論文の概要: Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses

• arxiv url: http://arxiv.org/abs/2406.10789v1
• Date: Sun, 16 Jun 2024 03:10:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 20:51:13.778395
• Title: Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses
• Title（参考訳）: 言語としての交通事故を学習する - データセット,ベンチマーク,そして因果解析
• Authors: Zhiwen Fan, Pu Wang, Yang Zhao, Yibo Zhao, Boris Ivanovic, Zhangyang Wang, Marco Pavone, Hao Frank Yang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 76.59021017301127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing rate of road accidents worldwide results not only in significant loss of life but also imposes billions financial burdens on societies. Current research in traffic crash frequency modeling and analysis has predominantly approached the problem as classification tasks, focusing mainly on learning-based classification or ensemble learning methods. These approaches often overlook the intricate relationships among the complex infrastructure, environmental, human and contextual factors related to traffic crashes and risky situations. In contrast, we initially propose a large-scale traffic crash language dataset, named CrashEvent, summarizing 19,340 real-world crash reports and incorporating infrastructure data, environmental and traffic textual and visual information in Washington State. Leveraging this rich dataset, we further formulate the crash event feature learning as a novel text reasoning problem and further fine-tune various large language models (LLMs) to predict detailed accident outcomes, such as crash types, severity and number of injuries, based on contextual and environmental factors. The proposed model, CrashLLM, distinguishes itself from existing solutions by leveraging the inherent text reasoning capabilities of LLMs to parse and learn from complex, unstructured data, thereby enabling a more nuanced analysis of contributing factors. Our experiments results shows that our LLM-based approach not only predicts the severity of accidents but also classifies different types of accidents and predicts injury outcomes, all with averaged F1 score boosted from 34.9% to 53.8%. Furthermore, CrashLLM can provide valuable insights for numerous open-world what-if situational-awareness traffic safety analyses with learned reasoning features, which existing models cannot offer. We make our benchmark, datasets, and model public available for further exploration.
• Abstract（参考訳）: 世界中の道路事故の増加は、大きな損失をもたらすだけでなく、社会に数十億ドルの財政負担を課すことになる。 交通事故頻度のモデリングと分析に関する最近の研究は、主に学習に基づく分類やアンサンブル学習手法を中心に、主に分類タスクとしてこの問題にアプローチしてきた。 これらのアプローチはしばしば、交通事故や危険状況に関連する複雑なインフラ、環境、人間、文脈の複雑な関係を見落としている。 対照的に、私たちは最初、19,340の現実世界のクラッシュレポートを要約し、ワシントン州におけるインフラデータ、環境および交通テキストおよび視覚情報を組み込んだ大規模トラフィッククラッシュ言語データセットCrashEventを提案しました。 このリッチデータセットを活用することで、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、状況や環境要因に基づいて、クラッシュタイプ、重篤度、負傷数などの詳細な事故結果を予測する。 提案モデルであるCrashLLMは、LLMの本質的なテキスト推論機能を活用して、複雑な非構造化データから解析し、学習することにより、コントリビューション要因のより微妙な分析を可能にすることで、既存のソリューションと差別化を図っている。 実験の結果,LSMによるアプローチは事故の重大度を推定するだけでなく,事故の種類を分類し,負傷率を予測し,F1スコアの平均値が34.9%から53.8%に上昇した。 さらに、CrashLLMは、既存のモデルでは提供できない学習推論機能を備えた、多くのオープンワールドな状況認識トラフィック安全分析に対して、貴重な洞察を提供することができる。 ベンチマークやデータセット、モデルを公開して、さらなる調査を行っています。

関連論文リスト

• 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)
• Exploring Traffic Crash Narratives in Jordan Using Text Mining Analytics [4.465427147188149]
  この研究は、2018-2022年の7,587件の記録をカバーしたヨルダンの5つの主要高速道路の事故データを収集した。 事故データからパターンを学習するために,教師なし学習法を採用した。 その結果,テキストマイニング分析は有望な手法であり,交通事故の多因子的性質を裏付けるものであることがわかった。
  論文  参考訳（メタデータ） (2024-06-11T20:07:39Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• AccidentGPT: Large Multi-Modal Foundation Model for Traffic Accident Analysis [3.8763079966791523]
  AccidentGPTは交通事故解析の基礎モデルである。 マルチモーダルな入力データを組み込んで、動的詳細で事故処理ビデオを自動的に再構築する。
  論文  参考訳（メタデータ） (2024-01-05T19:33:21Z)
• Exploring Factors Affecting Pedestrian Crash Severity Using TabNet: A Deep Learning Approach [0.0]
  本研究では,TabNetモデルを用いた歩行者事故の重大度調査を行った。 2010年から2022年までのユタ州の包括的データセットにTabNetを適用することで、歩行者事故の深刻度に寄与する複雑な要因が明らかになった。
  論文  参考訳（メタデータ） (2023-11-29T19:44:52Z)
• A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
  トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。 先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。 本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
  論文  参考訳（メタデータ） (2023-06-05T01:01:12Z)
• Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
  本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。 データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
  論文  参考訳（メタデータ） (2022-05-20T21:15:26Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• 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)

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。