論文の概要: Hotspot Prediction of Severe Traffic Accidents in the Federal District
of Brazil
- arxiv url: http://arxiv.org/abs/2312.17383v1
- Date: Thu, 28 Dec 2023 22:13:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-02 14:30:33.580640
- Title: Hotspot Prediction of Severe Traffic Accidents in the Federal District
of Brazil
- Title（参考訳）: ブラジル連邦地区における重大交通事故のホットスポット予測
- Authors: Vinicius Lima, Vetria Byrd
- Abstract要約: この研究は、主に事故の集中度と、ホットスポットの予測に機械学習をどのように使用できるかに焦点を当て、研究の多様性を増す試みである。
ブラジル連邦地区のデータは、法医学的な交通事故のアナリストから収集され、現地の気象状況のデータと組み合わせて、衝突のホットスポットを予測する。
気象パラメーターが事故発生場所ほど重要でないことを確認し,事故発生回数を減らすために局所的な介入が重要であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic accidents are one of the biggest challenges in a society where
commuting is so important. What triggers an accident can be dependent on
several subjective parameters and varies within each region, city, or country.
In the same way, it is important to understand those parameters in order to
provide a knowledge basis to support decisions regarding future cases
prevention. The literature presents several works where machine learning
algorithms are used for prediction of accidents or severity of accidents, in
which city-level datasets were used as evaluation studies. This work attempts
to add to the diversity of research, by focusing mainly on concentration of
accidents and how machine learning can be used to predict hotspots. This
approach demonstrated to be a useful technique for authorities to understand
nuances of accident concentration behavior. For the first time, data from the
Federal District of Brazil collected from forensic traffic accident analysts
were used and combined with data from local weather conditions to predict
hotspots of collisions. Out of the five algorithms we considered, two had good
performance: Multi-layer Perceptron and Random Forest, with the latter being
the best one at 98% accuracy. As a result, we identify that weather parameters
are not as important as the accident location, demonstrating that local
intervention is important to reduce the number of accidents.
- Abstract（参考訳）: 交通事故は通勤がとても重要である社会における最大の課題の1つである。
事故を引き起こすものは、いくつかの主観的パラメータに依存し、地域、都市、国によって異なる。
同様に、将来の事件防止に関する意思決定を支援する知識基盤を提供するためには、これらのパラメータを理解することが重要である。
この論文は、機械学習アルゴリズムが事故の予測や事故の深刻度に使用されるいくつかの著作を提示し、都市レベルのデータセットを評価研究に用いた。
この研究は、主に事故の集中度と、ホットスポットの予測に機械学習をどのように使用できるかに焦点を当て、研究の多様性を増す試みである。
このアプローチは,事故集中行動のニュアンスを理解する上で,当局にとって有用な手法であった。
法医学的な交通事故のアナリストから収集されたブラジル連邦地区のデータを初めて使用し、現地の気象条件のデータと組み合わせて衝突のホットスポットを予測した。
私たちが検討した5つのアルゴリズムのうち、2つのパフォーマンスは、多層パーセプトロンとランダムフォレストで、後者が98%の精度でベストである。
その結果, 気象パラメーターが事故発生地ほど重要でないことが判明し, 事故発生回数を減らすために, 局所的な介入が重要であることを示す。
関連論文リスト
- 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) - 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) - Predicting Accident Severity: An Analysis Of Factors Affecting Accident
Severity Using Random Forest Model [0.0]
本研究では,事故の重大性を予測するためのランダムフォレスト機械学習アルゴリズムの有効性について検討した。
モデルは大都市圏の事故記録のデータセットに基づいて訓練され,様々な指標を用いて評価される。
その結果,ランダムフォレストモデルは事故の重大度を80%以上の精度で予測する有効なツールであることがわかった。
論文 参考訳（メタデータ） (2023-10-09T16:33:44Z) - SpatialRank: Urban Event Ranking with NDCG Optimization on
Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。
本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文 参考訳（メタデータ） (2023-09-30T06:20:21Z) - Deep learning based black spot identification on Greek road networks [52.77024349608834]
時間的現象であるブラックスポットの識別には、地理的な位置と時間に基づく道路事故の発生の分析が含まれる。
この研究は、警察や政府発行の自動車事故レポートのデータを利用して、ギリシャの道路網の交通事故をブラックスポットの認識に焦点をあてた。
論文 参考訳（メタデータ） (2023-06-19T07:08:30Z) - 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) - 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) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Impact of risk factors on work zone crashes using logistic models and
Random Forest [9.5148976460603]
本研究は、ハイウェイI-94沿いの労働地帯で発生した2016年のミシガン州(USA)の激しい事故に焦点を当てた。
この研究は、環境、運転者、事故、道路関連変数を特徴付ける幅広い事故変数からリスク要因を特定した。
論文 参考訳（メタデータ） (2021-04-14T00:27:11Z) - Datacentric analysis to reduce pedestrians accidents: A case study in
Colombia [0.0]
2012年以降、ブカラマンガ・コロンビアのケーススタディでは179人の歩行者が自動車事故で死亡し、さらに2873人が負傷した。
この研究は、都市の事故率を減らし、新しい安全政策を導入することを提案することで、生活を救うためのシミュレーションを実装している。
シミュレーションによって検証された最初の最も効率的な安全方針は、交差点が事故率を80%削減する前に特定の場所でスピードバンプを構築することです。
論文 参考訳（メタデータ） (2021-04-02T06:59:50Z) - 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)
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。