Fugu-MT 論文翻訳(概要): Prediction of Crash Injury Severity in Florida's Interstate-95

論文の概要: Prediction of Crash Injury Severity in Florida's Interstate-95

arxiv url: http://arxiv.org/abs/2312.12459v1
Date: Sat, 16 Dec 2023 18:42:39 GMT
ステータス: 処理完了
システム内更新日: 2023-12-21 18:39:24.258597
Title: Prediction of Crash Injury Severity in Florida's Interstate-95
Title（参考訳）: フロリダ州州間高速道路95号線における衝突損傷の予測
Authors: B M Tazbiul Hassan Anik, Md Mobasshir Rashid and Md Jamil Ahsan
Abstract要約: 2016年から2021年にかけてフロリダ州州間高速道路95号線で交通事故が発生した。交通事故の重症度を推定するために分類法が使われました AdaboostアルゴリズムはリコールとAUCの点で他より優れていた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Drivers can sustain serious injuries in traffic accidents. In this study, traffic crashes on Florida's Interstate-95 from 2016 to 2021 were gathered, and several classification methods were used to estimate the severity of driver injuries. In the feature selection method, logistic regression was applied. To compare model performances, various model assessment matrices such as accuracy, recall, and area under curve (AUC) were developed. The Adaboost algorithm outperformed the others in terms of recall and AUC. SHAP values were also generated to explain the classification model's results. This analytical study can be used to examine factors that contribute to the severity of driver injuries in crashes.
Abstract（参考訳）: ドライバーは交通事故で重傷を負うことがある。本研究では,2016年から2021年にかけてフロリダ州州間高速道路95号線の交通事故を調査し,交通事故の重症度を推定するためにいくつかの分類法を用いた。特徴選択法では,ロジスティック回帰を適用した。モデル性能を比較するために,精度,リコール,曲線下面積(AUC)などのモデル評価行列を開発した。 AdaboostアルゴリズムはリコールとAUCの点で他より優れていた。分類モデルの結果を説明するためにSHAP値も生成した。この分析研究は、事故時の運転者の重傷の重症度に寄与する要因を調べるために用いられる。

関連論文リスト

Fast maneuver recovery from aerial observation: trajectory clustering and outliers rejection [43.06493292670652]
2種類のVulnerable Road Users (VRU) が提案される軌道クラスタリング手法によって検討される。 2つの環境がメソッド開発のテストとして機能し、3つの異なる交差点と1つのラウンドアバウトとなる。
論文参考訳（メタデータ） (2024-07-03T07:22:21Z)
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)
Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
CANデータからトラックの積載量の検出について検討する。私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
論文参考訳（メタデータ） (2024-04-08T17:58:22Z)
Exploring Machine Learning Techniques to Identify Important Factors Leading to Injury in Curve Related Crashes [0.4129225533930965]
本研究は, 交通事故に関連する重要な要因を変数として考慮し, 車両の損傷の有無を予測変数として検討することにより, 問題点を解消しようとするものである。本研究は、米国各州の交通事故関連データを含む国家道路交通安全局(NHTSA)のCRSSデータを用いた。分析の結果,損傷の程度,事故前イベント,事故前位置,道路記述,道路表面条件,事故月,最初の有害事象,車両数,回避操作の試み,道路勾配が車両数に影響を与えることが明らかとなった。
論文参考訳（メタデータ） (2023-01-04T13:07:28Z)
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)
Causal Analysis and Classification of Traffic Crash Injury Severity Using Machine Learning Algorithms [0.0]
この調査で使用されたデータは、2014年から2019年までの6年間にテキサス州のすべての州間高速道路で交通事故が発生した際に得られたものです。提案手法は,致命的・重傷(KA),非重傷(BC),財産被害(PDO)の3つのクラスを含む。 Grangerの因果関係分析の結果、速度制限、表面および気象条件、交通量、ワークゾーンの存在、ワークゾーンの労働者、高占有車線(HOV)が事故の深刻度に影響を及ぼす最も重要な要因として特定された。
論文参考訳（メタデータ） (2021-11-30T20:32:31Z)
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)
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)
Vehicle Class, Speed, and Roadway Geometry Based Driver Behavior Identification and Classification [6.09170287691728]
本稿では,特に重車両を牽引する車両のクラスが,次の車両の挙動に与える影響について検討する。これは、カリフォルニア州エメリービルの州間高速道路80号線(I80)のNGSIM(Next Generation Simulation)データセットから、様々な自動車追尾エピソードを抽出して分析した。
論文参考訳（メタデータ） (2020-09-16T19:45:39Z)
Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
論文参考訳（メタデータ） (2020-06-20T11:56:32Z)

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。