Fugu-MT 論文翻訳(概要): Utilizing Import Vector Machines to Identify Dangerous Pro-active Traffic Conditions

論文の概要: Utilizing Import Vector Machines to Identify Dangerous Pro-active Traffic Conditions

arxiv url: http://arxiv.org/abs/2101.07683v1
Date: Tue, 19 Jan 2021 15:22:23 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 11:26:30.824779
Title: Utilizing Import Vector Machines to Identify Dangerous Pro-active Traffic Conditions
Title（参考訳）: 輸入ベクトルマシンを用いた危険な積極的交通条件の同定
Authors: Kui Yang, Wenjing Zhao, Constantinos Antoniou
Abstract要約: 本稿では,最近の機械学習手法であるimport vector machines (ivms) のリアルタイムクラッシュリスク解析における理論と応用について検討する。上海都市高速道路の歴史的事故データとそれに対応する交通データを用いて一致した。 IVMは、危険なプロアクティブ交通状況のリアルタイム識別に成功した。
参考スコア（独自算出の注目度）: 2.5245286741414663
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Traffic accidents have been a severe issue in metropolises with the development of traffic flow. This paper explores the theory and application of a recently developed machine learning technique, namely Import Vector Machines (IVMs), in real-time crash risk analysis, which is a hot topic to reduce traffic accidents. Historical crash data and corresponding traffic data from Shanghai Urban Expressway System were employed and matched. Traffic conditions are labelled as dangerous (i.e. probably leading to a crash) and safe (i.e. a normal traffic condition) based on 5-minute measurements of average speed, volume and occupancy. The IVM algorithm is trained to build the classifier and its performance is compared to the popular and successfully applied technique of Support Vector Machines (SVMs). The main findings indicate that IVMs could successfully be employed in real-time identification of dangerous pro-active traffic conditions. Furthermore, similar to the "support points" of the SVM, the IVM model uses only a fraction of the training data to index kernel basis functions, typically a much smaller fraction than the SVM, and its classification rates are similar to those of SVMs. This gives the IVM a computational advantage over the SVM, especially when the size of the training data set is large.
Abstract（参考訳）: 交通事故は、交通流の発展に伴うメトロポリスで深刻な問題となっている。本稿では,最近開発されたIVM(Import Vector Machines)のリアルタイム事故リスク解析における機械学習手法の理論と応用について考察する。上海都市高速道路の歴史的事故データとそれに対応する交通データを用いて一致した。交通状況は危険(すなわち、危険)と分類される。おそらくクラッシュに繋がるでしょう)と安全(つまり)です。平均速度、体積および占有率の5分間の測定に基づく(通常の交通条件)。 ivmアルゴリズムは分類器を構築するように訓練され、その性能は人気のあるサポートベクターマシン(svm)の技術と比較される。主な知見は、IVMが危険なプロアクティブ交通条件のリアルタイム識別に有効であることを示している。さらに、SVMの"サポートポイント"と同様に、IVMモデルは、カーネル基底関数(典型的にはSVMよりもはるかに小さい)をインデックスするために、トレーニングデータのごく一部しか使用せず、その分類率はSVMと似ている。これにより、特にトレーニングデータセットのサイズが大きい場合、IVMはSVMよりも計算上の優位性が得られる。