論文の概要: Impact of risk factors on work zone crashes using logistic models and
Random Forest
- arxiv url: http://arxiv.org/abs/2104.06561v1
- Date: Wed, 14 Apr 2021 00:27:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 21:26:35.683706
- Title: Impact of risk factors on work zone crashes using logistic models and
Random Forest
- Title（参考訳）: ロジスティックモデルとランダムフォレストを用いた作業ゾーンクラッシュに対する危険因子の影響
- Authors: Huthaifa I Ashqar, Qadri H Shaheen, Suleiman A Ashur, and Hesham A
Rakha
- Abstract要約: 本研究は、ハイウェイI-94沿いの労働地帯で発生した2016年のミシガン州(USA)の激しい事故に焦点を当てた。
この研究は、環境、運転者、事故、道路関連変数を特徴付ける幅広い事故変数からリスク要因を特定した。
- 参考スコア（独自算出の注目度）: 9.5148976460603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Work zone safety is influenced by many risk factors. Consequently, a
comprehensive knowledge of the risk factors identified from crash data analysis
becomes critical in reducing risk levels and preventing severe crashes in work
zones. This study focuses on the 2016 severe crashes that occurred in the State
of Michigan (USA) in work zones along highway I-94. The study identified the
risk factors from a wide range of crash variables characterizing environmental,
driver, crash and road-related variables. The impact of these risk factors on
crash severity was investigated using frequency analyses, logistic regression
statistics, and a machine learning Random Forest (RF) algorithm. It is
anticipated that the findings of this study will help traffic engineers and
departments of transportation in developing work zone countermeasures to
improve safety and reduce the crash risk. It was found that some of these
factors could be overlooked when designing and devising work zone traffic
control plans. Results indicate, for example, the need for appropriate traffic
control mechanisms such as harmonizing the speed of vehicles before approaching
work zones, the need to provide illumination at specific locations of the work
zone, and the need to establish frequent public education programs, flyers, and
ads targeting high-risk driver groups. Moreover, the Random Forest algorithm
was found to be efficient, promising, and recommended in crash data analysis,
specifically, when the data sample size is small.
- Abstract（参考訳）: 作業ゾーンの安全性は多くのリスク要因の影響を受けます。
その結果、事故データ分析から特定されるリスク要因の包括的知識は、リスクレベルを低減し、ワークゾーンの深刻なクラッシュを防止するために重要となる。
本研究は、ハイウェイI-94沿いの労働地帯で発生した2016年のミシガン州(USA)の激しい事故に焦点を当てた。
この研究は、環境、運転者、事故、道路関連変数を特徴付ける幅広い事故変数からリスク要因を特定した。
これらのリスク要因が事故重大度に与える影響を,周波数解析,ロジスティック回帰統計,機械学習ランダムフォレスト(RF)アルゴリズムを用いて検討した。
本研究の結果は, 交通技術者や交通省が, 安全性向上と事故リスク低減のため, 作業区域対策を整備するのに役立つものと期待されている。
これらの要因のいくつかは、ワークゾーン交通制御計画の設計と開発において見落とされた。
例えば、ワークゾーンに近づく前に車両の速度を調和させる、ワークゾーンの特定の場所で照明を提供する、頻繁な公共教育プログラム、チラシ、ハイリスクなドライバーグループをターゲットにした広告を設定する、といった適切な交通制御機構の必要性が示されている。
さらに、ランダムフォレストアルゴリズムは、データサンプルサイズが小さい場合のクラッシュデータ解析において効率的で有望であり、推奨されていることが判明した。
関連論文リスト
- Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。
本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
論文 参考訳（メタデータ） (2024-11-04T09:21:00Z) - ROADFIRST: A Comprehensive Enhancement of the Systemic Approach to Safety for Improved Risk Factor Identification and Evaluation [2.710150409047222]
我々はROADFIRSTと呼ばれる拡張プロセスを開発し、ユーザは潜在的なクラッシュタイプを識別し、任意の場所で要因をコントリビュートすることができる。
ノースカロライナの事故および道路在庫データによると、アルコール欠乏運転、注意をそらした運転、スピードリングの3つの要因が原因となる可能性を特定し、ランク付けする。
論文 参考訳（メタデータ） (2024-10-28T20:27:45Z) - 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) - RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。
提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
論文 参考訳（メタデータ） (2024-05-07T23:32:36Z) - Context-Aware Quantitative Risk Assessment Machine Learning Model for
Drivers Distraction [0.0]
MDDRA(Multi-class Driver Distraction Risk Assessment)モデルは、旅行中の車両、運転者、環境データを考慮したモデルである。
MDDRAは、危険行列上のドライバーを安全、不注意、危険と分類する。
我々は、重度レベルに応じて運転者の気晴らしを分類し、予測するために機械学習技術を適用した。
論文 参考訳（メタデータ） (2024-02-20T23:20:36Z) - Vehicle-group-based Crash Risk Formation and Propagation Analysis for
Expressways [9.337163968120915]
本研究は,車両群を分析対象とし,リスク形成・伝播機構について検討する。
事故リスクに寄与する要因として, 過去の高リスク車両群, 複雑な車両挙動, 大型車両の割合, 車両群内での車線変更頻度, 特定の道路ジオメトリーなどが挙げられる。
その結果,高リスク状態の長期化,車両群の大きさの増大,車線変化の頻繁化が有害なリスク伝播パターンと関連していることが示唆された。
論文 参考訳（メタデータ） (2024-02-19T07:47:23Z) - Hotspot Prediction of Severe Traffic Accidents in the Federal District
of Brazil [0.0]
この研究は、主に事故の集中度と、ホットスポットの予測に機械学習をどのように使用できるかに焦点を当て、研究の多様性を増す試みである。
ブラジル連邦地区のデータは、法医学的な交通事故のアナリストから収集され、現地の気象状況のデータと組み合わせて、衝突のホットスポットを予測する。
気象パラメーターが事故発生場所ほど重要でないことを確認し,事故発生回数を減らすために局所的な介入が重要であることを示す。
論文 参考訳（メタデータ） (2023-12-28T22:13:11Z) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳（メタデータ） (2023-08-02T09:48:08Z) - Analyzing vehicle pedestrian interactions combining data cube structure
and predictive collision risk estimation model [5.73658856166614]
本研究では,フィールドと集中型プロセスを組み合わせた歩行者安全システムについて紹介する。
本システムは,現場における今後のリスクを直ちに警告し,実際の衝突のない道路の安全レベルを評価することにより,危険頻繁なエリアの安全性を向上させることができる。
論文 参考訳（メタデータ） (2021-07-26T23:00:56Z) - 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) - Cautious Adaptation For Reinforcement Learning in Safety-Critical
Settings [129.80279257258098]
都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。
非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。
多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
論文 参考訳（メタデータ） (2020-08-15T01:40:59Z)
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。