論文の概要: Predicting trucking accidents with truck drivers 'safety climate
perception across companies: A transfer learning approach
- arxiv url: http://arxiv.org/abs/2402.12417v1
- Date: Mon, 19 Feb 2024 08:27:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 18:52:29.905034
- Title: Predicting trucking accidents with truck drivers 'safety climate
perception across companies: A transfer learning approach
- Title（参考訳）: トラック運転手によるトラック事故の予測:企業間での環境認識-トランスファーラーニングアプローチ
- Authors: Kailai Sun, Tianxiang Lan, Say Hong Kam, Yang Miang Goh, and
Yueng-Hsiang Huang
- Abstract要約: 人工知能(AI)を利用した安全分析を使用して、トラック業界における事故を予測することへの関心が高まっている。
我々は、企業がAIモデルを開発するために、他の企業のデータを活用するのを支援するために、事前訓練済みのファイントゥーン変換学習アプローチを提案する。
事故予測に適した分類タスクのためのディープニューラルネットワークアルゴリズムであるSafeNetも開発した。
- 参考スコア（独自算出の注目度）: 1.0485739694839669
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is a rising interest in using artificial intelligence (AI)-powered
safety analytics to predict accidents in the trucking industry. Companies may
face the practical challenge, however, of not having enough data to develop
good safety analytics models. Although pretrained models may offer a solution
for such companies, existing safety research using transfer learning has mostly
focused on computer vision and natural language processing, rather than
accident analytics. To fill the above gap, we propose a pretrain-then-fine-tune
transfer learning approach to help any company leverage other companies' data
to develop AI models for a more accurate prediction of accident risk. We also
develop SafeNet, a deep neural network algorithm for classification tasks
suitable for accident prediction. Using the safety climate survey data from
seven trucking companies with different data sizes, we show that our proposed
approach results in better model performance compared to training the model
from scratch using only the target company's data. We also show that for the
transfer learning model to be effective, the pretrained model should be
developed with larger datasets from diverse sources. The trucking industry may,
thus, consider pooling safety analytics data from a wide range of companies to
develop pretrained models and share them within the industry for better
knowledge and resource transfer. The above contributions point to the promise
of advanced safety analytics to make the industry safer and more sustainable.
- Abstract（参考訳）: トラック業界の事故を予測するために人工知能(ai)による安全分析の利用への関心が高まっている。
しかし企業は、優れた安全分析モデルを開発するのに十分なデータを持っていないという現実的な課題に直面している。
事前訓練されたモデルはそのような企業にソリューションを提供するかもしれないが、トランスファーラーニングを用いた既存の安全研究は主に事故解析ではなく、コンピュータビジョンと自然言語処理に焦点を当てている。
上記のギャップを埋めるため,我々は,事故リスクのより正確な予測のために,他の企業のデータを活用したaiモデルの開発を支援するための,事前学習型tuneトランスファー学習手法を提案する。
事故予測に適した分類タスクのためのディープニューラルネットワークアルゴリズムであるSafeNetも開発した。
異なるデータサイズを持つ7つのトラック会社による安全気候調査データを用いて,提案手法により,対象企業のデータのみを用いてモデルをゼロからトレーニングするよりも,モデル性能が向上することを示す。
また,トランスファー学習モデルが効果的であるためには,多種多様なソースからのデータセットを用いて事前学習モデルを開発する必要があることを示した。
したがって、トラック業界は、幅広い企業の安全分析データをプールして、事前訓練されたモデルを開発し、より良い知識とリソース転送のために業界内で共有することを検討するかもしれない。
上記の貢献は、業界をより安全かつ持続可能なものにするための高度な安全分析の約束を示している。
関連論文リスト
- Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios [25.16311876790003]
本稿では,安全クリティカルシナリオに適したリスク対応軌道予測フレームワークを提案する。
安全クリティカルな軌道予測データセットと調整された評価指標を導入する。
その結果,モデルの性能が向上し,ほとんどの指標が大幅に改善した。
論文 参考訳（メタデータ） (2024-07-18T13:00:01Z) - 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) - Fantastic Gains and Where to Find Them: On the Existence and Prospect of
General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。
このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文 参考訳（メタデータ） (2023-10-26T17:59:46Z) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳（メタデータ） (2023-10-19T02:49:31Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - 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) - Reactive and Safe Road User Simulations using Neural Barrier
Certificates [9.961324632236499]
本稿では,本来の目的を組み込まずに安全性を確保するリアクティブエージェントモデルを提案する。
我々の学習した道路利用者シミュレーションモデルは、安全性を大幅に向上させることができる。
我々の学習された反応剤は、目に見えない交通条件を一般化する。
論文 参考訳（メタデータ） (2021-09-14T13:45:37Z) - 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) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳（メタデータ） (2020-09-30T20:00:11Z) - From Data to Actions in Intelligent Transportation Systems: a
Prescription of Functional Requirements for Model Actionability [10.27718355111707]
この研究は、多種多様なソースから得られたデータが、その資産やシステム、プロセスの効率的な運用のために、データ駆動モデルを学び、適応するためにどのように使用できるかを説明することを目的としている。
ITSのデータモデリングパイプラインでは、データ融合、適応学習、モデル評価という3つの複合ステージに対して、特性、エンジニアリング要件、本質的な課題を定義します。
論文 参考訳（メタデータ） (2020-02-06T12:02:30Z)
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。