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
- Panacea: Mitigating Harmful Fine-tuning for Large Language Models via Post-fine-tuning Perturbation [58.7395356511539]
有害な微調整攻撃は、微調整サービスに重大なセキュリティリスクをもたらす。
主流防衛は、後の有害な微調整攻撃がより効果的でないように、モデルを予防接種することを目的としている。
微調整後のモデルに適用可能な適応的摂動を最適化するパナセアを提案する。
論文 参考訳（メタデータ） (2025-01-30T02:47:09Z) - 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) - 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) - Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction [6.570852598591727]
Stemporal Zero-Inflated Tweedie Graph Neural Network STZITZTDGNNは,道路交通事故予測における最初の不確実性を考慮したグラフ深層学習モデルである。
本研究は,STIDGNNが対象道路の監視を効果的に行い,都市道路の安全対策を改善することを実証するものである。
論文 参考訳（メタデータ） (2023-09-10T16:35:47Z) - 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。