論文の概要: Road Accident Proneness Indicator Based On Time, Weather And Location
Specificity Using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2010.12953v1
- Date: Sat, 24 Oct 2020 18:45:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 13:30:18.327310
- Title: Road Accident Proneness Indicator Based On Time, Weather And Location
Specificity Using Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークを用いた時間・天気・位置比に基づく道路事故頻度指標
- Authors: Srikanth Chandar, Anish Reddy, Muvazima Mansoor, Suresh Jamadagni
- Abstract要約: 道路沿いの時間、天気、位置の特異性に基づいて合計14の特徴がまとめられた。
事故警報の場所を用いて、特定の道路が事故を起こしやすいかを定量化する安全指標が開発された。
グラフニューラルネットワークアーキテクチャを用いて,そのTWL特異性に基づいて道路の安全指数を予測する新しい手法を実装した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present a novel approach to identify the Spatio-temporal
and environmental features that influence the safety of a road and predict its
accident proneness based on these features. A total of 14 features were
compiled based on Time, Weather, and Location (TWL) specificity along a road.
To determine the influence each of the 14 features carries, a sensitivity study
was performed using Principal Component Analysis. Using the locations of
accident warnings, a Safety Index was developed to quantify how accident-prone
a particular road is. We implement a novel approach to predict the Safety Index
of a road-based on its TWL specificity by using a Graph Neural Network (GNN)
architecture. The proposed architecture is uniquely suited for this application
due to its ability to capture the complexities of the inherent nonlinear
interlinking in a vast feature space. We employed a GNN to emulate the TWL
feature vectors as individual nodes which were interlinked vis-\`a-vis edges of
a graph. This model was verified to perform better than Logistic Regression,
simple Feed-Forward Neural Networks, and even Long Short Term Memory (LSTM)
Neural Networks. We validated our approach on a data set containing the alert
locations along the routes of inter-state buses. The results achieved through
this GNN architecture, using a TWL input feature space proved to be more
feasible than the other predictive models, having reached a peak accuracy of
65%.
- Abstract（参考訳）: 本稿では,道路の安全に影響を及ぼす時空間的・環境的特徴を特定し,これらの特徴に基づいて事故発生率を予測する新しい手法を提案する。
道路沿いの時間、天気、位置(TWL)の特異性に基づいて合計14の機能がコンパイルされた。
14種類の特徴のそれぞれが持つ影響を決定するために,主成分分析を用いて感度調査を行った。
事故警報の場所を用いて、特定の道路が事故を起こしやすいかを定量化する安全指標が開発された。
グラフニューラルネットワーク(GNN)アーキテクチャを用いて,TWLの特異性に基づいて道路の安全性指数を予測する新しい手法を実装した。
提案アーキテクチャは,特徴空間における固有非線形リンクの複雑さを捉えることができるため,この用途に一意に適している。
グラフの vis-\`a-vis 辺を相互リンクした個々のノードとして、twl 特徴ベクトルをエミュレートするために gnn を用いた。
このモデルは、ロジスティック回帰、単純なフィードフォワードニューラルネットワーク、さらにはLong Short Term Memory (LSTM) Neural Networksよりも優れた性能を示すことが検証された。
我々は、州間バスのルートに沿った警戒位置を含むデータセットに対するアプローチを検証した。
このGNNアーキテクチャによって達成された結果、TWL入力の特徴空間は、他の予測モデルよりも実現可能であり、ピーク精度は65%に達した。
関連論文リスト
- Graph Pruning Based Spatial and Temporal Graph Convolutional Network with Transfer Learning for Traffic Prediction [0.0]
本研究では,グラフプルーニングと転送学習の枠組みに基づく新しい時空間畳み込みネットワーク(TL-GPSTGN)を提案する。
その結果、単一のデータセット上でのTL-GPSTGNの異常な予測精度と、異なるデータセット間の堅牢なマイグレーション性能が示された。
論文 参考訳（メタデータ） (2024-09-25T00:59:23Z) - Path Signatures and Graph Neural Networks for Slow Earthquake Analysis:
Better Together? [10.002197953627359]
我々は、グラフ畳み込みニューラルネットワーク(GCNN)に経路シグネチャを統合する新しいアプローチ、Path Signature Graph Convolutional Networks (PS-GCNN)を導入する。
本手法は,GPSの時系列データを利用して,スロースリップイベント(SSE)と呼ばれる地震の連続解析に応用する。
提案手法は,地震予知とセンサネットワーク解析の今後の進歩を示すものである。
論文 参考訳（メタデータ） (2024-02-05T22:16:05Z) - ST-MLP: A Cascaded Spatio-Temporal Linear Framework with
Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。
マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。
実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
論文 参考訳（メタデータ） (2023-08-14T23:34:59Z) - 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) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳（メタデータ） (2022-05-24T16:22:40Z) - Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph
Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。
深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。
その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文 参考訳（メタデータ） (2021-03-13T06:56:29Z) - Scalable Learning With a Structural Recurrent Neural Network for
Short-Term Traffic Prediction [12.550067622364162]
本稿では,道路網における交通履歴データに基づく短期交通予測のためのスケーラブルな深層学習手法を提案する。
道路ネットワークのデータで訓練されたSRNNモデルは、訓練するパラメータの固定数で、異なる道路ネットワークのトラフィック速度を予測することができます。
論文 参考訳（メタデータ） (2021-03-03T18:21:49Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z) - 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。