論文の概要: Comparison Analysis of Tree Based and Ensembled Regression Algorithms
for Traffic Accident Severity Prediction
- arxiv url: http://arxiv.org/abs/2010.14921v1
- Date: Tue, 27 Oct 2020 11:52:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 13:07:38.877958
- Title: Comparison Analysis of Tree Based and Ensembled Regression Algorithms
for Traffic Accident Severity Prediction
- Title（参考訳）: 交通事故重大度予測のための木ベースおよび組立回帰アルゴリズムの比較解析
- Authors: Muhammad Umer, Saima Sadiq, Abid Ishaq, Saleem Ullah, Najia Saher,
Hamza Ahmad Madni
- Abstract要約: さまざまな機械学習モデルが事故予測に使用されている。
ランサムフォレストは、0.974の精度、0.954の精度、0.930のリコール、0.942のFスコアを持つ最高性能のモデルである。
- 参考スコア（独自算出の注目度）: 2.956978593944786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rapid increase of traffic volume on urban roads over time has changed the
traffic scenario globally. It has also increased the ratio of road accidents
that can be severe and fatal in the worst case. To improve traffic safety and
its management on urban roads, there is a need for prediction of severity level
of accidents. Various machine learning models are being used for accident
prediction. In this study, tree based ensemble models (Random Forest, AdaBoost,
Extra Tree, and Gradient Boosting) and ensemble of two statistical models
(Logistic Regression Stochastic Gradient Descent) as voting classifiers are
compared for prediction of road accident severity. Significant features that
are strongly correlated with the accident severity are identified by Random
Forest. Analysis proved Random Forest as the best performing model with highest
classification results with 0.974 accuracy, 0.954 precision, 0.930 recall and
0.942 F-score using 20 most significant features as compared to other
techniques classification of road accidents severity.
- Abstract（参考訳）: 都市道路における交通量の急速な増加は、世界中の交通シナリオを変えてきた。
また、最悪の場合、重篤かつ致命的な道路事故の割合も増加している。
都市道路における交通安全と管理を改善するためには,事故の重大度レベルの予測が必要である。
さまざまな機械学習モデルが事故予測に使用されている。
本研究では,木系アンサンブルモデル (Random Forest, AdaBoost, Extra Tree, Gradient Boosting) と2つの統計モデル (Logistic Regression Stochastic Gradient Descent) を比較して,交通事故の重大度を予測する。
事故の重大さと強く相関する重要な特徴はランダムフォレストによって同定される。
分析の結果、ランサムフォレストは最高性能で0.974の精度、0.954の精度、0.930のリコール、0.942のFスコアで、道路事故の重大度を分類する他の手法と比較して20の重要な特徴を用いた。
関連論文リスト
- A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
軌道予測は、自動運転車における計画の安全性と効率に不可欠である。
現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。
本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
論文 参考訳（メタデータ） (2024-11-29T14:47:08Z) - XTraffic: A Dataset Where Traffic Meets Incidents with Explainability and More [38.092415845567345]
トラヒックとインシデントという2つの非常に相関の深いトラックで研究が行われている。
XTrafficデータセットには、トラフィック、すなわち、トラフィックフロー、車線占有率、平均車両速度の時系列インデックスが含まれている。
各ノードは、レーンの詳細な物理ポリシーレベルのメタ属性を含む。
論文 参考訳（メタデータ） (2024-07-16T08:16:01Z) - 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) - Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
CANデータからトラックの積載量の検出について検討する。
私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。
我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
論文 参考訳（メタデータ） (2024-04-08T17:58:22Z) - Prediction of Crash Injury Severity in Florida's Interstate-95 [0.0]
2016年から2021年にかけてフロリダ州州間高速道路95号線で交通事故が発生した。
交通事故の重症度を推定するために 分類法が使われました
AdaboostアルゴリズムはリコールとAUCの点で他より優れていた。
論文 参考訳（メタデータ） (2023-12-16T18:42:39Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - A Bi-level Framework for Traffic Accident Duration Prediction:
Leveraging Weather and Road Condition Data within a Practical Optimum
Pipeline [0.5221459608786241]
交通事故のデータベースから,事故期間,道路状況,気象データを収集し,交通事故の持続時間パイプラインの実現可能性を確認した。
我々の二分分類ランダム林モデルでは,短期効果と長期効果を83%の精度で区別した。
SHAP値解析により, 気象条件, 風速, 風速が, 事故の期間を決定する上で最も重要な要因となった。
論文 参考訳（メタデータ） (2023-11-01T16:33:37Z) - Predicting Accident Severity: An Analysis Of Factors Affecting Accident
Severity Using Random Forest Model [0.0]
本研究では,事故の重大性を予測するためのランダムフォレスト機械学習アルゴリズムの有効性について検討した。
モデルは大都市圏の事故記録のデータセットに基づいて訓練され,様々な指標を用いて評価される。
その結果,ランダムフォレストモデルは事故の重大度を80%以上の精度で予測する有効なツールであることがわかった。
論文 参考訳（メタデータ） (2023-10-09T16:33:44Z) - Causal Analysis and Classification of Traffic Crash Injury Severity
Using Machine Learning Algorithms [0.0]
この調査で使用されたデータは、2014年から2019年までの6年間にテキサス州のすべての州間高速道路で交通事故が発生した際に得られたものです。
提案手法は,致命的・重傷(KA),非重傷(BC),財産被害(PDO)の3つのクラスを含む。
Grangerの因果関係分析の結果、速度制限、表面および気象条件、交通量、ワークゾーンの存在、ワークゾーンの労働者、高占有車線(HOV)が事故の深刻度に影響を及ぼす最も重要な要因として特定された。
論文 参考訳（メタデータ） (2021-11-30T20:32:31Z) - 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。