論文の概要: Interpretable Traffic Event Analysis with Bayesian Networks

• arxiv url: http://arxiv.org/abs/2310.06713v1
• Date: Tue, 10 Oct 2023 15:38:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 01:37:36.072029
• Title: Interpretable Traffic Event Analysis with Bayesian Networks
• Title（参考訳）: ベイズネットワークを用いた解釈可能な交通イベント解析
• Authors: Tong Yuan, Jian Yang, Zeyi Wen
• Abstract要約: 本稿では,ベイジアンネットワークに基づく交通事故予測のための解釈可能なフレームワークを提案する。 我々は、重要なトラフィックデータ情報を保持しながら、トラフィックデータをフレームワークに供給するデータセット構築パイプラインを設計する。 具体的なケーススタディにより、我々のフレームワークは、アメリカ各地の気象と交通事象の因果関係に基づくデータセットからベイズネットワークを導出することができる。
• 参考スコア（独自算出の注目度）: 24.029078330299722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although existing machine learning-based methods for traffic accident analysis can provide good quality results to downstream tasks, they lack interpretability which is crucial for this critical problem. This paper proposes an interpretable framework based on Bayesian Networks for traffic accident prediction. To enable the ease of interpretability, we design a dataset construction pipeline to feed the traffic data into the framework while retaining the essential traffic data information. With a concrete case study, our framework can derive a Bayesian Network from a dataset based on the causal relationships between weather and traffic events across the United States. Consequently, our framework enables the prediction of traffic accidents with competitive accuracy while examining how the probability of these events changes under different conditions, thus illustrating transparent relationships between traffic and weather events. Additionally, the visualization of the network simplifies the analysis of relationships between different variables, revealing the primary causes of traffic accidents and ultimately providing a valuable reference for reducing traffic accidents.
• Abstract（参考訳）: 既存の機械学習に基づく交通事故分析手法は、ダウンストリームタスクに優れた品質結果を提供するが、この重要な問題に不可欠な解釈可能性に欠ける。 本稿では,交通事故予測のためのベイズネットワークに基づく解釈フレームワークを提案する。 解釈容易性を実現するため,本手法では,重要なトラフィックデータ情報を保持しつつ,トラフィックデータをフレームワークに供給するデータセット構築パイプラインを設計する。 具体的なケーススタディにより、我々のフレームワークは、アメリカ各地の気象と交通事象の因果関係に基づくデータセットからベイズネットワークを導出することができる。 その結果, 異なる状況下での事故発生確率の変動を検証しつつ, 競合精度で交通事故の予測が可能となり, 交通と気象の相互関係を明らかにした。 さらに、ネットワークの可視化は、異なる変数間の関係の分析を単純化し、交通事故の主な原因を明らかにし、最終的に交通事故を減らすための貴重な参照を提供する。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• 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)
• 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)
• 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)
• Analyzing and modeling network travel patterns during the Ukraine invasion using crowd-sourced pervasive traffic data [3.2198211356287674]
  2022年、ウクライナは侵略に苦しめられ、時間と地理に深刻な影響を与えている。 本稿では,現在進行中のディスラプションが交通行動に与える影響について,解析および地域ネットワークモデルを用いて検討する。
  論文  参考訳（メタデータ） (2022-08-08T17:36:35Z)
• STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
  交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。 既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。 本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-21T06:38:34Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• 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)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• Spatio-Temporal Point Processes with Attention for Traffic Congestion Event Modeling [28.994426283738363]
  本稿では,道路ネットワーク上での交通渋滞イベントをモデル化するための新しいフレームワークを提案する。 交通センサからのカウントデータと交通事故を報告した警察の報告を組み合わせることで、マルチモーダルデータを用いて、渋滞イベントに対する2種類のトリガー効果を捉えることを目指す。 ある場所での現在の交通渋滞は、将来の道路網の混雑を引き起こす可能性があり、交通事故は広範な交通渋滞を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2020-05-15T04:22:18Z)

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。