論文の概要: Deep learning based black spot identification on Greek road networks
- arxiv url: http://arxiv.org/abs/2306.10734v1
- Date: Mon, 19 Jun 2023 07:08:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 18:57:17.160285
- Title: Deep learning based black spot identification on Greek road networks
- Title（参考訳）: 深層学習に基づくギリシャの道路網上の黒点識別
- Authors: Ioannis Karamanlis and Alexandros Kokkalis and Vassilios Profillidis
and George Botzoris and Chairi Kiourt and Vasileios Sevetlidis and George
Pavlidis
- Abstract要約: 時間的現象であるブラックスポットの識別には、地理的な位置と時間に基づく道路事故の発生の分析が含まれる。
この研究は、警察や政府発行の自動車事故レポートのデータを利用して、ギリシャの道路網の交通事故をブラックスポットの認識に焦点をあてた。
- 参考スコア（独自算出の注目度）: 52.77024349608834
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Black spot identification, a spatiotemporal phenomenon, involves analyzing
the geographical location and time-based occurrence of road accidents.
Typically, this analysis examines specific locations on road networks during
set time periods to pinpoint areas with a higher concentration of accidents,
known as black spots. By evaluating these problem areas, researchers can
uncover the underlying causes and reasons for increased collision rates, such
as road design, traffic volume, driver behavior, weather, and infrastructure.
However, challenges in identifying black spots include limited data
availability, data quality, and assessing contributing factors. Additionally,
evolving road design, infrastructure, and vehicle safety technology can affect
black spot analysis and determination. This study focused on traffic accidents
in Greek road networks to recognize black spots, utilizing data from police and
government-issued car crash reports. The study produced a publicly available
dataset called Black Spots of North Greece (BSNG) and a highly accurate
identification method.
- Abstract（参考訳）: 時空間現象であるブラックスポット識別は、道路事故の地理的な位置と時間に基づく発生を分析する。
典型的には、ブラックスポットと呼ばれる事故の集中度が高い地域を特定するために、設定された期間における道路網の特定の場所を調べる。
これらの問題領域を評価することで、道路設計、交通量、運転行動、天候、インフラなどの衝突率の増加の原因と原因を明らかにすることができる。
しかし、ブラックスポットを特定する際の課題は、データ可用性の制限、データ品質、寄与要因の評価である。
さらに、道路設計、インフラ、車両安全技術の進化は、黒点分析と判定に影響を及ぼす可能性がある。
この研究は、ギリシャの道路網における交通事故に注目し、警察や政府発行の自動車事故報告書のデータを利用して、黒点を認識する。
この研究は、北ギリシャのブラックスポット(bsng)と呼ばれる一般公開されたデータセットと、高精度な識別方法を生み出した。
関連論文リスト
- XTraffic: A Dataset Where Traffic Meets Incidents with Explainability and More [38.092415845567345]
トラヒックとインシデントという2つの非常に相関の深いトラックで研究が行われている。
XTrafficデータセットには、トラフィック、すなわち、トラフィックフロー、車線占有率、平均車両速度の時系列インデックスが含まれている。
各ノードは、レーンの詳細な物理ポリシーレベルのメタ属性を含む。
論文 参考訳（メタデータ） (2024-07-16T08:16:01Z) - Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。
我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
論文 参考訳（メタデータ） (2024-06-30T04:21:46Z) - Hotspot Prediction of Severe Traffic Accidents in the Federal District
of Brazil [0.0]
この研究は、主に事故の集中度と、ホットスポットの予測に機械学習をどのように使用できるかに焦点を当て、研究の多様性を増す試みである。
ブラジル連邦地区のデータは、法医学的な交通事故のアナリストから収集され、現地の気象状況のデータと組み合わせて、衝突のホットスポットを予測する。
気象パラメーターが事故発生場所ほど重要でないことを確認し,事故発生回数を減らすために局所的な介入が重要であることを示す。
論文 参考訳（メタデータ） (2023-12-28T22:13:11Z) - 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) - Exploring Machine Learning Techniques to Identify Important Factors
Leading to Injury in Curve Related Crashes [0.4129225533930965]
本研究は, 交通事故に関連する重要な要因を変数として考慮し, 車両の損傷の有無を予測変数として検討することにより, 問題点を解消しようとするものである。
本研究は、米国各州の交通事故関連データを含む国家道路交通安全局(NHTSA)のCRSSデータを用いた。
分析の結果,損傷の程度,事故前イベント,事故前位置,道路記述,道路表面条件,事故月,最初の有害事象,車両数,回避操作の試み,道路勾配が車両数に影響を与えることが明らかとなった。
論文 参考訳（メタデータ） (2023-01-04T13:07:28Z) - Driving Safety Prediction and Safe Route Mapping Using In-vehicle and
Roadside Data [3.8103848718367597]
セーフルートマッピング(SRM)モデルは、予測を行う際のドライバの動作を検討するために拡張される。
Androidアプリはドライバーの情報を収集してサーバにアップロードするように設計されている。
ダイナミックな交通情報は 道端のカメラで捕捉され 同じサーバーにアップロードされる
LightGBMモデルは、次の1、2秒でドライバーの競合指標を予測するために導入された。
論文 参考訳（メタデータ） (2022-09-12T20:39:33Z) - Modelling and Detection of Driver's Fatigue using Ontology [60.090278944561184]
道路事故は世界8大死因である。
様々な要因がドライバーの疲労の原因となっている。
ドライバの疲労検出に関するオントロジー知識とルールをインテリジェントシステムに統合する必要がある。
論文 参考訳（メタデータ） (2022-08-31T08:42:28Z) - Drivers' attention detection: a systematic literature review [62.997667081978825]
多くの要因が運転中の注意散らしに寄与しうるが、それは物体や事象が生理的状態、つまり眠気や疲労に結びつくためであり、運転者が注意をそらすことができないからである。
技術進歩により、現実の状況における注意を検知する多くのソリューションの開発と応用が可能となった。
本研究は,車輪の運転者の注意を検知するための方法と基準について,システマティック文献レビュー(Systematic Literature Review)を提示する。
論文 参考訳（メタデータ） (2022-04-06T11:36:40Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z) - Drone-based RGB-Infrared Cross-Modality Vehicle Detection via
Uncertainty-Aware Learning [59.19469551774703]
ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。
我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。
私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
論文 参考訳（メタデータ） (2020-03-05T05:29:44Z)
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。