論文の概要: Traffic Accident Risk Forecasting using Contextual Vision Transformers
- arxiv url: http://arxiv.org/abs/2209.11180v1
- Date: Tue, 20 Sep 2022 23:38:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 12:51:04.484990
- Title: Traffic Accident Risk Forecasting using Contextual Vision Transformers
- Title（参考訳）: 視覚変換器を用いた交通事故リスク予測
- Authors: Khaled Saleh and Artur Grigorev and Adriana-Simona Mihaita
- Abstract要約: 私たちは、エンド・ツー・エンドのアプローチでトレーニングできる新しいフレームワーク、すなわちコンテキスト・ビジョン・トランスフォーマーを提案しています。
文献からのベースラインアプローチに対する提案手法の性能評価と比較を行った。
その結果,従来の論文(SoTA)と比較すると,約2%のRMSEスコアで有意な改善が見られた。
- 参考スコア（独自算出の注目度）: 4.8986598953553555
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, the problem of traffic accident risk forecasting has been getting
the attention of the intelligent transportation systems community due to its
significant impact on traffic clearance. This problem is commonly tackled in
the literature by using data-driven approaches that model the spatial and
temporal incident impact, since they were shown to be crucial for the traffic
accident risk forecasting problem. To achieve this, most approaches build
different architectures to capture the spatio-temporal correlations features,
making them inefficient for large traffic accident datasets. Thus, in this
work, we are proposing a novel unified framework, namely a contextual vision
transformer, that can be trained in an end-to-end approach which can
effectively reason about the spatial and temporal aspects of the problem while
providing accurate traffic accident risk predictions. We evaluate and compare
the performance of our proposed methodology against baseline approaches from
the literature across two large-scale traffic accident datasets from two
different geographical locations. The results have shown a significant
improvement with roughly 2\% in RMSE score in comparison to previous
state-of-art works (SoTA) in the literature. Moreover, our proposed approach
has outperformed the SoTA technique over the two datasets while only requiring
23x fewer computational requirements.
- Abstract（参考訳）: 近年,交通事故リスク予測の課題は,交通クリアランスに大きな影響を及ぼすため,インテリジェント交通システムコミュニティの注目を集めている。
この問題は、交通事故リスク予測問題に不可欠であることが示されているため、時間的および空間的インシデントの影響をモデル化するデータ駆動アプローチを用いて文献に一般的に取り組まれている。
これを実現するために、ほとんどのアプローチは時空間相関機能をキャプチャするために異なるアーキテクチャを構築し、大規模な交通事故データセットでは非効率になる。
そこで本研究では,事故リスクの予測を精度良く行なえながら,この問題の空間的・時間的側面を効果的に推論可能な,エンドツーエンドで訓練可能な,新たな統一フレームワークであるコンテキストビジョントランスフォーマを提案する。
提案手法の性能を,2つの異なる地域から2つの大規模交通事故データセットにまたがる文献からのベースラインアプローチと比較した。
その結果,前回のsof-art works(sota)と比較してrmseスコアが約2\%向上した。
さらに,提案手法は2つのデータセットに対して,23倍の計算量しか必要とせず,SoTA技術よりも優れていた。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Urban Traffic Accident Risk Prediction Revisited: Regionality, Proximity, Similarity and Sparsity [18.566139471849844]
交通事故は人間の健康と財産の安全に重大な危険をもたらす。
交通事故を防ぐために、リスクを予測することで関心が高まっている。
望ましい予測ソリューションは、交通事故の複雑さに対するレジリエンスを示すべきである、と我々は主張する。
論文 参考訳（メタデータ） (2024-07-29T03:10:15Z) - MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。
提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。
このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
論文 参考訳（メタデータ） (2024-07-19T06:42:41Z) - Accounting for Work Zone Disruptions in Traffic Flow Forecasting [2.124091149604821]
我々は、畳み込みグラフニューラルネットワークアーキテクチャの上に構築し、新しい道路作業ゾーンのためのグラフ畳み込みモデルを示す。
このモデルは、バージニア共和国のワークゾーンの存在下でのトラフィックを最小限に抑える2つのデータセットで評価される。
論文 参考訳（メタデータ） (2024-07-16T05:48:24Z) - Uncertainty Quantification for Image-based Traffic Prediction across
Cities [63.136794104678025]
不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。
複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。
モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
論文 参考訳（メタデータ） (2023-08-11T13:35:52Z) - Analyzing and modeling network travel patterns during the Ukraine
invasion using crowd-sourced pervasive traffic data [3.2198211356287674]
2022年、ウクライナは侵略に苦しめられ、時間と地理に深刻な影響を与えている。
本稿では,現在進行中のディスラプションが交通行動に与える影響について,解析および地域ネットワークモデルを用いて検討する。
論文 参考訳（メタデータ） (2022-08-08T17:36:35Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳（メタデータ） (2021-03-26T02:42:33Z) - 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) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳（メタデータ） (2020-07-10T16:00:44Z) - Spatio-Temporal Point Processes with Attention for Traffic Congestion
Event Modeling [28.994426283738363]
本稿では,道路ネットワーク上での交通渋滞イベントをモデル化するための新しいフレームワークを提案する。
交通センサからのカウントデータと交通事故を報告した警察の報告を組み合わせることで、マルチモーダルデータを用いて、渋滞イベントに対する2種類のトリガー効果を捉えることを目指す。
ある場所での現在の交通渋滞は、将来の道路網の混雑を引き起こす可能性があり、交通事故は広範な交通渋滞を引き起こす可能性がある。
論文 参考訳（メタデータ） (2020-05-15T04:22:18Z)
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。