論文の概要: Incident duration prediction using a bi-level machine learning framework
with outlier removal and intra-extra joint optimisation
- arxiv url: http://arxiv.org/abs/2205.05197v1
- Date: Tue, 10 May 2022 22:40:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 09:29:23.829539
- Title: Incident duration prediction using a bi-level machine learning framework
with outlier removal and intra-extra joint optimisation
- Title（参考訳）: 外乱除去と外乱関節最適化を併用した2レベル機械学習フレームワークを用いたインシデント時間予測
- Authors: Artur Grigorev, Adriana-Simona Mihaita, Seunghyeon Lee, Fang Chen
- Abstract要約: 本稿では,外乱除去と外乱関節最適化を併用した新しい双方向機械学習フレームワークを提案する。
我々は、インシデントデータログを使用してバイナリ分類予測手法を開発し、トラフィックインシデントを短期または長期に分類する。
クラスバランスと予測性能の両方を対象として,短期と長期の交通事故発生期間の最適しきい値を求める。
- 参考スコア（独自算出の注目度）: 6.291975267775799
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Predicting the duration of traffic incidents is a challenging task due to the
stochastic nature of events. The ability to accurately predict how long
accidents will last can provide significant benefits to both end-users in their
route choice and traffic operation managers in handling of non-recurrent
traffic congestion. This paper presents a novel bi-level machine learning
framework enhanced with outlier removal and intra-extra joint optimisation for
predicting the incident duration on three heterogeneous data sets collected for
both arterial roads and motorways from Sydney, Australia and San-Francisco,
U.S.A. Firstly, we use incident data logs to develop a binary classification
prediction approach, which allows us to classify traffic incidents as
short-term or long-term. We find the optimal threshold between short-term
versus long-term traffic incident duration, targeting both class balance and
prediction performance while also comparing the binary versus multi-class
classification approaches. Secondly, for more granularity of the incident
duration prediction to the minute level, we propose a new Intra-Extra Joint
Optimisation algorithm (IEO-ML) which extends multiple baseline ML models
tested against several regression scenarios across the data sets. Final results
indicate that: a) 40-45 min is the best split threshold for identifying short
versus long-term incidents and that these incidents should be modelled
separately, b) our proposed IEO-ML approach significantly outperforms baseline
ML models in $66\%$ of all cases showcasing its great potential for accurate
incident duration prediction. Lastly, we evaluate the feature importance and
show that time, location, incident type, incident reporting source and weather
at among the top 10 critical factors which influence how long incidents will
last.
- Abstract（参考訳）: イベントの確率的性質から、トラフィックインシデントの持続時間を予測することは難しい課題である。
事故がいつまで続くか正確に予測する能力は、ルート選択におけるエンドユーザーと、非リカレントトラフィックの混雑に対処するトラフィック操作マネージャの両方に大きな利益をもたらす。
本稿では,オーストラリア,オーストラリア,サン・フランシコの幹線道路と高速道路で収集された3つの不均一なデータセットのインシデント継続時間を予測するために,アウトリアー除去とエクストラ共同最適化を併用した,新たな2レベル機械学習フレームワークを提案する。
我々は,二進法と多進法を比較しながら,クラスバランスと予測性能の両方を目標とし,短期と長期の交通事故発生期間の最適しきい値を求める。
第二に、インシデント持続時間予測をより微細にするために、データセットの複数の回帰シナリオに対してテストされた複数のベースラインMLモデルを拡張した、新しいエクストラ共同最適化アルゴリズム(IEO-ML)を提案する。
最終結果は次のとおりである。
a) 40～45分は,短期的又は長期的インシデントを特定し,これらのインシデントを別々にモデル化すべき最善のスプリットしきい値である。
b)提案したIEO-MLアプローチは,精度の高いインシデント期間予測のための大きな可能性を示す全ケースの6,6\%で,ベースラインMLモデルよりも有意に優れていた。
最後に、特徴量を評価し、その時間、場所、インシデントタイプ、インシデント報告ソース、天気を、インシデントがどれくらい続くかに影響する重要な要素のトップ10のうちの1つとして示す。
関連論文リスト
- Predicting the duration of traffic incidents for Sydney greater metropolitan area using machine learning methods [3.3373764108905446]
本研究は,交通事故の期間を予測し,短期・長期に分類するための包括的アプローチを提案する。
我々は、Gradient Boosted Decision Trees (GBDT)、Random Forest、LightGBM、XGBoostなどの先進的な機械学習モデルをトレーニングし、評価する。
XGBoostとLightGBMは従来のモデルよりも優れており、XGBoostはインシデント期間を予測するための最低RMSEが33.7で、最高分類F1スコアが30分間の閾値で0.62である。
論文 参考訳（メタデータ） (2024-06-27T03:16:09Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-14T18:20:44Z) - A Bi-level Framework for Traffic Accident Duration Prediction:
Leveraging Weather and Road Condition Data within a Practical Optimum
Pipeline [0.5221459608786241]
交通事故のデータベースから,事故期間,道路状況,気象データを収集し,交通事故の持続時間パイプラインの実現可能性を確認した。
我々の二分分類ランダム林モデルでは,短期効果と長期効果を83%の精度で区別した。
SHAP値解析により, 気象条件, 風速, 風速が, 事故の期間を決定する上で最も重要な要因となった。
論文 参考訳（メタデータ） (2023-11-01T16:33:37Z) - Test-Time Compensated Representation Learning for Extreme Traffic
Forecasting [13.859278899032846]
混雑とラッシュアワーは、隣接する時間帯に様々な交差点で車両の速度の相関が低くなる可能性がある。
既存の手法では、テストフェーズ中に、最近および完全に分解されたトレーニングデータに基づいて、将来のシリーズを予測するのが一般的である。
マルチヘッド空間トランスモデルを用いたテスト時間表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-16T18:46:34Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-24T07:54:13Z) - Accurate non-stationary short-term traffic flow prediction method [0.0]
本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。
提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
論文 参考訳（メタデータ） (2022-05-01T17:11:34Z) - Interval-censored Hawkes processes [82.87738318505582]
本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。
我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
論文 参考訳（メタデータ） (2021-04-16T07:29:04Z) - 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) - From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。
我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。
また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文 参考訳（メタデータ） (2020-12-02T21:01:29Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z) - Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow
Profile [15.875569404476495]
本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。
具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。
短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
論文 参考訳（メタデータ） (2020-04-23T08:30:00Z)
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。