論文の概要: An Adaptive Clustering Approach for Accident Prediction
- arxiv url: http://arxiv.org/abs/2108.12308v1
- Date: Fri, 27 Aug 2021 14:38:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-30 14:09:33.332766
- Title: An Adaptive Clustering Approach for Accident Prediction
- Title(参考訳): 事故予測のための適応クラスタリング手法
- Authors: Rajjat Dadwal, Thorben Funke, Elena Demidova
- Abstract要約: 最先端の事故予測手法は、静的および均一な格子に基づく地理空間集約に基づいている。
本稿では,グリッド成長アルゴリズムに基づく新しい事故予測手法であるAdaptive Clustering Accident Prediction (ACAP)を提案する。
ACAPは,F1スコアの平均値において,複合領域の事故予測性能を2~3ポイント向上することを示した。
- 参考スコア(独自算出の注目度): 2.578242050187029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic accident prediction is a crucial task in the mobility domain.
State-of-the-art accident prediction approaches are based on static and uniform
grid-based geospatial aggregations, limiting their capability for fine-grained
predictions. This property becomes particularly problematic in more complex
regions such as city centers. In such regions, a grid cell can contain
subregions with different properties; furthermore, an actual accident-prone
region can be split across grid cells arbitrarily. This paper proposes Adaptive
Clustering Accident Prediction (ACAP) - a novel accident prediction method
based on a grid growing algorithm. ACAP applies adaptive clustering to the
observed geospatial accident distribution and performs embeddings of temporal,
accident-related, and regional features to increase prediction accuracy. We
demonstrate the effectiveness of the proposed ACAP method using open real-world
accident datasets from three cities in Germany. We demonstrate that ACAP
improves the accident prediction performance for complex regions by 2-3 percent
points in F1-score by adapting the geospatial aggregation to the distribution
of the underlying spatio-temporal events. Our grid growing approach outperforms
the clustering-based baselines by four percent points in terms of F1-score on
average.
- Abstract(参考訳): 交通事故予測はモビリティ領域において重要なタスクである。
最先端の事故予測アプローチは、静的および均一なグリッドベースの地理空間集約に基づいており、粒度予測の能力を制限する。
この性質は市中心部のような複雑な地域で特に問題となる。
このような領域では、グリッドセルは異なる性質を持つサブリージョンを含むことができ、さらに実際の事故発生領域をグリッドセル間で任意に分割することができる。
本稿では,グリッド成長アルゴリズムに基づく新しい事故予測手法であるAdaptive Clustering Accident Prediction (ACAP)を提案する。
ACAPは観測された空間的事故分布に適応的なクラスタリングを適用し、時間的・事故関連・地域的特徴の埋め込みを行い、予測精度を高める。
本稿では,ドイツの3都市における実世界の事故データセットを用いたACAP手法の有効性を示す。
acapは,空間的アグリゲーションを基盤となる時空間事象の分布に適応することにより,f1-scoreにおける複合領域の事故予測性能を2~3ポイント向上させる。
我々のグリッド成長アプローチは、クラスタリングベースのベースラインを平均F1スコアで4%上回ります。
関連論文リスト
- HMCGeo: IP Region Prediction Based on Hierarchical Multi-label Classification [9.993613732452122]
位置ベースのサービスやサイバーセキュリティといったアプリケーションでは、粒度の細かいIPロケーションが重要な役割を果たす。
本稿では,HMCGeoというIP領域予測のための階層型マルチラベル分類フレームワークを提案する。
我々は,HMCGeoがすべての地理的粒度に対して優れた性能を示し,既存のIP位置情報法を著しく上回っていることを示す。
論文 参考訳(メタデータ) (2025-01-26T08:58:14Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳(メタデータ) (2024-09-14T07:44:22Z) - Distribution-Free Conformal Joint Prediction Regions for Neural Marked Temporal Point Processes [4.324839843326325]
我々は、共形予測の枠組みを用いて、ニューラルTPPモデルにおける不確実性に対するより信頼性の高い手法を開発した。
主な目的は、イベントの到着時刻とマークに対する分布自由な共同予測領域を生成し、有限サンプルの限界カバレッジを保証することである。
論文 参考訳(メタデータ) (2024-01-09T15:28:29Z) - Multi-Modal Conformal Prediction Regions with Simple Structures by Optimizing Convex Shape Templates [19.504348671777006]
コンフォーマル予測は、高い確率で有効な機械学習モデルの予測領域を生成する統計ツールである。
共形予測アルゴリズムの重要な構成要素は、モデルの予測が未知の基底真理値とどのように異なるかを定量化するエンフノン整合スコア関数である。
キャリブレーションデータよりもパラメータ化されたエンフシェープテンプレート関数を最適化し,最小体積の予測領域を生成する非整合スコア関数を提案する。
論文 参考訳(メタデータ) (2023-12-12T17:00:13Z) - SpatialRank: Urban Event Ranking with NDCG Optimization on
Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。
本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文 参考訳(メタデータ) (2023-09-30T06:20:21Z) - Subspace Perturbation Analysis for Data-Driven Radar Target Localization [20.34399283905663]
我々は、サブスペース分析を用いて、ミスマッチしたシナリオ間でレーダーターゲットのローカライゼーション精度をベンチマークする。
ミスマッチした制約領域に変動強度のターゲットをランダムに配置することで、包括的データセットを生成する。
畳み込みニューラルネットワークを用いて,これらの熱マップテンソルからターゲット位置を推定する。
論文 参考訳(メタデータ) (2023-03-14T21:22:26Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳(メタデータ) (2022-05-13T21:09:41Z) - A generalized forecasting solution to enable future insights of COVID-19
at sub-national level resolutions [0.0]
本研究は、封じ込め対策を局所的に実施可能な地域において、毎日の新型コロナウイルスの新規感染者を予測することを目的としている。
本研究の貢献は,その領域の疫学的ダイナミクスに基づく非決定論的エピ曲線のスムーズ化に最適化されたスムーズ化技術,特定領域のデータを用いてトレーニングした長短短期記憶に基づく予測モデル,およびエピ曲線に見られるデータ不均衡を緩和するトレーニング中の適応的損失関数である。
論文 参考訳(メタデータ) (2021-08-21T17:47:52Z) - Predicting Deep Neural Network Generalization with Perturbation Response
Curves [58.8755389068888]
トレーニングネットワークの一般化能力を評価するための新しいフレームワークを提案する。
具体的には,一般化ギャップを正確に予測するための2つの新しい尺度を提案する。
PGDL(Predicting Generalization in Deep Learning)のNeurIPS 2020コンペティションにおけるタスクの大部分について、現在の最先端の指標よりも優れた予測スコアを得る。
論文 参考訳(メタデータ) (2021-06-09T01:37:36Z) - Learning Invariant Representations and Risks for Semi-supervised Domain
Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。
共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文 参考訳(メタデータ) (2020-10-09T15:42:35Z) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳(メタデータ) (2020-09-17T07:39:52Z)
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。