論文の概要: RiskOracle: A Minute-level Citywide Traffic Accident Forecasting
Framework
- arxiv url: http://arxiv.org/abs/2003.00819v1
- Date: Wed, 19 Feb 2020 07:18:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 14:20:33.714857
- Title: RiskOracle: A Minute-level Citywide Traffic Accident Forecasting
Framework
- Title(参考訳): RiskOracle: 都市全体の交通事故予測フレームワーク
- Authors: Zhengyang Zhou, Yang Wang, Xike Xie, Lianliang Chen, Hengchang Liu
- Abstract要約: 交通事故のリアルタイム予測は、公共の安全と都市管理にとってますます重要になっている。
事故予測に関するこれまでの研究はしばしば時間レベルで行われ、既存のニューラルネットワークと静的な地域関係を考慮に入れている。
本稿では,予測の粒度を細部まで改善する新しいフレームワークであるR RiskOracleを提案する。
- 参考スコア(独自算出の注目度): 12.279252772816216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time traffic accident forecasting is increasingly important for public
safety and urban management (e.g., real-time safe route planning and emergency
response deployment). Previous works on accident forecasting are often
performed on hour levels, utilizing existed neural networks with static
region-wise correlations taken into account. However, it is still challenging
when the granularity of forecasting step improves as the highly dynamic nature
of road network and inherent rareness of accident records in one training
sample, which leads to biased results and zero-inflated issue. In this work, we
propose a novel framework RiskOracle, to improve the prediction granularity to
minute levels. Specifically, we first transform the zero-risk values in labels
to fit the training network. Then, we propose the Differential Time-varying
Graph neural network (DTGN) to capture the immediate changes of traffic status
and dynamic inter-subregion correlations. Furthermore, we adopt multi-task and
region selection schemes to highlight citywide most-likely accident subregions,
bridging the gap between biased risk values and sporadic accident distribution.
Extensive experiments on two real-world datasets demonstrate the effectiveness
and scalability of our RiskOracle framework.
- Abstract(参考訳): リアルタイム交通事故予測は、公共の安全と都市管理(例えば、リアルタイム安全なルート計画と緊急対応展開)にとってますます重要になっている。
事故予知に関するこれまでの研究はしばしば時間レベルで行われ、静的な地域関係を考慮したニューラルネットワークを活用している。
しかし, 予測ステップの粒度が, 道路網の高度にダイナミックな性質と, 事故記録の固有な希少性として向上し, 偏りのある結果や, 膨らませる問題に繋がる場合には, 依然として困難である。
本研究では,予測粒度を微小レベルまで改善する新しいフレームワークであるR RiskOracleを提案する。
具体的には、まずラベルのゼロリスク値をトレーニングネットワークに適合させる。
次に,トラヒック状態と動的サブリージョン間相関の即時変化を捉えるための差分時間変動グラフニューラルネットワーク(dtgn)を提案する。
さらに,都市全体の最も類似した事故地域を強調するマルチタスクと地域選択方式を採用し,偏りのあるリスク値と散発的な事故分布のギャップを橋渡しした。
2つの実世界のデータセットに関する広範囲な実験は、私たちの riskoracleフレームワークの有効性と拡張性を示しています。
関連論文リスト
- An Adaptive Framework for Generalizing Network Traffic Prediction
towards Uncertain Environments [51.99765487172328]
我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。
我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
論文 参考訳(メタデータ) (2023-11-30T18:58:38Z) - SpatialRank: Urban Event Ranking with NDCG Optimization on
Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。
本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文 参考訳(メタデータ) (2023-09-30T06:20:21Z) - Spatiotemporal Graph Neural Networks with Uncertainty Quantification for
Traffic Incident Risk Prediction [6.379657182590548]
時空間ゼロ膨張ツイーディグラフニューラルネットワーク(STZITD-GNN)について紹介する。
我々のモデルは従来の統計モデルの信頼性とグラフニューラルネットワークの柔軟性を融合し、道路レベルの交通事故リスクに関連する不確実性を定量化することを目的としている。
ロンドンの現実の交通データを用いた実証テストでは、我々のモデルが現在のベンチマークを超えていることが示されています。
論文 参考訳(メタデータ) (2023-09-10T16:35:47Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳(メタデータ) (2023-08-02T23:39:24Z) - TAP: A Comprehensive Data Repository for Traffic Accident Prediction in
Road Networks [36.975060335456035]
既存の機械学習アプローチは、独立して交通事故を予測することに重点を置いている。
グラフ構造情報を組み込むには、グラフニューラルネットワーク(GNN)を自然に適用することができる。
GNNを事故予測問題に適用することは、適切なグラフ構造化交通事故データセットがないため、課題に直面します。
論文 参考訳(メタデータ) (2023-04-17T22:18:58Z) - HintNet: Hierarchical Knowledge Transfer Networks for Traffic Accident
Forecasting on Heterogeneous Spatio-Temporal Data [17.345649325770957]
交通事故予測は交通管理と公共安全にとって重要な問題である。
交通事故の発生は、空間的・時間的特徴間の複雑な依存関係に影響される。
近年の交通事故予測手法では, 深層学習モデルによる精度向上が試みられている。
論文 参考訳(メタデータ) (2022-03-07T02:11:04Z) - Learning Incident Prediction Models Over Large Geographical Areas for
Emergency Response Systems [0.7340017786387767]
本稿では,道路の地形,気象,歴史的事故,リアルタイム交通渋滞に関するデータを用いて,事故予測を支援するパイプラインについて述べる。
実験結果から,本手法は現状の手法と比較して,現場での応答時間を著しく短縮できることがわかった。
論文 参考訳(メタデータ) (2021-06-15T17:33:36Z) - Spatial-Temporal Conv-sequence Learning with Accident Encoding for
Traffic Flow Prediction [17.94199362114272]
インテリジェント交通システムにおいて、交通予測の重要な問題は、周期的時間的依存関係と複雑な空間的相関を抽出する方法である。
本研究では、集中時間ブロックが一方向の畳み込みを用いて、短時間の時間的依存を効果的に捉えた時空間連続学習(STCL)を提案する。
本研究では,大規模実世界のタスクについて広範な実験を行い,提案手法の有効性を検証した。
論文 参考訳(メタデータ) (2021-05-21T17:43:07Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳(メタデータ) (2021-02-12T18:17:12Z) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳(メタデータ) (2020-07-23T14:31:25Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-23T03:50:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。