論文の概要: Predicting Accident Severity: An Analysis Of Factors Affecting Accident
Severity Using Random Forest Model
- arxiv url: http://arxiv.org/abs/2310.05840v1
- Date: Mon, 9 Oct 2023 16:33:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 00:26:25.295877
- Title: Predicting Accident Severity: An Analysis Of Factors Affecting Accident
Severity Using Random Forest Model
- Title(参考訳): 事故重大度予測 : ランダム森林モデルによる事故重大度要因の解析
- Authors: Adekunle Adefabi, Somtobe Olisah, Callistus Obunadike, Oluwatosin
Oyetubo, Esther Taiwo, Edward Tella
- Abstract要約: 本研究では,事故の重大性を予測するためのランダムフォレスト機械学習アルゴリズムの有効性について検討した。
モデルは大都市圏の事故記録のデータセットに基づいて訓練され,様々な指標を用いて評価される。
その結果,ランダムフォレストモデルは事故の重大度を80%以上の精度で予測する有効なツールであることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Road accidents have significant economic and societal costs, with a small
number of severe accidents accounting for a large portion of these costs.
Predicting accident severity can help in the proactive approach to road safety
by identifying potential unsafe road conditions and taking well-informed
actions to reduce the number of severe accidents. This study investigates the
effectiveness of the Random Forest machine learning algorithm for predicting
the severity of an accident. The model is trained on a dataset of accident
records from a large metropolitan area and evaluated using various metrics.
Hyperparameters and feature selection are optimized to improve the model's
performance. The results show that the Random Forest model is an effective tool
for predicting accident severity with an accuracy of over 80%. The study also
identifies the top six most important variables in the model, which include
wind speed, pressure, humidity, visibility, clear conditions, and cloud cover.
The fitted model has an Area Under the Curve of 80%, a recall of 79.2%, a
precision of 97.1%, and an F1 score of 87.3%. These results suggest that the
proposed model has higher performance in explaining the target variable, which
is the accident severity class. Overall, the study provides evidence that the
Random Forest model is a viable and reliable tool for predicting accident
severity and can be used to help reduce the number of fatalities and injuries
due to road accidents in the United States
- Abstract(参考訳): 道路事故は経済的、社会的なコストが大きく、多くの重大な事故がこれらのコストの大部分を占めている。
事故の重大度を予測することは、潜在的に安全でない道路条件を特定し、重大事故の数を減らすために適切に調整された行動をとることによって、道路安全への積極的なアプローチに役立つ。
本研究では,事故の深刻度を予測するためのランダムフォレスト機械学習アルゴリズムの有効性を検討した。
モデルは大都市圏の事故記録のデータセットに基づいて訓練され,様々な指標を用いて評価される。
ハイパーパラメータと機能選択は、モデルの性能を改善するために最適化される。
その結果,ランダムフォレストモデルは事故重大度を80%以上の精度で予測する有効なツールであることがわかった。
この研究はまた、風速、圧力、湿度、可視性、明瞭な条件、雲のカバーなど、このモデルで最も重要な6つの変数も特定している。
適合したモデルは、曲線下の面積が80%、リコールが79.2%、精度が97.1%、f1スコアが87.3%である。
これらの結果から,提案モデルは,事故重大度クラスである対象変数の説明において高い性能を有することが示唆された。
全体として、この研究はランダム森林モデルが事故の重大度を予測するための実用的かつ信頼性の高いツールであり、米国での交通事故による死亡者数と負傷者を減らすのに役立つことを証明している。
関連論文リスト
- Inferring Heterogeneous Treatment Effects of Crashes on Highway Traffic:
A Doubly Robust Causal Machine Learning Approach [15.717402981513812]
本稿では,高速道路における各種事故の因果的影響を推定する新しい因果的機械学習フレームワークを提案する。
ワシントン州のハイウェイ州間高速道路5号線で発生した4815件の事故実験の結果、様々な距離と時間における事故の不均一な処理効果が明らかになった。
論文 参考訳(メタデータ) (2024-01-01T15:03:14Z) - 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) - Prediction of Crash Injury Severity in Florida's Interstate-95 [0.0]
2016年から2021年にかけてフロリダ州州間高速道路95号線で交通事故が発生した。
交通事故の重症度を推定するために 分類法が使われました
AdaboostアルゴリズムはリコールとAUCの点で他より優れていた。
論文 参考訳(メタデータ) (2023-12-16T18:42:39Z) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳(メタデータ) (2023-11-11T07:26:47Z) - A Bi-level Framework for Traffic Accident Duration Prediction:
Leveraging Weather and Road Condition Data within a Practical Optimum
Pipeline [0.5221459608786241]
交通事故のデータベースから,事故期間,道路状況,気象データを収集し,交通事故の持続時間パイプラインの実現可能性を確認した。
我々の二分分類ランダム林モデルでは,短期効果と長期効果を83%の精度で区別した。
SHAP値解析により, 気象条件, 風速, 風速が, 事故の期間を決定する上で最も重要な要因となった。
論文 参考訳(メタデータ) (2023-11-01T16:33:37Z) - 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) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - 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) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳(メタデータ) (2020-06-26T11:07:32Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳(メタデータ) (2020-06-08T19:24:54Z)
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。