論文の概要: Debiased machine learning for estimating the causal effect of urban
traffic on pedestrian crossing behaviour
- arxiv url: http://arxiv.org/abs/2212.11322v1
- Date: Wed, 21 Dec 2022 19:36:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 15:21:47.644368
- Title: Debiased machine learning for estimating the causal effect of urban
traffic on pedestrian crossing behaviour
- Title（参考訳）: 歩行者横断行動に対する都市交通の因果効果推定のためのデバイアス機械学習
- Authors: Kimia Kamal and Bilal Farooq
- Abstract要約: 我々は、政策と利益の両方に影響を与える共同創設者の影響に対処するDouble/Debiased Machine Learning(DML)モデルを開発する。
歩行者横断行動, 歩行者ストレスレベル, 待ち時間の2つの主成分からなるコプラを用いた共同モデルを構築した。
同様の効果の兆候にもかかわらず、共同設立者の急激な影響により、コプラアプローチはDMLよりも低い交通密度の影響を推定する。
- 参考スコア（独自算出の注目度）: 6.982614422666432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Before the transition of AVs to urban roads and subsequently unprecedented
changes in traffic conditions, evaluation of transportation policies and
futuristic road design related to pedestrian crossing behavior is of vital
importance. Recent studies analyzed the non-causal impact of various variables
on pedestrian waiting time in the presence of AVs. However, we mainly
investigate the causal effect of traffic density on pedestrian waiting time. We
develop a Double/Debiased Machine Learning (DML) model in which the impact of
confounders variable influencing both a policy and an outcome of interest is
addressed, resulting in unbiased policy evaluation. Furthermore, we try to
analyze the effect of traffic density by developing a copula-based joint model
of two main components of pedestrian crossing behavior, pedestrian stress level
and waiting time. The copula approach has been widely used in the literature,
for addressing self-selection problems, which can be classified as a causality
analysis in travel behavior modeling. The results obtained from copula approach
and DML are compared based on the effect of traffic density. In DML model
structure, the standard error term of density parameter is lower than copula
approach and the confidence interval is considerably more reliable. In
addition, despite the similar sign of effect, the copula approach estimates the
effect of traffic density lower than DML, due to the spurious effect of
confounders. In short, the DML model structure can flexibly adjust the impact
of confounders by using machine learning algorithms and is more reliable for
planning future policies.
- Abstract（参考訳）: avsが都市道路に移行し、その後交通状況が前例のない変化を遂げる前は、交通政策や歩行者の横断行動に関連する未来的道路設計の評価が重要であった。
最近の研究は、avの存在下での歩行者待ち時間に対する様々な変数の非因果的影響を分析した。
しかし,交通密度が歩行者待ち時間に与える影響について主に検討した。
我々は、政策と利害結果の両方に影響を与える共同創設者の影響に対処し、バイアスのない政策評価をもたらすダブル/デバイアスド機械学習(DML)モデルを開発する。
さらに,歩行者の横断行動,歩行者のストレスレベル,待ち時間の2つの主成分からなるコプラベースジョイントモデルを構築し,交通密度の影響を解析する。
copulaアプローチは、旅行行動モデリングにおける因果分析として分類できる自己選択問題に対処するために、文献で広く使われている。
コプラアプローチとDMLの結果は,交通密度の影響に基づいて比較した。
DMLモデル構造では、密度パラメータの標準誤差項はコプラアプローチよりも低く、信頼区間ははるかに信頼性が高い。
さらに、同様の効果の兆候にもかかわらず、共同設立者の刺激的な影響により、コプラアプローチはDMLよりも低い交通密度の影響を推定する。
要するに、DMLモデル構造は、機械学習アルゴリズムを使用して、共同創設者の影響を柔軟に調整することができ、将来のポリシーを計画する上でより信頼性が高い。
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) - 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) - Self-Supervised Deconfounding Against Spatio-Temporal Shifts: Theory and
Modeling [48.09863133371918]
本研究では,過去の交通データ,将来の交通データ,外部STコンテキストの因果グラフを構築することで,問題を定式化する。
OODトラフィックデータにおける先行技術の失敗は、STコンテキストが共同創設者として機能すること、すなわち過去のデータと将来のデータに対する共通の原因によるものであることが示される。
本研究では,STEVE(Spatio-Temporal sElf-superVised dEconfounding)フレームワークを考案し,トラフィックデータを2つの不整合表現に符号化し,不変および変動STコンテキストを関連付ける。
論文 参考訳（メタデータ） (2023-11-21T09:33:13Z) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳（メタデータ） (2023-11-11T07:26:47Z) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-10T02:22:33Z) - Causal conditional hidden Markov model for multimodal traffic prediction [2.991894112851257]
マルチモーダルトラフィックフローを予測するために,Causal Hidden Markov Model (CCHMM)を提案する。
実世界のデータセットの実験により、CCHMMは興味ある概念の因果表現を効果的に切り離すことができることが示された。
論文 参考訳（メタデータ） (2023-01-19T01:56:43Z) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳（メタデータ） (2022-03-21T06:38:34Z) - Modeling Interactions of Autonomous Vehicles and Pedestrians with Deep
Multi-Agent Reinforcement Learning for Collision Avoidance [20.542143534865154]
本研究では,対話系列をマルコフ決定過程 (MDP) としてモデル化し,深部強化学習 (DRL) アルゴリズムを用いて解析する。
知的歩行者行動の異なるPCAMシステムは,エージェントの衝突速度と結果の交通流効率に応じてベンチマークを行う。
その結果, AV は実験条件の大部分で完全に衝突を緩和できることがわかった。
論文 参考訳（メタデータ） (2021-09-30T17:06:39Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - 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)
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。