論文の概要: A model for traffic incident prediction using emergency braking data
- arxiv url: http://arxiv.org/abs/2102.06674v1
- Date: Fri, 12 Feb 2021 18:17:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-15 12:58:04.580336
- Title: A model for traffic incident prediction using emergency braking data
- Title(参考訳): 緊急ブレーキデータを用いた交通インシデント予測モデル
- Authors: Alexander Reichenbach and J.-Emeterio Navarro-B
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 77.34726150561087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article presents a model for traffic incident prediction. Specifically,
we address the fundamental problem of data scarcity in road traffic accident
prediction by training our model on emergency braking events instead of
accidents. Based on relevant risk factors for traffic accidents and
corresponding data categories, we evaluate different options for preprocessing
sparse data and different Machine Learning models. Furthermore, we present a
prototype implementing a traffic incident prediction model for Germany based on
emergency braking data from Mercedes-Benz vehicles as well as weather, traffic
and road data, respectively. After model evaluation and optimisation, we found
that a Random Forest model trained on artificially balanced (under-sampled)
data provided the highest classification accuracy of 85% on the original
imbalanced data. Finally, we present our conclusions and discuss further work;
from gathering more data over a longer period of time to build stronger
classification systems, to addition of internal factors such as the driver's
visual and cognitive attention.
- Abstract(参考訳): 本稿では,交通事故予測モデルを提案する。
具体的には,道路交通事故予測におけるデータ不足の根本的な問題点を,事故ではなく緊急制動イベントのトレーニングによって解決する。
交通事故のリスク要因とそれに対応するデータカテゴリに基づいて、スパースデータと異なる機械学習モデルを前処理するさまざまな選択肢を評価する。
さらに,メルセデス・ベンツ車両の緊急ブレーキデータと気象,交通,道路データに基づいて,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。
モデル評価と最適化を行った結果,人工的バランス(アンダーサンプリング)データに基づくランダム森林モデルは,元の不均衡データにおいて,最高分類精度85%であった。
最後に, より長期にわたるデータ収集から, より強力な分類システムの構築, 運転者の視覚的・認知的注意などの内的要因の追加など, 今後の課題について考察する。
関連論文リスト
- Multi-class real-time crash risk forecasting using convolutional neural
network: Istanbul case study [0.0]
本稿では,事故リスク予測におけるニューラルネットワーク(ANN)の性能について述べる。
提案したCNNモデルは、記録、処理、分類された入力特性から学習することができる。
本研究は,CNNモデルをリアルタイムの事故リスク予測のためのマルチクラス予測モデルとして適用することを提案する。
論文 参考訳(メタデータ) (2024-02-09T10:51:09Z) - Cognitive Accident Prediction in Driving Scenes: A Multimodality
Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。
CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。
我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文 参考訳(メタデータ) (2022-12-19T11:43:02Z) - Traffic incident duration prediction via a deep learning framework for
text description encoding [9.424574945499842]
本稿では,限られた情報から入射時間を予測するための新しい融合フレームワークを提案する。
申請地域はサンフランシスコ市であり、交通事故記録と過去の交通渋滞情報の両方が豊富である。
論文 参考訳(メタデータ) (2022-09-19T03:16:13Z) - Measuring Causal Effects of Data Statistics on Language Model's
`Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。
トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。
我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文 参考訳(メタデータ) (2022-07-28T17:36:24Z) - RadNet: Incident Prediction in Spatio-Temporal Road Graph Networks Using
Traffic Forecasting [2.6690664860458906]
我々はRadNetと呼ばれるニューラルモデルを開発し、将来の時間ステップでシステムのパラメータを予測する。
以前の作業とは異なり、RadNetは両方の置換における空間的傾向と時間的傾向を推定し、最終的に予測の前に密度の高い表現を組み合わせる。
論文 参考訳(メタデータ) (2022-06-11T20:06:47Z) - 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) - TransFollower: Long-Sequence Car-Following Trajectory Prediction through
Transformer [44.93030718234555]
本研究では,アテンションベーストランスフォーマーモデルに基づく自動車追従軌道予測モデルを提案する。
上海博物学運転研究会(SH-NDS)から抽出した実世界112,597台の乗用車追跡イベントを用いて、我々のモデルを訓練・試験する。
論文 参考訳(メタデータ) (2022-02-04T07:59:22Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳(メタデータ) (2021-04-27T18:17:42Z) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳(メタデータ) (2020-09-30T20:00:11Z) - Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal
Relational Learning [30.59728753059457]
交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。
現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。
本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
論文 参考訳(メタデータ) (2020-08-01T20:21:48Z)
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。