論文の概要: Topic Modeling Analysis of Aviation Accident Reports: A Comparative
Study between LDA and NMF Models
- arxiv url: http://arxiv.org/abs/2403.04788v1
- Date: Mon, 4 Mar 2024 01:41:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 22:15:21.704250
- Title: Topic Modeling Analysis of Aviation Accident Reports: A Comparative
Study between LDA and NMF Models
- Title(参考訳): 航空事故報告書のトピックモデリング分析:LDAモデルとNMFモデルの比較
- Authors: Aziida Nanyonga, Hassan Wasswa and Graham Wild
- Abstract要約: 本稿では、LDA(Latent Dirichlet Allocation)とNon- negative Matrix Factorization(NMF)の2つの主要なトピックモデリング手法を比較した。
LDAは、トピック内の単語間のより強い意味的関連性を示す、より高いトピックコヒーレンスを示す。
NMFは、航空事故の特定の側面についてより焦点を絞った分析を可能にする、はっきりした、きめ細かいトピックを生み出すのに優れていた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Aviation safety is paramount in the modern world, with a continuous
commitment to reducing accidents and improving safety standards. Central to
this endeavor is the analysis of aviation accident reports, rich textual
resources that hold insights into the causes and contributing factors behind
aviation mishaps. This paper compares two prominent topic modeling techniques,
Latent Dirichlet Allocation (LDA) and Non-negative Matrix Factorization (NMF),
in the context of aviation accident report analysis. The study leverages the
National Transportation Safety Board (NTSB) Dataset with the primary objective
of automating and streamlining the process of identifying latent themes and
patterns within accident reports. The Coherence Value (C_v) metric was used to
evaluate the quality of generated topics. LDA demonstrates higher topic
coherence, indicating stronger semantic relevance among words within topics. At
the same time, NMF excelled in producing distinct and granular topics, enabling
a more focused analysis of specific aspects of aviation accidents.
- Abstract(参考訳): 航空安全は現代世界で最重要であり、事故の軽減と安全基準の改善を継続的に約束している。
この取り組みの中心は、航空事故の報告の分析、航空事故の背景にある原因や要因を洞察する豊富な文献資源である。
本稿では,航空機事故報告分析の文脈において,LDA(Latent Dirichlet Allocation)とNon- negative Matrix Factorization(NMF)の2つの主要なトピックモデリング手法を比較した。
この研究は、NTSB(National Transportation Safety Board)データセットを利用して、事故報告の中で潜伏するテーマやパターンを識別するプロセスを自動化し、合理化することを目的としている。
コヒーレンス値(c_v)メトリクスは、生成されたトピックの品質を評価するために使われた。
LDAは、トピック内の単語間のより強い意味的関連性を示す、より高いトピックコヒーレンスを示す。
同時にnmfは、個別かつ粒度の異なるトピックの生成に優れ、航空事故の特定の側面をより焦点を絞った分析を可能にした。
関連論文リスト
- On-Road Object Importance Estimation: A New Dataset and A Model with Multi-Fold Top-Down Guidance [70.80612792049315]
本稿では,交通オブジェクト重要度(TOI)という,新しい大規模データセットを提案する。
ボトムアップ機能とマルチフォールドトップダウンガイダンスを統合するモデルを提案する。
我々のモデルは最先端の手法を大きなマージンで上回る。
論文 参考訳(メタデータ) (2024-11-26T06:37:10Z) - An Explainable Machine Learning Approach to Traffic Accident Fatality Prediction [0.02730969268472861]
道路交通事故は世界中で公衆衛生上の脅威となっている。
本研究では,致命的および致命的でない道路事故を分類するための機械学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2024-09-18T12:41:56Z) - 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) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳(メタデータ) (2023-11-11T07:26:47Z) - Aviation Safety Risk Analysis and Flight Technology Assessment Issues [0.0]
これは2つの主要な領域に焦点を当てている:超越事象を分析し、非存在データを統計的に評価する。
提案したソリューションには、データ前処理、信頼性評価、ニューラルネットワークを用いた飛行制御の定量化、探索データ分析、リアルタイム自動警告の確立が含まれる。
論文 参考訳(メタデータ) (2023-08-10T14:13:49Z) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳(メタデータ) (2023-08-02T09:48:08Z) - Are Neural Topic Models Broken? [81.15470302729638]
トピックモデルの自動評価と人的評価の関係について検討する。
ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
論文 参考訳(メタデータ) (2022-10-28T14:38:50Z) - Crash Report Data Analysis for Creating Scenario-Wise, Spatio-Temporal
Attention Guidance to Support Computer Vision-based Perception of Fatal Crash
Risks [8.34084323253809]
本稿では,致命的な事故報告データからシナリオ的,時空間的注意誘導というデータ分析モデルを開発した。
検出されたオブジェクトの環境からの致命的なクラッシュとコンテキスト情報との関係を推定する。
本研究は, 予備CVモデルの設計と実装において, 改良された注意指導がいかに役立つかを示す。
論文 参考訳(メタデータ) (2021-09-06T19:43:37Z) - 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) - Discovering Airline-Specific Business Intelligence from Online Passenger
Reviews: An Unsupervised Text Analytics Approach [3.2872586139884623]
航空は豊富なオンライン顧客レビュー(OCR)に乗じることができる
本稿では,教師なしテキスト分析手法を用いてocrから企業および競合企業固有の知性を検出する。
提案手法の検証には,米国拠点のターゲットキャリアの99,147件の航空会社レビューと,その競合企業4社のケーススタディが使用されている。
論文 参考訳(メタデータ) (2020-12-14T23:09:10Z)
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。