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/2311.00634v2
• Date: Fri, 3 Nov 2023 19:26:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 19:37:18.119928
• 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)
• 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)
• 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)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• 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)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• 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。