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。
関連論文リスト
- Towards Robust Semantic Segmentation of Accident Scenes via Multi-Source
Mixed Sampling and Meta-Learning [29.74171323437029]
本稿では,セグメント化変換器を極端に事故現場に一般化するための多元的メタラーニング・アン教師付きドメイン適応フレームワークを提案する。
DADA-segベンチマークではmIoUスコアが46.97%に達し,従来の最先端モデルよりも7.50%以上向上した。
論文 参考訳（メタデータ） (2022-03-19T21:18:54Z) - Asynchronous Parallel Incremental Block-Coordinate Descent for
Decentralized Machine Learning [55.198301429316125]
機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。
急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。
本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
論文 参考訳（メタデータ） (2022-02-07T15:04:15Z) - A Hybrid Physics Machine Learning Approach for Macroscopic Traffic State
Estimation [20.716261308570555]
本稿では,革新的なトラフィック状態推定フレームワークを提案する。
入力として、交通センサからの限られた情報を使用し、正確でフルフィールドで推定された交通状況を構築する。
実験の結果,提案手法は実地交通情報を正確に推定できることが証明された。
論文 参考訳（メタデータ） (2022-02-01T06:04:18Z) - DeepFlow: Abnormal Traffic Flow Detection Using Siamese Networks [4.544151613454639]
我々は,シームズニューラルネットワークに基づくトラフィック異常検出システムであるDeepFlowを開発した。
本モデルでは,車両から収集した軌跡データを解析することにより,異常な交通流を検出することができる。
その結果,DeepFlowはF1スコアの78%で異常なトラフィックパターンを検出し,他の既存手法よりも優れていた。
論文 参考訳（メタデータ） (2021-08-26T19:56:05Z) - Chance constrained conic-segmentation support vector machine with
uncertain data [0.0]
サポートベクトルマシン(SVM)は、よく知られた学習アルゴリズムのクラスの一つである。
本稿では,CS-SVMのデータポイントの不確かさや誤動作について検討する。
論文 参考訳（メタデータ） (2021-07-28T12:29:47Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - An Efficient One-Class SVM for Anomaly Detection in the Internet of
Things [25.78558553080511]
安全なモノのインターネット(IoT)デバイスは、重要なインフラストラクチャとインターネット全体に重大な脅威をもたらします。
これらのデバイスから異常な行動を検出することは 依然として重要です
ワンクラスサポートベクターマシン(OCSVM)は、ノベルティ検出のための最先端のアプローチの1つです。
論文 参考訳（メタデータ） (2021-04-22T15:59:56Z) - Deep Learning and Traffic Classification: Lessons learned from a
commercial-grade dataset with hundreds of encrypted and zero-day applications [72.02908263225919]
商業用DLトラフィック分類エンジンでの経験を共有します。
暗号化トラフィックから既知のアプリケーションや未知のゼロデイアプリケーションを特定します。
DLモデルに合わせ、最新技術よりも正確で軽量な新しい手法を提案します。
論文 参考訳（メタデータ） (2021-04-07T15:21:22Z) - 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) - Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。
我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。
このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
論文 参考訳（メタデータ） (2021-02-23T20:22:56Z) - 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。