Fugu-MT 論文翻訳(概要): Predicting the duration of traffic incidents for Sydney greater metropolitan area using machine learning methods

論文の概要: Predicting the duration of traffic incidents for Sydney greater metropolitan area using machine learning methods

arxiv url: http://arxiv.org/abs/2406.18861v1
Date: Thu, 27 Jun 2024 03:16:09 GMT
ステータス: 処理完了
システム内更新日: 2024-06-28 15:27:31.039969
Title: Predicting the duration of traffic incidents for Sydney greater metropolitan area using machine learning methods
Title（参考訳）: 機械学習を用いたシドニー大都市圏の交通事故発生期間予測
Authors: Artur Grigorev, Sajjad Shafiei, Hanna Grzybowska, Adriana-Simona Mihaita,
Abstract要約: 本研究は,交通事故の期間を予測し,短期・長期に分類するための包括的アプローチを提案する。我々は、Gradient Boosted Decision Trees (GBDT)、Random Forest、LightGBM、XGBoostなどの先進的な機械学習モデルをトレーニングし、評価する。 XGBoostとLightGBMは従来のモデルよりも優れており、XGBoostはインシデント期間を予測するための最低RMSEが33.7で、最高分類F1スコアが30分間の閾値で0.62である。
参考スコア（独自算出の注目度）: 3.3373764108905446
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This research presents a comprehensive approach to predicting the duration of traffic incidents and classifying them as short-term or long-term across the Sydney Metropolitan Area. Leveraging a dataset that encompasses detailed records of traffic incidents, road network characteristics, and socio-economic indicators, we train and evaluate a variety of advanced machine learning models including Gradient Boosted Decision Trees (GBDT), Random Forest, LightGBM, and XGBoost. The models are assessed using Root Mean Square Error (RMSE) for regression tasks and F1 score for classification tasks. Our experimental results demonstrate that XGBoost and LightGBM outperform conventional models with XGBoost achieving the lowest RMSE of 33.7 for predicting incident duration and highest classification F1 score of 0.62 for a 30-minute duration threshold. For classification, the 30-minute threshold balances performance with 70.84\% short-term duration classification accuracy and 62.72\% long-term duration classification accuracy. Feature importance analysis, employing both tree split counts and SHAP values, identifies the number of affected lanes, traffic volume, and types of primary and secondary vehicles as the most influential features. The proposed methodology not only achieves high predictive accuracy but also provides stakeholders with vital insights into factors contributing to incident durations. These insights enable more informed decision-making for traffic management and response strategies. The code is available by the link: https://github.com/Future-Mobility-Lab/SydneyIncidents
Abstract（参考訳）: 本研究は,シドニー大都市圏における交通事故の期間を予測し,短期的・長期的に分類するための包括的アプローチを提案する。交通事故、道路ネットワークの特徴、社会経済的指標の詳細な記録を含むデータセットを活用して、グラディエントブースト決定木(GBDT)、ランダムフォレスト、LightGBM、XGBoostなどの先進的な機械学習モデルを訓練し、評価する。モデルは回帰タスクにRoot Mean Square Error(RMSE)、分類タスクにF1スコアを用いて評価される。実験の結果、XGBoostとLightGBMは従来のモデルよりも優れており、XGBoostは事故発生期間を予測するための最低RMSEが33.7、最高分類F1スコアが0.62、30分間の閾値が0.62であることがわかった。分類には30分間の閾値が70.84\%の短期分類精度と62.72\%の長期分類精度でバランスする。木分割数とSHAP値の両方を用いて特徴重要度分析を行い,影響車線数,交通量,一次車種,二次車種を最も影響のある特徴として同定した。提案手法は高い予測精度を達成するだけでなく、ステークホルダーにインシデント期間に寄与する要因について重要な洞察を与える。これらの洞察は、トラフィック管理とレスポンス戦略に対してより情報的な意思決定を可能にする。コードはリンクで入手できる。 https://github.com/Future-Mobility-Lab/SydneyIncidents

関連論文リスト

MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文参考訳（メタデータ） (2024-06-23T15:30:40Z)
Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
CANデータからトラックの積載量の検出について検討する。私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
論文参考訳（メタデータ） (2024-04-08T17:58:22Z)
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)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文参考訳（メタデータ） (2023-03-02T21:48:22Z)
Driver Maneuver Detection and Analysis using Time Series Segmentation and Classification [7.413735713939367]
本稿では,自然主義運転環境下での車両遠隔計測データから車両の操作を自動的に検出する手法を実装した。本研究の目的は、自然主義駆動学習ビデオのフレーム・バイ・フレームアノテーションのためのエンドツーエンドパイプラインを開発することである。
論文参考訳（メタデータ） (2022-11-10T03:38:50Z)
Traffic incident duration prediction via a deep learning framework for text description encoding [9.424574945499842]
本稿では,限られた情報から入射時間を予測するための新しい融合フレームワークを提案する。申請地域はサンフランシスコ市であり、交通事故記録と過去の交通渋滞情報の両方が豊富である。
論文参考訳（メタデータ） (2022-09-19T03:16:13Z)
Incident duration prediction using a bi-level machine learning framework with outlier removal and intra-extra joint optimisation [6.291975267775799]
本稿では,外乱除去と外乱関節最適化を併用した新しい双方向機械学習フレームワークを提案する。我々は、インシデントデータログを使用してバイナリ分類予測手法を開発し、トラフィックインシデントを短期または長期に分類する。クラスバランスと予測性能の両方を対象として,短期と長期の交通事故発生期間の最適しきい値を求める。
論文参考訳（メタデータ） (2022-05-10T22:40:05Z)
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)
Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文参考訳（メタデータ） (2020-06-24T04:45:14Z)
Deep Learning and Statistical Models for Time-Critical Pedestrian Behaviour Prediction [5.593571255686115]
ニューラルネットワークモデルは80%の精度を達成するが、これを達成するには長いシーケンスを必要とする(100サンプル以上)。 SLDSは精度が74%低いが、短いシーケンス(10サンプル)でこの結果が得られる。結果は、時間的臨界問題におけるモデルの適合性に関する重要な直感を与える。
論文参考訳（メタデータ） (2020-02-26T00:05:19Z)

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。