論文の概要: Predicting Real-time Crash Risks during Hurricane Evacuation Using Connected Vehicle Data

• arxiv url: http://arxiv.org/abs/2306.08682v1
• Date: Wed, 14 Jun 2023 18:04:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 17:39:42.197263
• Title: Predicting Real-time Crash Risks during Hurricane Evacuation Using Connected Vehicle Data
• Title（参考訳）: コネクテッドカーデータを用いたハリケーン避難時のリアルタイム衝突リスク予測
• Authors: Zaheen E Muktadi Syed and Samiul Hasan
• Abstract要約: そこで本研究では,新しい代替データソースであるコネクテッドカーデータからハリケーン避難時の事故リスクを推定する手法を提案する。 複数の機械学習モデルは、接続された車両データから抽出された気象特性と異なる交通特性を考慮して訓練された。
• 参考スコア（独自算出の注目度）: 1.3706331473063877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hurricane evacuation, ordered to save lives of people of coastal regions, generates high traffic demand with increased crash risk. To mitigate such risk, transportation agencies need to anticipate highway locations with high crash risks to deploy appropriate countermeasures. With ubiquitous sensors and communication technologies, it is now possible to retrieve micro-level vehicular data containing individual vehicle trajectory and speed information. Such high-resolution vehicle data, potentially available in real time, can be used to assess prevailing traffic safety conditions. Using vehicle speed and acceleration profiles, potential crash risks can be predicted in real time. Previous studies on real-time crash risk prediction mainly used data from infrastructure-based sensors which may not cover many road segments. In this paper, we present methods to determine potential crash risks during hurricane evacuation from an emerging alternative data source known as connected vehicle data. Such data contain vehicle location, speed, and acceleration information collected at a very high frequency (less than 30 seconds). To predict potential crash risks, we utilized a dataset collected during the evacuation period of Hurricane Ida on Interstate-10 (I-10) in the state of Louisiana. Multiple machine learning models were trained considering weather features and different traffic characteristics extracted from the connected vehicle data in 5-minute intervals. The results indicate that the Gaussian Process Boosting (GPBoost) and Extreme Gradient Boosting (XGBoost) models perform better (recall = 0.91) than other models. The real-time connected vehicle data for crash risks assessment will allow traffic managers to efficiently utilize resources to proactively take safety measures.
• Abstract（参考訳）: 沿岸部の人々の命を救えるよう命じられたハリケーンの避難は、衝突のリスクを増し、高い交通需要を生み出す。 このようなリスクを軽減するため、交通機関は適切な対策を展開するために、衝突リスクの高い高速道路の場所を予想する必要がある。 ユビキタスセンサーと通信技術により、個々の車両軌道と速度情報を含むマイクロレベルの車両データを取得することができる。 このような高分解能な車両データはリアルタイムに利用可能であり、交通安全条件の評価に使用できる。 車両の速度と加速プロファイルを使用して、潜在的な衝突リスクをリアルタイムで予測することができる。 リアルタイムの事故リスク予測に関するこれまでの研究は、主に道路セグメントの多くをカバーしていないインフラストラクチャーベースのセンサーのデータを用いていた。 そこで,本稿では,新データであるコネクテッド・ビークル・データから,ハリケーン避難時の事故リスクを判定する手法を提案する。 このようなデータは、非常に高い周波数(30秒未満)で収集された車両の位置、速度、加速度情報を含んでいる。 事故リスクを予測するために,ルイジアナ州州間高速道路10号線(i-10)のハリケーン・アイダの避難期間に収集されたデータセットを用いた。 連結車両データから5分間隔で抽出した気象特性と交通特性を考慮し,複数の機械学習モデルを訓練した。 その結果, ガウスプロセスブースティング (GPBoost) とエクストリームグラディエントブースティング (XGBoost) は, 他のモデルより優れている(リコール=0.91)ことが示された。 事故リスク評価のためのリアルタイムコネクテッドカーデータにより、交通管理者は資源を効率的に活用し、安全対策を積極的に行うことができる。

関連論文リスト

• Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
  本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。 さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。 その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-08-15T00:51:48Z)
• Vehicle-group-based Crash Risk Formation and Propagation Analysis for Expressways [9.337163968120915]
  本研究は,車両群を分析対象とし,リスク形成・伝播機構について検討する。 事故リスクに寄与する要因として, 過去の高リスク車両群, 複雑な車両挙動, 大型車両の割合, 車両群内での車線変更頻度, 特定の道路ジオメトリーなどが挙げられる。 その結果,高リスク状態の長期化,車両群の大きさの増大,車線変化の頻繁化が有害なリスク伝播パターンと関連していることが示唆された。
  論文  参考訳（メタデータ） (2024-02-19T07:47:23Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• An Open Case-based Reasoning Framework for Personalized On-board Driving Assistance in Risk Scenarios [0.46408356903366527]
  個人化された車載運転支援を実現するためのオープンなフレームワークを提案する。 その後、既存の事例を検索、再利用、修正し、支援を生成するためのCBRベースの調整手法が提案される。 100-Car Naturalistic Driving Studyデータセットをフレームワークの構築とテストの例として用います。
  論文  参考訳（メタデータ） (2022-11-23T09:28:28Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Deep Representation of Imbalanced Spatio-temporal Traffic Flow Data for Traffic Accident Detection [0.3670422696827526]
  本稿では,高速道路事故の自動検出のためのLong-Short Term Memory (LSTM) ネットワークを用いたループ検出データの深部表現について検討する。 ミネソタ州ツインシティーズ・メトロの高速道路から収集された実事故およびループ検出データの実験は、LSTMネットワークを用いた交通流データの深部表現が18分以内で高速道路事故を検出する可能性を実証している。
  論文  参考訳（メタデータ） (2021-08-21T13:18:04Z)
• R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of Dynamic Scenes [69.6715406227469]
  駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。 本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
  論文  参考訳（メタデータ） (2021-08-10T17:57:03Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Impact of risk factors on work zone crashes using logistic models and Random Forest [9.5148976460603]
  本研究は、ハイウェイI-94沿いの労働地帯で発生した2016年のミシガン州(USA)の激しい事故に焦点を当てた。 この研究は、環境、運転者、事故、道路関連変数を特徴付ける幅広い事故変数からリスク要因を特定した。
  論文  参考訳（メタデータ） (2021-04-14T00:27:11Z)
• 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)

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。