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
- Distribution-Free Conformal Joint Prediction Regions for Neural Marked
Temporal Point Processes [4.724576834458051]
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、有限サンプルの限界被覆を保証するとともに、到着時刻とマークのための分布自由な共同予測領域を生成することである。
論文 参考訳(メタデータ) (2024-01-09T15:28:29Z) - 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) - Spatially-Aware Car-Sharing Demand Prediction [3.085449079520639]
駅型カーシェアリングサービスにおける月平均需要を空間認識学習アルゴリズムを用いて分析する。
ジオコーディネートを入力特徴とするグローバルランダムフォレストモデルは,R2乗スコア0.87で最高の予測性能が得られることを示す。
本研究は,カーシェアリングステーションの設置状況の診断・計画に有効な手法と高い解釈性を提供する。
論文 参考訳(メタデータ) (2023-03-25T10:10:11Z) - Numerically assisted determination of local models in network scenarios [55.2480439325792]
統計的振る舞いを再現する明示的な局所モデルを見つけるための数値ツールを開発する。
グリーンベルガー・ホルン・ザイリンガー(GHZ)およびW分布の臨界振動性に関する予想を提供する。
開発されたコードとドキュメントは、281.com/mariofilho/localmodelsで公開されている。
論文 参考訳(メタデータ) (2023-03-17T13:24:04Z) - 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) - RiskOracle: A Minute-level Citywide Traffic Accident Forecasting
Framework [12.279252772816216]
交通事故のリアルタイム予測は、公共の安全と都市管理にとってますます重要になっている。
事故予測に関するこれまでの研究はしばしば時間レベルで行われ、既存のニューラルネットワークと静的な地域関係を考慮に入れている。
本稿では,予測の粒度を細部まで改善する新しいフレームワークであるR RiskOracleを提案する。
論文 参考訳(メタデータ) (2020-02-19T07:18:46Z)
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。