論文の概要: Can we Estimate Truck Accident Risk from Telemetric Data using Machine Learning?

• arxiv url: http://arxiv.org/abs/2007.09167v1
• Date: Fri, 17 Jul 2020 18:12:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 13:11:12.952476
• Title: Can we Estimate Truck Accident Risk from Telemetric Data using Machine Learning?
• Title（参考訳）: 機械学習を用いたテレメトリックデータからトラック事故リスクを推定できるか?
• Authors: Antoine H\'ebert, Ian Marineau, Gilles Gervais, Tristan Glatard, Brigitte Jaumard
• Abstract要約: 道路事故は社会的コストが高く、機械学習を用いたリスク予測の改善によって削減される可能性がある。 本研究では,長距離トラックで収集した遠隔計測データを用いて,運転者の事故発生リスクを予測できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 2.309914459672556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road accidents have a high societal cost that could be reduced through improved risk predictions using machine learning. This study investigates whether telemetric data collected on long-distance trucks can be used to predict the risk of accidents associated with a driver. We use a dataset provided by a truck transportation company containing the driving data of 1,141 drivers for 18 months. We evaluate two different machine learning approaches to perform this task. In the first approach, features are extracted from the time series data using the FRESH algorithm and then used to estimate the risk using Random Forests. In the second approach, we use a convolutional neural network to directly estimate the risk from the time-series data. We find that neither approach is able to successfully estimate the risk of accidents on this dataset, in spite of many methodological attempts. We discuss the difficulties of using telemetric data for the estimation of the risk of accidents that could explain this negative result.
• Abstract（参考訳）: 交通事故は社会的なコストが高く、機械学習によるリスク予測の改善によってコストを削減できる。 本研究では,長距離トラックで収集した遠隔計測データを用いて,運転者の事故リスクを予測できるかどうかを検討する。 1,141人のドライバーの運転データを含むトラック輸送会社が提供するデータセットを18ヶ月間使用します。 このタスクを実行するための2つの異なる機械学習アプローチを評価する。 第1のアプローチでは,フレッシュアルゴリズムを用いて時系列データから特徴を抽出し,ランダムフォレストを用いてリスクを推定する。 第2のアプローチでは,畳み込みニューラルネットワークを用いて,時系列データからリスクを直接推定する。 どちらの手法も、多くの方法論的試みにもかかわらず、このデータセット上で事故のリスクを見積もることはできない。 本稿では,この負の結果を説明できる事故リスクの推定に遠隔計測データを用いることの難しさについて論じる。

関連論文リスト

• Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
  本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。 さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。 その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-08-15T00:51:48Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• Context-Aware Quantitative Risk Assessment Machine Learning Model for Drivers Distraction [0.0]
  MDDRA(Multi-class Driver Distraction Risk Assessment)モデルは、旅行中の車両、運転者、環境データを考慮したモデルである。 MDDRAは、危険行列上のドライバーを安全、不注意、危険と分類する。 我々は、重度レベルに応じて運転者の気晴らしを分類し、予測するために機械学習技術を適用した。
  論文  参考訳（メタデータ） (2024-02-20T23:20:36Z)
• Exploring the Potential of Multi-Modal AI for Driving Hazard Prediction [18.285227911703977]
  本稿では,車載ダッシュカムが捉えた単一入力画像を用いて,差し迫った事故を予測するためのタスクとして定式化する。 この問題は、不確実な観測に基づいて将来の出来事を予測し、推論する必要がある。 この調査対象領域の研究を可能にするために、DHPRデータセットと呼ばれる新しいデータセットが作成される。
  論文  参考訳（メタデータ） (2023-10-07T03:16:30Z)
• Predicting Real-time Crash Risks during Hurricane Evacuation Using Connected Vehicle Data [1.3706331473063877]
  そこで本研究では,新しい代替データソースであるコネクテッドカーデータからハリケーン避難時の事故リスクを推定する手法を提案する。 複数の機械学習モデルは、接続された車両データから抽出された気象特性と異なる交通特性を考慮して訓練された。
  論文  参考訳（メタデータ） (2023-06-14T18:04:07Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Mathematical Models of Human Drivers Using Artificial Risk Fields [8.074019565026544]
  我々は、人間の運転者が今後の道路状況に応じてどのように車両を制御するかを予測するために、人工リスクフィールドの概念を用いる。 リスクフィールドは、最大20秒の予測地平線において、高い予測精度で将来の軌道を予測するのに優れている。
  論文  参考訳（メタデータ） (2022-05-24T15:39:01Z)
• Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
  本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。 データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
  論文  参考訳（メタデータ） (2022-05-20T21:15:26Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• 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)

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。