論文の概要: Enhancing Prediction and Analysis of UK Road Traffic Accident Severity Using AI: Integration of Machine Learning, Econometric Techniques, and Time Series Forecasting in Public Health Research

• arxiv url: http://arxiv.org/abs/2309.13483v1
• Date: Sat, 23 Sep 2023 21:46:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 19:34:52.783725
• Title: Enhancing Prediction and Analysis of UK Road Traffic Accident Severity Using AI: Integration of Machine Learning, Econometric Techniques, and Time Series Forecasting in Public Health Research
• Title（参考訳）: aiを用いた英国道路交通事故の予測と分析の強化--公衆衛生研究における機械学習、計量的手法、時系列予測の統合
• Authors: Md Abu Sufian, Jayasree Varadarajan
• Abstract要約: 本研究は, 機械学習, エコノメトリ, 統計的手法を組み合わせて, 英国における交通事故の重大度を調査した。 MASEは0.800、MEは-73.80である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This research investigates road traffic accident severity in the UK, using a combination of machine learning, econometric, and statistical methods on historical data. We employed various techniques, including correlation analysis, regression models, GMM for error term issues, and time-series forecasting with VAR and ARIMA models. Our approach outperforms naive forecasting with an MASE of 0.800 and ME of -73.80. We also built a random forest classifier with 73% precision, 78% recall, and a 73% F1-score. Optimizing with H2O AutoML led to an XGBoost model with an RMSE of 0.176 and MAE of 0.087. Factor Analysis identified key variables, and we used SHAP for Explainable AI, highlighting influential factors like Driver_Home_Area_Type and Road_Type. Our study enhances understanding of accident severity and offers insights for evidence-based road safety policies.
• Abstract（参考訳）: 本研究は,英国における道路交通事故の重大度について,機械学習,計量,統計手法を併用して検討する。 我々は,相関解析,回帰モデル,エラー項問題に対するGMM,VARモデルとARIMAモデルを用いた時系列予測など,様々な手法を用いた。 提案手法は,maase 0.800とme-73.80のナイーブ予測よりも優れている。 また、73%の精度、78%のリコール、73%のF1スコアを備えたランダム森林分類器を構築した。 H2O AutoMLの最適化により、RMSE 0.176 と MAE 0.087 の XGBoost モデルが導入された。 因子分析によって重要な変数が特定され,説明可能なAIにSHAPを使用して, Driver_Home_Area_Type や Road_Type などの影響要因を強調した。 本研究は,事故重大性の理解を深め,エビデンスに基づく道路安全政策の洞察を提供する。

関連論文リスト

• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• 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)
• Exploring the Determinants of Pedestrian Crash Severity Using an AutoML Approach [0.0]
  この研究は、さまざまな説明変数がクラッシュ結果に与える影響を評価するためにAutoMLを使用している。 この研究は、予測モデルにおける個々の特徴の寄与を解釈するために、SHAP(SHapley Additive exPlanations)を組み込んだ。
  論文  参考訳（メタデータ） (2024-06-07T22:02:36Z)
• Robustness Benchmark of Road User Trajectory Prediction Models for Automated Driving [0.0]
  車両内のモデル展開中に観測される機能不全をシミュレートする摂動に対して、機械学習モデルをベンチマークする。 同様の摂動を持つモデルのトレーニングは、パフォーマンスの劣化を効果的に低減し、エラーは+87.5%まで増加する。 効果的な緩和戦略であるにもかかわらず、トレーニング中の摂動によるデータ拡張は、予期せぬ摂動に対する堅牢性を保証するものではない、と我々は主張する。
  論文  参考訳（メタデータ） (2023-04-04T15:47:42Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
  ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。 これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。 本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
  論文  参考訳（メタデータ） (2022-07-29T22:35:05Z)
• 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)
• Comparison Analysis of Tree Based and Ensembled Regression Algorithms for Traffic Accident Severity Prediction [2.956978593944786]
  さまざまな機械学習モデルが事故予測に使用されている。 ランサムフォレストは、0.974の精度、0.954の精度、0.930のリコール、0.942のFスコアを持つ最高性能のモデルである。
  論文  参考訳（メタデータ） (2020-10-27T11:52:39Z)
• Vehicle Class, Speed, and Roadway Geometry Based Driver Behavior Identification and Classification [6.09170287691728]
  本稿では,特に重車両を牽引する車両のクラスが,次の車両の挙動に与える影響について検討する。 これは、カリフォルニア州エメリービルの州間高速道路80号線(I80)のNGSIM(Next Generation Simulation)データセットから、様々な自動車追尾エピソードを抽出して分析した。
  論文  参考訳（メタデータ） (2020-09-16T19:45:39Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Intelligent Road Inspection with Advanced Machine Learning; Hybrid Prediction Models for Smart Mobility and Transportation Maintenance Systems [1.0773924713784704]
  本稿では,インテリジェント道路検査のための新しい機械学習モデルを提案する。 提案モデルでは, 落下重量偏向計(FWD)による表面偏向データを用いて, 舗装条件指数(PCI)の予測を行う。 解析結果は,平均相対誤差(APRE),平均絶対相対誤差(AAPRE),根平均二乗誤差(RMSE),標準誤差(SD)の4つの基準を用いて検証された。
  論文  参考訳（メタデータ） (2020-01-18T19:12:51Z)

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。