | |
| CN104408921A (zh) | 基于交通仿真的交通流预测方法 | |
| CN109409008B (zh) | 一种城市轨道交通工具线路典型速度-时间行驶工况构建方法 | |
| CN105427620A (zh) | 一种基于出租车运行数据的非法营运车辆识别方法 | |
| Yu et al. | Assessing the impact of multi-dimensional driving behaviors on link-level emissions based on a Portable Emission Measurement System (PEMS) | |
| CN112163285B (zh) | 一种用于模拟驾驶系统的路面类型预测模型的建模方法 | |
| CN115257789A (zh) | 城市低速环境下的营运车辆侧向防撞驾驶决策方法 | |
| CN112560782A (zh) | 一种基于随机森林算法的车辆换道行为识别方法 | |
| CN113963564A (zh) | 连续信号灯道路车辆最优通行速度规划方法、系统及介质 | |
| CN112396120A (zh) | 一种基于svm算法的车辆换道意图识别建模方法 | |
| CN116340718A (zh) | 一种基于轨迹数据的汽车碳排放估计模型构建方法及系统 | |
| CN114301792B (zh) | 一种交通流模拟方法及交通流传感器 | |
| CN116476850A (zh) | 车辆的横纵向控制信号预测方法、装置、车辆及存储介质 | |
| CN109284540B (zh) | 一种基于工况识别的变衰减因子指数预测模型方法 | |
| Liu | Improved LKM-yolov10 vehicle licence plate recognition detection system based on yolov10 | |
| Nengchao et al. | Analysis traffic safety for highway off-rampbased on visual reaction time on traffic signs | |
| CN116902008A (zh) | 跟驰状态下驾驶辅助功能辅助边界模型构建方法及系统 | |
| CN115195757A (zh) | 电动公交起步驾驶行为建模及识别训练方法 | |
| CN117237689A (zh) | 一种基于机器学习的车辆换道意图识别方法和系统 | |
| CN112686127A (zh) | 基于gm-hmm的驾驶员超车意图识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210223 |
|
| RJ01 | Rejection of invention patent application after publication |