論文の概要: Exploring Factors Affecting Pedestrian Crash Severity Using TabNet: A
Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2312.00066v1
- Date: Wed, 29 Nov 2023 19:44:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 17:09:25.171465
- Title: Exploring Factors Affecting Pedestrian Crash Severity Using TabNet: A
Deep Learning Approach
- Title(参考訳): TabNetを用いた歩行者の衝突重症度に影響を与える要因の探索
- Authors: Amir Rafe and Patrick A. Singleton
- Abstract要約: 本研究では,TabNetモデルを用いた歩行者事故の重大度調査を行った。
2010年から2022年までのユタ州の包括的データセットにTabNetを適用することで、歩行者事故の深刻度に寄与する複雑な要因が明らかになった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study presents the first investigation of pedestrian crash severity
using the TabNet model, a novel tabular deep learning method exceptionally
suited for analyzing the tabular data inherent in transportation safety
research. Through the application of TabNet to a comprehensive dataset from
Utah covering the years 2010 to 2022, we uncover intricate factors contributing
to pedestrian crash severity. The TabNet model, capitalizing on its
compatibility with structured data, demonstrates remarkable predictive
accuracy, eclipsing that of traditional models. It identifies critical
variables, such as pedestrian age, involvement in left or right turns, lighting
conditions, and alcohol consumption, which significantly influence crash
outcomes. The utilization of SHapley Additive exPlanations (SHAP) enhances our
ability to interpret the TabNet model's predictions, ensuring transparency and
understandability in our deep learning approach. The insights derived from our
analysis provide a valuable compass for transportation safety engineers and
policymakers, enabling the identification of pivotal factors that affect
pedestrian crash severity. Such knowledge is instrumental in formulating
precise, data-driven interventions aimed at bolstering pedestrian safety across
diverse urban and rural settings.
- Abstract(参考訳): 本研究では,交通安全研究に内在する表データ解析に特に適している新しい表型深層学習手法 tabnet model を用いて,歩行者の衝突重大度を初めて調査する。
2010年から2022年までのユタ州の包括的データセットにTabNetを適用することで、歩行者事故の深刻度に寄与する複雑な要因が明らかになった。
TabNetモデルは、構造化されたデータとの互換性を生かし、従来のモデルに匹敵する予測精度を示す。
歩行者年齢、左右の旋回への関与、照明条件、アルコール摂取などの重要な変数を特定し、クラッシュの結果に大きな影響を及ぼす。
SHAP(SHapley Additive exPlanations)の利用は、TabNetモデルの予測を解釈し、ディープラーニングアプローチにおける透明性と理解性の確保を可能にする。
この分析から得られた知見は、交通安全技術者や政策立案者にとって貴重なコンパスとなり、歩行者の衝突の重大さに影響を与える重要な要因の特定を可能にする。
このような知識は、都市や農村の様々な環境における歩行者の安全を高めるために、正確でデータ駆動の介入を定式化するのに役立っている。
関連論文リスト
- Evaluating the Robustness of Off-Road Autonomous Driving Segmentation
against Adversarial Attacks: A Dataset-Centric analysis [1.6538732383658392]
本研究では,逆入力摂動に対するセマンティックセグメンテーションモデルの脆弱性について検討する。
異なるセグメンテーションネットワークアーキテクチャに対する敵攻撃の効果を比較する。
この研究は、オフロード非構造環境における自律ロボットUnimog U5023の安全なナビゲーションに寄与する。
論文 参考訳(メタデータ) (2024-02-03T13:48:57Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - Probabilistic Prediction of Longitudinal Trajectory Considering Driving
Heterogeneity with Interpretability [12.929047288003213]
本研究では,混合密度ネットワーク(MDN)を組み合わせた軌道予測フレームワークを提案する。
提案するフレームワークは、広範囲の車両軌道データセットに基づいてテストされる。
論文 参考訳(メタデータ) (2023-12-19T12:56:56Z) - 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) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳(メタデータ) (2023-03-24T16:03:21Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳(メタデータ) (2022-12-05T08:25:09Z) - Context-empowered Visual Attention Prediction in Pedestrian Scenarios [0.0]
本稿では,歩行者の視覚的注意予測における3つの課題に対処する,新しいエンコーダ・デコーダアーキテクチャであるContext-SalNETを提案する。
まず、Context-SalNETは、エンコーダ・デコーダモデルの潜在空間における緊急性と安全性の優先性を明示的にモデル化する。
第2に,指数重み付き平均二乗誤差損失 (ew-MSE) を提案する。
論文 参考訳(メタデータ) (2022-10-30T19:38:17Z) - 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) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-09-30T05:29:01Z) - Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal
Relational Learning [30.59728753059457]
交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。
現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。
本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
論文 参考訳(メタデータ) (2020-08-01T20:21:48Z)
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。