論文の概要: Multi-class real-time crash risk forecasting using convolutional neural
network: Istanbul case study
- arxiv url: http://arxiv.org/abs/2402.06707v1
- Date: Fri, 9 Feb 2024 10:51:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 19:45:19.914950
- Title: Multi-class real-time crash risk forecasting using convolutional neural
network: Istanbul case study
- Title（参考訳）: 畳み込みニューラルネットワークを用いたマルチクラスリアルタイム衝突リスク予測:イスタンブール事例研究
- Authors: Behnaz Alafi, Saeid Moradi
- Abstract要約: 本稿では,事故リスク予測におけるニューラルネットワーク(ANN)の性能について述べる。
提案したCNNモデルは、記録、処理、分類された入力特性から学習することができる。
本研究は,CNNモデルをリアルタイムの事故リスク予測のためのマルチクラス予測モデルとして適用することを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The performance of an artificial neural network (ANN) in forecasting crash
risk is shown in this paper. To begin, some traffic and weather data are
acquired as raw data. This data is then analyzed, and relevant characteristics
are chosen to utilize as input data based on additional tree and Pearson
correlation. Furthermore, crash and non-crash time data are separated; then,
feature values for crash and non-crash events are written in three four-minute
intervals prior to the crash and non-crash events using the average of all
available values for that period. The number of non-crash samples was lowered
after calculating crash likelihood for each period based on accident labeling.
The proposed CNN model is capable of learning from recorded, processed, and
categorized input characteristics such as traffic characteristics and
meteorological conditions. The goal of this work is to forecast the chance of a
real-time crash based on three periods before events. The area under the curve
(AUC) for the receiver operating characteristic curve (ROC curve), as well as
sensitivity as the true positive rate and specificity as the false positive
rate, are shown and compared with three typical machine learning and neural
network models. Finally, when it comes to the error value, AUC, sensitivity,
and specificity parameters as performance variables, the executed model
outperforms other models. The findings of this research suggest applying the
CNN model as a multi-class prediction model for real-time crash risk
prediction. Our emphasis is on multi-class prediction, while prior research
used this for binary (two-class) categorization like crash and non-crash.
- Abstract（参考訳）: 本稿では,事故リスク予測におけるニューラルネットワーク(ANN)の性能について述べる。
まず、一部の交通・気象データを生データとして取得する。
そして、このデータを解析し、追加木とピアソン相関に基づく入力データとして、関連する特性を選択する。
さらに、クラッシュと非クラッシュ時間データを分離し、クラッシュと非クラッシュイベントの特徴値を、その期間に利用可能なすべての値の平均を使用して、クラッシュと非クラッシュイベントの3つの4分間隔で記述する。
事故ラベルに基づく各期間の衝突確率を計算した結果,非クラッシュ試料の数は減少した。
提案したCNNモデルは,交通特性や気象条件などの入力特性の記録,処理,分類から学習することができる。
この作業の目標は、イベント前の3つの期間に基づいて、リアルタイムのクラッシュの可能性を予測することである。
受信機動作特性曲線(ROC曲線)に対する曲線(AUC)の下の領域と、偽陽性率としての正の正の感度と特異性の感度を、典型的な3つの機械学習モデルとニューラルネットワークモデルと比較した。
最後に、エラー値、auc、感度、特異度パラメータをパフォーマンス変数として考えると、実行されたモデルは他のモデルよりも優れています。
本研究は,CNNモデルをリアルタイム事故リスク予測のためのマルチクラス予測モデルとして適用することを提案する。
これまでの研究では、クラッシュや非クラッシュのようなバイナリ(2クラス)の分類に使用していました。
関連論文リスト
- Accident Impact Prediction based on a deep convolutional and recurrent neural network model [0.24999074238880484]
本研究では,事故後の影響を予測するためにカスケードモデルと呼ばれるディープニューラルネットワークモデルを提案する。
ロサンゼルス郡から入手可能な実世界のデータを利用して、事故後の影響を予測する。
その結果、最小限の影響の予測における精度の向上と、より重大な影響の予測におけるリコールの精度の向上が明らかになった。
論文 参考訳（メタデータ） (2024-11-12T04:27:06Z) - TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis [15.496918127515665]
本稿では,学習過程の複雑さを扱える時間適応座標損失関数TripleSurvを提案する。
我々のTripleSurvは3つの実世界の生存データセットと公開合成データセットで評価されている。
論文 参考訳（メタデータ） (2024-01-05T08:37:57Z) - A Bi-level Framework for Traffic Accident Duration Prediction:
Leveraging Weather and Road Condition Data within a Practical Optimum
Pipeline [0.5221459608786241]
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。
論文 参考訳（メタデータ） (2023-11-01T16:33:37Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Conformal prediction for the design problem [72.14982816083297]
機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。
このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。
このような環境で予測の不確実性を定量化する手法を提案する。
論文 参考訳（メタデータ） (2022-02-08T02:59:12Z) - Model-assisted deep learning of rare extreme events from partial
observations [0.0]
ディープニューラルネットワークを使って稀な極端な事象を予測するには、いわゆる小さなデータ問題に遭遇する。
本稿では,数値シミュレーションからトレーニングデータを取得するモデル支援フレームワークについて検討する。
長い短期記憶ネットワークはノイズに対して最も頑丈であり、比較的正確な予測が得られる。
論文 参考訳（メタデータ） (2021-11-04T23:24:22Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - 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) - Probing Model Signal-Awareness via Prediction-Preserving Input
Minimization [67.62847721118142]
モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。
SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。
その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
論文 参考訳（メタデータ） (2020-11-25T20:05:23Z)
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。