論文の概要: Spatiotemporal Graph Neural Networks with Uncertainty Quantification for
Traffic Incident Risk Prediction
- arxiv url: http://arxiv.org/abs/2309.05072v1
- Date: Sun, 10 Sep 2023 16:35:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 14:48:40.678939
- Title: Spatiotemporal Graph Neural Networks with Uncertainty Quantification for
Traffic Incident Risk Prediction
- Title（参考訳）: 不確かさを定量化した時空間グラフニューラルネットワークによる交通事故リスク予測
- Authors: Xiaowei Gao, Xinke Jiang, Dingyi Zhuang, Huanfa Chen, Shenhao Wang,
James Haworth
- Abstract要約: 時空間ゼロ膨張ツイーディグラフニューラルネットワーク(STZITD-GNN)について紹介する。
我々のモデルは従来の統計モデルの信頼性とグラフニューラルネットワークの柔軟性を融合し、道路レベルの交通事故リスクに関連する不確実性を定量化することを目的としている。
ロンドンの現実の交通データを用いた実証テストでは、我々のモデルが現在のベンチマークを超えていることが示されています。
- 参考スコア（独自算出の注目度）: 6.379657182590548
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Predicting traffic incident risks at granular spatiotemporal levels is
challenging. The datasets predominantly feature zero values, indicating no
incidents, with sporadic high-risk values for severe incidents. Notably, a
majority of current models, especially deep learning methods, focus solely on
estimating risk values, overlooking the uncertainties arising from the
inherently unpredictable nature of incidents. To tackle this challenge, we
introduce the Spatiotemporal Zero-Inflated Tweedie Graph Neural Networks
(STZITD-GNNs). Our model merges the reliability of traditional statistical
models with the flexibility of graph neural networks, aiming to precisely
quantify uncertainties associated with road-level traffic incident risks. This
model strategically employs a compound model from the Tweedie family, as a
Poisson distribution to model risk frequency and a Gamma distribution to
account for incident severity. Furthermore, a zero-inflated component helps to
identify the non-incident risk scenarios. As a result, the STZITD-GNNs
effectively capture the dataset's skewed distribution, placing emphasis on
infrequent but impactful severe incidents. Empirical tests using real-world
traffic data from London, UK, demonstrate that our model excels beyond current
benchmarks. The forte of STZITD-GNN resides not only in its accuracy but also
in its adeptness at curtailing uncertainties, delivering robust predictions
over short (7 days) and extended (14 days) timeframes.
- Abstract（参考訳）: 粒度の時空間レベルでのトラフィックインシデントリスクの予測は困難である。
データセットは主にゼロ値で、インシデントを示さず、深刻なインシデントに対する散発的なハイリスク値である。
特に、現在のモデルの大部分、特にディープラーニングの手法は、本質的に予測不能なインシデントの性質から生じる不確実性を見越して、リスク値の推定のみに焦点を当てている。
この課題に対処するために、時空間ゼロ膨張ツイーディグラフニューラルネットワーク(STZITD-GNN)を導入する。
本モデルでは,従来の統計モデルの信頼性とグラフニューラルネットワークの柔軟性を融合し,道路交通インシデントリスクに関連する不確実性を正確に定量化することを目的としている。
このモデルは、リスク頻度とガンマ分布をモデル化するためにポアソン分布として、トウィージー族からの複合モデルを戦略的に採用している。
さらに、ゼロ膨張コンポーネントは、非インシデントリスクシナリオを特定するのに役立つ。
その結果、STZITD-GNNはデータセットの歪んだ分布を効果的に捉え、頻繁だが影響の激しいインシデントに重点を置いている。
ロンドンの現実の交通データを用いた実証テストでは、我々のモデルは現在のベンチマークを超えています。
STZITD-GNNの砦は正確さだけでなく、不確かさの削減にも優れており、短い(7日)と長い(14日)の時間枠で堅牢な予測を提供する。
関連論文リスト
- Accident Impact Prediction based on a deep convolutional and recurrent neural network model [0.24999074238880484]
本研究では,事故後の影響を予測するためにカスケードモデルと呼ばれるディープニューラルネットワークモデルを提案する。
ロサンゼルス郡から入手可能な実世界のデータを利用して、事故後の影響を予測する。
その結果、最小限の影響の予測における精度の向上と、より重大な影響の予測におけるリコールの精度の向上が明らかになった。
論文 参考訳（メタデータ） (2024-11-12T04:27:06Z) - An Explainable Machine Learning Approach to Traffic Accident Fatality Prediction [0.02730969268472861]
道路交通事故は世界中で公衆衛生上の脅威となっている。
本研究では,致命的および致命的でない道路事故を分類するための機械学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-09-18T12:41:56Z) - Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。
さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。
実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-16T03:10:16Z) - SST-GCN: The Sequential based Spatio-Temporal Graph Convolutional networks for Minute-level and Road-level Traffic Accident Risk Prediction [1.2815904071470705]
本稿では,SST-GCN(Sequential based Spatio-Temporal Graph Convolutional Networks)を提案する。
実験により、SST-GCNは他の最先端モデルよりも小さなレベル予測の方が優れていることが示された。
論文 参考訳（メタデータ） (2024-05-28T21:33:18Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - 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) - TAP: A Comprehensive Data Repository for Traffic Accident Prediction in
Road Networks [36.975060335456035]
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。
論文 参考訳（メタデータ） (2023-04-17T22:18:58Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - 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)
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。