論文の概要: Causal Analysis and Classification of Traffic Crash Injury Severity
Using Machine Learning Algorithms
- arxiv url: http://arxiv.org/abs/2112.03407v1
- Date: Tue, 30 Nov 2021 20:32:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-12 16:01:37.992700
- Title: Causal Analysis and Classification of Traffic Crash Injury Severity
Using Machine Learning Algorithms
- Title（参考訳）: 機械学習アルゴリズムを用いた交通事故被害の因果解析と分類
- Authors: Meghna Chakraborty, Timothy Gates, Subhrajit Sinha
- Abstract要約: この調査で使用されたデータは、2014年から2019年までの6年間にテキサス州のすべての州間高速道路で交通事故が発生した際に得られたものです。
提案手法は,致命的・重傷(KA),非重傷(BC),財産被害(PDO)の3つのクラスを含む。
Grangerの因果関係分析の結果、速度制限、表面および気象条件、交通量、ワークゾーンの存在、ワークゾーンの労働者、高占有車線(HOV)が事故の深刻度に影響を及ぼす最も重要な要因として特定された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Causal analysis and classification of injury severity applying non-parametric
methods for traffic crashes has received limited attention. This study presents
a methodological framework for causal inference, using Granger causality
analysis, and injury severity classification of traffic crashes, occurring on
interstates, with different machine learning techniques including decision
trees (DT), random forest (RF), extreme gradient boosting (XGBoost), and deep
neural network (DNN). The data used in this study were obtained for traffic
crashes on all interstates across the state of Texas from a period of six years
between 2014 and 2019. The output of the proposed severity classification
approach includes three classes for fatal and severe injury (KA) crashes,
non-severe and possible injury (BC) crashes, and property damage only (PDO)
crashes. While Granger Causality helped identify the most influential factors
affecting crash severity, the learning-based models predicted the severity
classes with varying performance. The results of Granger causality analysis
identified the speed limit, surface and weather conditions, traffic volume,
presence of workzones, workers in workzones, and high occupancy vehicle (HOV)
lanes, among others, as the most important factors affecting crash severity.
The prediction performance of the classifiers yielded varying results across
the different classes. Specifically, while decision tree and random forest
classifiers provided the greatest performance for PDO and BC severities,
respectively, for the KA class, the rarest class in the data, deep neural net
classifier performed superior than all other algorithms, most likely due to its
capability of approximating nonlinear models. This study contributes to the
limited body of knowledge pertaining to causal analysis and classification
prediction of traffic crash injury severity using non-parametric approaches.
- Abstract（参考訳）: 非パラメトリック法を応用した交通事故の因果分析と重症度分類が注目されている。
本研究は,グラナージュ因果分析を用いた因果推論の方法論的枠組みと,高速道路で発生した交通事故の重大度分類,決定木(dt),ランダムフォレスト(rf),極端な勾配ブースティング(xgboost),ディープニューラルネットワーク(dnn)などの機械学習手法を提案する。
この研究で使用されたデータは、2014年から2019年までの6年間、テキサス州内のすべての州間高速道路の交通事故で得られたものだ。
重症度分類アプローチのアウトプットには、致命傷と重傷の3つのクラス(ka)、bc(non-severe and possible injury)のクラッシュ、pdo( property damage only)のクラッシュが含まれる。
Granger Causalityは、クラッシュの重大度に影響を与える最も影響のある要因を特定するのに役立ったが、学習ベースのモデルは、様々なパフォーマンスを持つ重大度クラスを予測した。
Granger の因果関係解析の結果,速度制限,表面および気象条件,交通量,ワークゾーンの存在,ワークゾーン内の労働者,高占有車線などが,事故の深刻度に影響を及ぼす最も重要な要因であることがわかった。
分類器の予測性能はクラスによって異なる結果を得た。
特に、決定木と無作為森林分類器は、データの中で最も稀なクラスであるKAクラスにおいて、PDOとBCの重症度が最も高い性能を示したが、ディープニューラルネット分類器は他の全てのアルゴリズムよりも優れた性能を示した。
本研究は,非パラメトリックアプローチによる交通事故事故の重症度分類と因果分析に関する知識の限定化に寄与する。
関連論文リスト
- Indiscriminate Disruption of Conditional Inference on Multivariate Gaussians [60.22542847840578]
敵対的機械学習の進歩にもかかわらず、敵対者の存在下でのガウスモデルに対する推論は特に過小評価されている。
我々は,意思決定者の条件推論とその後の行動の妨害を希望する自己関心のある攻撃者について,一組の明らかな変数を乱すことで検討する。
検出を避けるため、攻撃者は、破損した証拠の密度によって可否が決定される場合に、攻撃が可否を示すことを望んでいる。
論文 参考訳（メタデータ） (2024-11-21T17:46:55Z) - An Explainable Machine Learning Approach to Traffic Accident Fatality Prediction [0.02730969268472861]
道路交通事故は世界中で公衆衛生上の脅威となっている。
本研究では,致命的および致命的でない道路事故を分類するための機械学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-09-18T12:41:56Z) - 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) - Inferring Heterogeneous Treatment Effects of Crashes on Highway Traffic:
A Doubly Robust Causal Machine Learning Approach [15.717402981513812]
本稿では,高速道路における各種事故の因果的影響を推定する新しい因果的機械学習フレームワークを提案する。
ワシントン州のハイウェイ州間高速道路5号線で発生した4815件の事故実験の結果、様々な距離と時間における事故の不均一な処理効果が明らかになった。
論文 参考訳（メタデータ） (2024-01-01T15:03:14Z) - Prediction of Crash Injury Severity in Florida's Interstate-95 [0.0]
2016年から2021年にかけてフロリダ州州間高速道路95号線で交通事故が発生した。
交通事故の重症度を推定するために 分類法が使われました
AdaboostアルゴリズムはリコールとAUCの点で他より優れていた。
論文 参考訳（メタデータ） (2023-12-16T18:42:39Z) - Exploring Machine Learning Techniques to Identify Important Factors
Leading to Injury in Curve Related Crashes [0.4129225533930965]
本研究は, 交通事故に関連する重要な要因を変数として考慮し, 車両の損傷の有無を予測変数として検討することにより, 問題点を解消しようとするものである。
本研究は、米国各州の交通事故関連データを含む国家道路交通安全局(NHTSA)のCRSSデータを用いた。
分析の結果,損傷の程度,事故前イベント,事故前位置,道路記述,道路表面条件,事故月,最初の有害事象,車両数,回避操作の試み,道路勾配が車両数に影響を与えることが明らかとなった。
論文 参考訳（メタデータ） (2023-01-04T13:07:28Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and
Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。
本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。
我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文 参考訳（メタデータ） (2021-05-14T10:05:10Z) - 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) - Comparison Analysis of Tree Based and Ensembled Regression Algorithms
for Traffic Accident Severity Prediction [2.956978593944786]
さまざまな機械学習モデルが事故予測に使用されている。
ランサムフォレストは、0.974の精度、0.954の精度、0.930のリコール、0.942のFスコアを持つ最高性能のモデルである。
論文 参考訳（メタデータ） (2020-10-27T11:52:39Z) - Influence Functions in Deep Learning Are Fragile [52.31375893260445]
影響関数は、テスト時間予測におけるサンプルの効果を近似する。
影響評価は浅いネットワークでは かなり正確です
ヘッセン正則化は、高品質な影響推定を得るために重要である。
論文 参考訳（メタデータ） (2020-06-25T18:25:59Z)
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。