論文の概要: A Bi-level Framework for Traffic Accident Duration Prediction: Leveraging Weather and Road Condition Data within a Practical Optimum Pipeline

• arxiv url: http://arxiv.org/abs/2311.00634v1
• Date: Wed, 1 Nov 2023 16:33:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 12:50:47.709132
• Title: A Bi-level Framework for Traffic Accident Duration Prediction: Leveraging Weather and Road Condition Data within a Practical Optimum Pipeline
• Title（参考訳）: 交通事故時予測のための二段階フレームワーク:実用的最適パイプライン内における気象・道路条件データの活用
• Authors: Rafat Tabassum Sukonna, Soham Irtiza Swapnil
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.5221459608786241
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the stochastic nature of events, predicting the duration of a traffic incident presents a formidable challenge. Accurate duration estimation can result in substantial advantages for commuters in selecting optimal routes and for traffic management personnel in addressing non-recurring congestion issues. In this study, we gathered accident duration, road conditions, and meteorological data from a database of traffic accidents to check the feasibility of a traffic accident duration pipeline without accident contextual information data like accident severity and textual description. Multiple machine learning models were employed to predict whether an accident's impact on road traffic would be of a short-term or long-term nature, and then utilizing a bimodal approach the precise duration of the incident's effect was determined. Our binary classification random forest model distinguished between short-term and long-term effects with an 83% accuracy rate, while the LightGBM regression model outperformed other machine learning regression models with Mean Average Error (MAE) values of 26.15 and 13.3 and RMSE values of 32.91 and 28.91 for short and long-term accident duration prediction, respectively. Using the optimal classification and regression model identified in the preceding section, we then construct an end-to-end pipeline to incorporate the entire process. The results of both separate and combined approaches were comparable with previous works, which shows the applicability of only using static features for predicting traffic accident duration. The SHAP value analysis identified weather conditions, wind chill and wind speed as the most influential factors in determining the duration of an accident.
• Abstract（参考訳）: イベントの確率的な性質のため、交通事故の期間を予測することは恐ろしい挑戦となる。 正確な持続時間推定は、通勤者にとって最適なルートを選択する際の実質的な利点と、不定期の混雑問題に対処するための交通管理人員をもたらす可能性がある。 本研究では,事故の重大度やテキスト記述などの事故状況情報を用いずに,事故継続時間パイプラインの実現可能性を確認するため,交通事故データベースから事故継続時間,道路状況,気象データを集めた。 事故が道路交通に与える影響が短期的・長期的かを予測するために複数の機械学習モデルを採用し、インシデントの影響の正確な持続時間を決定するバイモーダルアプローチを用いた。 平均平均誤差(mae)値26.15と13.3、rmse値32.91と28.91の他の機械学習回帰モデルよりも、lightgbm回帰モデルの方が、短期的および長期的事故継続予測において、短期的効果と長期的効果を区別した。 前節で特定した最適な分類と回帰モデルを用いて、プロセス全体を組み込むためにエンドツーエンドのパイプラインを構築します。 分離されたアプローチと組み合わせたアプローチの結果は,交通事故時間の予測に静的な特徴のみを用いることの適用性を示す,以前の研究と同等であった。 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。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
  ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2024-04-22T03:35:19Z)
• Contextual Stochastic Vehicle Routing with Time Windows [47.91283991228738]
  本研究は,車両経路問題に時間窓 (VRPTW) と走行時間を用いて検討する。 観測された特徴に照らし合わせて,輸送コストと到着遅れの罰則を最小化する,文脈的VRPTWを導入する。 本稿では,歴史データを用いた新しいデータ駆動規範モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-10T14:56:36Z)
• 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)
• An Application of Vector Autoregressive Model for Analyzing the Impact of Weather And Nearby Traffic Flow On The Traffic Volume [0.0]
  本稿では,付近の交通量と気象条件に基づいて,ある道路区間における交通流を予測することを目的とする。 また,気象条件や付近の交通量が目標地点の交通量に与える影響も確認した。
  論文  参考訳（メタデータ） (2023-11-12T16:45:29Z)
• Machine learning framework for end-to-end implementation of Incident duration prediction [0.0]
  本研究では,インシデントレポートの受信時に利用可能な情報に基づいて,インシデント時間を予測するための分析フレームワークとエンドツーエンド機械学習ソリューションを開発した。 その結果, 従来の研究手法と比較して, 事故発生期間の予測は有意に改善した。
  論文  参考訳（メタデータ） (2023-04-23T00:55:19Z)
• Incident duration prediction using a bi-level machine learning framework with outlier removal and intra-extra joint optimisation [6.291975267775799]
  本稿では,外乱除去と外乱関節最適化を併用した新しい双方向機械学習フレームワークを提案する。 我々は、インシデントデータログを使用してバイナリ分類予測手法を開発し、トラフィックインシデントを短期または長期に分類する。 クラスバランスと予測性能の両方を対象として,短期と長期の交通事故発生期間の最適しきい値を求める。
  論文  参考訳（メタデータ） (2022-05-10T22:40:05Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• 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)
• Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections [45.508973373913946]
  道路交差点において,信号機や信号機を使わずに複数の非通信的合理的エージェント間の分散ナビゲーションに着目した。 我々の重要な洞察は、交差点の幾何学的構造と、効率的に動くエージェントのインセンティブが衝突を避け(合理性)、起こりうる行動の空間を減少させるということである。 マルチエージェント交差点シーンにおける高次モードの軌道表現を再構成するデータ駆動型軌道予測機構であるMTPを設計する。
  論文  参考訳（メタデータ） (2020-11-08T02:56:42Z)
• 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)

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。