Fugu-MT 論文翻訳(概要): LSTM Network Analysis of Vehicle-Type Fatalities on Great Britain's Roads

論文の概要: LSTM Network Analysis of Vehicle-Type Fatalities on Great Britain's Roads

arxiv url: http://arxiv.org/abs/2312.08948v1
Date: Thu, 14 Dec 2023 13:59:12 GMT
ステータス: 処理完了
システム内更新日: 2023-12-15 22:03:56.056595
Title: LSTM Network Analysis of Vehicle-Type Fatalities on Great Britain's Roads
Title（参考訳）: 英国道路における車両型死亡者のlstmネットワーク解析
Authors: Abiodun Finbarrs Oketunji, James Hanify, Salter Heffron-Smith
Abstract要約: 本研究は,イギリスにおける道路交通事故を解析・予測するために,Long Short-Term Memory(LSTM)ネットワークの予測能力を利用する。交通事故予測の課題に対処し、効果的な予防対策を考案する上で最重要課題である。
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 harnesses the predictive capabilities of Long Short-Term Memory (LSTM) networks to analyse and predict road traffic accidents in Great Britain. It addresses the challenge of traffic accident forecasting, which is paramount for devising effective preventive measures. We utilised an extensive dataset encompassing reported collisions, casualties, and vehicles involvements from 1926 to 2022, provided by the Department for Transport (DfT). The data underwent stringent processing to rectify missing values and normalise features, ensuring robust LSTM network input.
Abstract（参考訳）: 本研究は、長期短期記憶(lstm)ネットワークの予測能力を利用して、イギリスにおける交通事故の分析と予測を行う。効果的な予防策を考案する上で最重要となる交通事故予測の課題に対処している。運輸省(DfT)が1926年から2022年まで実施した事故,損害,車両の関与に関する広範なデータセットを利用した。データは、欠落した値を修正し、特徴を正規化し、堅牢なLSTMネットワーク入力を保証するために、厳密な処理が行われた。

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)
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)
Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文参考訳（メタデータ） (2022-12-19T11:43:02Z)
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)
Deep Representation of Imbalanced Spatio-temporal Traffic Flow Data for Traffic Accident Detection [0.3670422696827526]
本稿では,高速道路事故の自動検出のためのLong-Short Term Memory (LSTM) ネットワークを用いたループ検出データの深部表現について検討する。ミネソタ州ツインシティーズ・メトロの高速道路から収集された実事故およびループ検出データの実験は、LSTMネットワークを用いた交通流データの深部表現が18分以内で高速道路事故を検出する可能性を実証している。
論文参考訳（メタデータ） (2021-08-21T13:18:04Z)
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)
Event-Driven Source Traffic Prediction in Machine-Type Communications Using LSTM Networks [5.995091801910689]
イベント駆動ソーストラフィック予測のためのLong Short-Term Memory (LSTM)ベースのディープラーニングアプローチを提案する。我々のモデルは、既存のベースラインソリューションよりも、リソースの節約と精度を約9%で上回ります。
論文参考訳（メタデータ） (2021-01-12T09:31:18Z)
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)
Distributed Fine-Grained Traffic Speed Prediction for Large-Scale Transportation Networks based on Automatic LSTM Customization and Sharing [0.27528170226206433]
DistPreは、大規模交通ネットワークのための分散きめ細かな交通速度予測スキームである。 D DistPreは、大規模な交通ネットワークにおいて、時間効率のLSTMカスタマイズと正確な交通速度予測を提供する。
論文参考訳（メタデータ） (2020-05-10T21:24:23Z)
ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文参考訳（メタデータ） (2020-04-21T20:46:32Z)
Short-Term Traffic Flow Prediction Using Variational LSTM Networks [3.2364716800671873]
本研究では,歴史データに基づく深層学習手法を用いて交通流予測モデルを提案する。 2019年、カルトランス性能測定システム(PeMS)から6ヶ月間収集された歴史的データ。提案した予測モデルは、短いVLSTM-Eにおける変分長短期記憶である。
論文参考訳（メタデータ） (2020-02-18T23:22:31Z)

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。