論文の概要: Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations
for Accident Analysis
- arxiv url: http://arxiv.org/abs/2311.00164v1
- Date: Tue, 31 Oct 2023 21:43:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 15:49:10.338807
- Title: Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations
for Accident Analysis
- Title（参考訳）: 道路安全モデリングのためのグラフニューラルネットワーク:事故解析のためのデータセットと評価
- Authors: Abhinav Nippani, Dongyue Li, Haotian Ju, Haris N. Koutsopoulos,
Hongyang R. Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 21.02297148118655
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of traffic accident analysis on a road network based
on road network connections and traffic volume. Previous works have designed
various deep-learning methods using historical records to predict traffic
accident occurrences. However, there is a lack of consensus on how accurate
existing methods are, and a fundamental issue is the lack of public accident
datasets for comprehensive evaluations. This paper constructs a large-scale,
unified dataset of traffic accident records from official reports of various
states in the US, totaling 9 million records, accompanied by road networks and
traffic volume reports. Using this new dataset, we evaluate existing
deep-learning methods for predicting the occurrence of accidents on road
networks. Our main finding is that graph neural networks such as GraphSAGE can
accurately predict the number of accidents on roads with less than 22% mean
absolute error (relative to the actual count) and whether an accident will
occur or not with over 87% AUROC, averaged over states. We achieve these
results by using multitask learning to account for cross-state variabilities
(e.g., availability of accident labels) and transfer learning to combine
traffic volume with accident prediction. Ablation studies highlight the
importance of road graph-structural features, amongst other features. Lastly,
we discuss the implications of the analysis and develop a package for easily
using our new dataset.
- Abstract（参考訳）: 道路網の接続と交通量に基づく道路網における交通事故解析の問題点について考察する。
過去の研究は、交通事故の発生を予測するために歴史的記録を用いた様々な深層学習手法を設計してきた。
しかしながら、既存の手法の正確性に関するコンセンサスが欠如しており、基本的な問題は総合的な評価のための公開事故データセットの欠如である。
本稿では,米国各州の公報から得られた交通事故記録の大規模統一データセットを構築し,道路網と交通量報告を伴い,合計900万件の記録を収集した。
この新しいデータセットを用いて,道路網における事故発生予測のための既存のディープラーニング手法を評価する。
私たちの主な発見は、graphsageのようなグラフニューラルネットワークは、絶対誤差が22%未満の道路での事故数を正確に予測でき、事故が87%以上のaurocで発生するかどうかを、状態平均で予測できるということです。
本研究では,交通量と事故予測を組み合わせるために,マルチタスク学習を用いてクロスステートな変動(事故ラベルの可用性など)を考慮し,これらの結果を得る。
アブレーション研究は、道路グラフ構造の特徴、その他の特徴の重要性を強調している。
最後に、分析の意味について論じ、新しいデータセットを簡単に利用できるパッケージを開発する。
関連論文リスト
- XTraffic: A Dataset Where Traffic Meets Incidents with Explainability and More [38.092415845567345]
トラヒックとインシデントという2つの非常に相関の深いトラックで研究が行われている。
XTrafficデータセットには、トラフィック、すなわち、トラフィックフロー、車線占有率、平均車両速度の時系列インデックスが含まれている。
各ノードは、レーンの詳細な物理ポリシーレベルのメタ属性を含む。
論文 参考訳（メタデータ） (2024-07-16T08:16:01Z) - 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) - Interpretable Traffic Event Analysis with Bayesian Networks [24.029078330299722]
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。
論文 参考訳（メタデータ） (2023-10-10T15:38:30Z) - 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) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - TAD: A Large-Scale Benchmark for Traffic Accidents Detection from Video
Surveillance [2.1076255329439304]
既存の交通事故のデータセットは小規模で、監視カメラからではなく、オープンソースではない。
様々な次元による統合とアノテーションの後に,TADという大規模交通事故データセットが提案されている。
論文 参考訳（メタデータ） (2022-09-26T03:00:50Z) - Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced
Dataset and Benchmark [62.997667081978825]
本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。
データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
論文 参考訳（メタデータ） (2022-05-20T21:15:26Z) - 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) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。