Fugu-MT 論文翻訳(概要): TAP: A Comprehensive Data Repository for Traffic Accident Prediction in Road Networks

論文の概要: TAP: A Comprehensive Data Repository for Traffic Accident Prediction in Road Networks

arxiv url: http://arxiv.org/abs/2304.08640v1
Date: Mon, 17 Apr 2023 22:18:58 GMT
ステータス: 処理完了
システム内更新日: 2023-04-19 16:22:42.787037
Title: TAP: A Comprehensive Data Repository for Traffic Accident Prediction in Road Networks
Title（参考訳）: TAP:道路網における交通事故予測のための総合データリポジトリ
Authors: Baixiang Huang, Bryan Hooi, Kai Shu
Abstract要約: 既存の機械学習アプローチは、独立して交通事故を予測することに重点を置いている。グラフ構造情報を組み込むには、グラフニューラルネットワーク(GNN)を自然に適用することができる。 GNNを事故予測問題に適用することは、適切なグラフ構造化交通事故データセットがないため、課題に直面します。
参考スコア（独自算出の注目度）: 36.975060335456035
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Road safety is a major global public health concern. Effective traffic crash prediction can play a critical role in reducing road traffic accidents. However, Existing machine learning approaches tend to focus on predicting traffic accidents in isolation, without considering the potential relationships between different accident locations within road networks. To incorporate graph structure information, graph-based approaches such as Graph Neural Networks (GNNs) can be naturally applied. However, applying GNNs to the accident prediction problem faces challenges due to the lack of suitable graph-structured traffic accident datasets. To bridge this gap, we have constructed a real-world graph-based Traffic Accident Prediction (TAP) data repository, along with two representative tasks: accident occurrence prediction and accident severity prediction. With nationwide coverage, real-world network topology, and rich geospatial features, this data repository can be used for a variety of traffic-related tasks. We further comprehensively evaluate eleven state-of-the-art GNN variants and two non-graph-based machine learning methods using the created datasets. Significantly facilitated by the proposed data, we develop a novel Traffic Accident Vulnerability Estimation via Linkage (TRAVEL) model, which is designed to capture angular and directional information from road networks. We demonstrate that the proposed model consistently outperforms the baselines. The data and code are available on GitHub (https://github.com/baixianghuang/travel).
Abstract（参考訳）: 道路安全は世界的な公衆衛生上の問題である。効果的な交通事故予測は、道路交通事故の低減に重要な役割を果たす。しかし、既存の機械学習アプローチは、道路ネットワーク内の異なる事故場所間の潜在的な関係を考慮せずに、独立して交通事故を予測することに集中する傾向にある。グラフ構造情報を組み込むため、グラフニューラルネットワーク(GNN)のようなグラフベースのアプローチを自然に適用することができる。しかし、GNNを事故予測問題に適用することは、適切なグラフ構造化交通事故データセットがないために困難に直面している。このギャップを埋めるため,我々は,事故発生予測と事故発生予測という2つの代表的なタスクとともに,実世界のグラフベースの交通事故予測(tap)データリポジトリを構築した。全国的なカバレッジ、実世界のネットワークトポロジ、豊富な地理空間機能により、このデータリポジトリはさまざまなトラフィック関連のタスクに使用できる。さらに、作成したデータセットを用いて、11の最先端GNN変種と2つの非グラフベース機械学習手法を包括的に評価する。そこで本研究では,道路網からの角方向情報と方向情報を取り込むためのlinkage(travel)モデルを用いた,新たな交通事故脆弱性推定手法を提案する。提案モデルがベースラインを一貫して上回ることを示す。データとコードはgithubから入手できる(https://github.com/baixianghuang/travel)。

関連論文リスト

Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations for Accident Analysis [21.02297148118655]
本稿では,米国各州の公式報告から,大規模交通事故記録のデータセットを構築した。この新たなデータセットを用いて,道路ネットワーク上で発生した事故を予測するための既存のディープラーニング手法を評価する。主な発見は、GraphSAGEのようなグラフニューラルネットワークが、道路上の事故数を22%未満の絶対誤差で正確に予測できることです。
論文参考訳（メタデータ） (2023-10-31T21:43:10Z)
Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction [6.570852598591727]
Stemporal Zero-Inflated Tweedie Graph Neural Network STZITZTDGNNは,道路交通事故予測における最初の不確実性を考慮したグラフ深層学習モデルである。本研究は,STIDGNNが対象道路の監視を効果的に行い,都市道路の安全対策を改善することを実証するものである。
論文参考訳（メタデータ） (2023-09-10T16:35:47Z)
RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文参考訳（メタデータ） (2022-07-16T12:40:17Z)
A Graph and Attentive Multi-Path Convolutional Network for Traffic Prediction [16.28015945020806]
本稿では,将来的な交通状況を予測するために,グラフおよび注意深いマルチパス畳み込みネットワーク(GAMCN)モデルを提案する。我々のモデルは交通条件に影響を与える空間的要因と時間的要因に焦点を当てている。予測精度は,予測誤差が最大18.9%,予測効率が23.4%である。
論文参考訳（メタデータ） (2022-05-30T16:24:43Z)
Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
論文参考訳（メタデータ） (2022-05-20T21:15:26Z)
Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文参考訳（メタデータ） (2022-03-08T09:46:50Z)
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)
Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal Relational Learning [30.59728753059457]
交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
論文参考訳（メタデータ） (2020-08-01T20:21:48Z)
Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文参考訳（メタデータ） (2020-06-21T19:45:30Z)
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。