論文の概要: Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data
- arxiv url: http://arxiv.org/abs/2408.16773v1
- Date: Thu, 15 Aug 2024 00:51:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-08 15:56:29.374083
- Title: Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data
- Title（参考訳）: 自動車軌道データを用いた高速道路交通事故の高度リアルタイム検出
- Authors: Sudipta Roy, Samiul Hasan,
- Abstract要約: 本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。
さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。
その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
- 参考スコア（独自算出の注目度）: 3.061662434597097
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A significant number of traffic crashes are secondary crashes that occur because of an earlier incident on the road. Thus, early detection of traffic incidents is crucial for road users from safety perspectives with a potential to reduce the risk of secondary crashes. The wide availability of GPS devices now-a-days gives an opportunity of tracking and recording vehicle trajectories. The objective of this study is to use vehicle trajectory data for advance real-time detection of traffic incidents on highways using machine learning-based algorithms. The study uses three days of unevenly sequenced vehicle trajectory data and traffic incident data on I-10, one of the most crash-prone highways in Louisiana. Vehicle trajectories are converted to trajectories based on virtual detector locations to maintain spatial uniformity as well as to generate historical traffic data for machine learning algorithms. Trips matched with traffic incidents on the way are separated and along with other trips with similar spatial attributes are used to build a database for modeling. Multiple machine learning algorithms such as Logistic Regression, Random Forest, Extreme Gradient Boost, and Artificial Neural Network models are used to detect a trajectory that is likely to face an incident in the downstream road section. Results suggest that the Random Forest model achieves the best performance for predicting an incident with reasonable recall value and discrimination capability.
- Abstract（参考訳）: かなりの数の交通事故は、道路上の初期の事故のために発生した二次的な事故である。
したがって,交通事故の早期発見は安全の観点からの道路利用者にとって重要であり,二次事故のリスクを低減する可能性がある。
現在GPSデバイスが広く利用可能になっていることで、車両の軌跡を追跡し記録する機会が生まれる。
本研究の目的は、車軌道データを用いて、機械学習アルゴリズムを用いて高速道路の交通事故をリアルタイムに検出することである。
この調査では、ルイジアナ州で最もクラッシュの激しい高速道路であるI-10で、不均一に連続した車両軌跡データと交通事故データを3日間使用した。
車両軌道は、空間的均一性を維持し、機械学習アルゴリズムの履歴トラフィックデータを生成するために、仮想検出器位置に基づく軌道に変換される。
途中の交通事故と一致するトリップを分離し、類似した空間特性を持つ他のトリップと組み合わせてモデリング用のデータベースを構築する。
ロジスティック回帰(Logistic Regression)、ランダムフォレスト(Random Forest)、エクストリームグラディエントブースト(Extreme Gradient Boost)、人工ニューラルネットワーク(Artificial Neural Network)モデルなどの複数の機械学習アルゴリズムを使用して、下流の道路区間でインシデントに直面する可能性のある軌道を検出する。
その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
関連論文リスト
- 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) - Detecting Socially Abnormal Highway Driving Behaviors via Recurrent
Graph Attention Networks [4.526932450666445]
本研究は,ハイウェイビデオ監視システムによる軌跡から異常運転行動を検出することに焦点を当てる。
本稿では,周囲の車上での走行動作を文脈的に把握できるリカレントグラフ注意ネットワークを用いたオートエンコーダを提案する。
私たちのモデルは何千もの車で大きな高速道路にスケーラブルです。
論文 参考訳（メタデータ） (2023-04-23T01:32:47Z) - Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。
我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
論文 参考訳（メタデータ） (2023-01-12T13:10:47Z) - Driving Safety Prediction and Safe Route Mapping Using In-vehicle and
Roadside Data [3.8103848718367597]
セーフルートマッピング(SRM)モデルは、予測を行う際のドライバの動作を検討するために拡張される。
Androidアプリはドライバーの情報を収集してサーバにアップロードするように設計されている。
ダイナミックな交通情報は 道端のカメラで捕捉され 同じサーバーにアップロードされる
LightGBMモデルは、次の1、2秒でドライバーの競合指標を予測するために導入された。
論文 参考訳（メタデータ） (2022-09-12T20:39:33Z) - Real-Time Accident Detection in Traffic Surveillance Using Deep Learning [0.8808993671472349]
本稿では,交通監視用交差点における事故検出のための新しい効率的な枠組みを提案する。
提案手法は,最先端のYOLOv4法に基づく効率的かつ高精度な物体検出を含む,3つの階層的なステップから構成される。
提案フレームワークのロバスト性は,様々な照明条件でYouTubeから収集した映像シーケンスを用いて評価する。
論文 参考訳（メタデータ） (2022-08-12T19:07:20Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - Deep Representation of Imbalanced Spatio-temporal Traffic Flow Data for
Traffic Accident Detection [0.3670422696827526]
本稿では,高速道路事故の自動検出のためのLong-Short Term Memory (LSTM) ネットワークを用いたループ検出データの深部表現について検討する。
ミネソタ州ツインシティーズ・メトロの高速道路から収集された実事故およびループ検出データの実験は、LSTMネットワークを用いた交通流データの深部表現が18分以内で高速道路事故を検出する可能性を実証している。
論文 参考訳（メタデータ） (2021-08-21T13:18:04Z) - 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) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳（メタデータ） (2020-11-07T19:57:22Z) - Edge Computing for Real-Time Near-Crash Detection for Smart
Transportation Applications [29.550609157368466]
交通事故に近いイベントは、さまざまなスマートトランスポートアプリケーションにとって重要なデータソースとなる。
本稿では,既存のダッシュカムの映像ストリームをリアルタイムに処理することで,エッジコンピューティングのパワーを活用してこれらの課題に対処する。
エッジコンピューティングをリアルタイムトラフィックビデオ分析に適用する最初の取り組みのひとつであり、スマートトランスポート研究やアプリケーションにおいて、複数のサブフィールドに恩恵をもたらすことが期待されている。
論文 参考訳（メタデータ） (2020-08-02T19:39:14Z)
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。