論文の概要: ROADFIRST: A Comprehensive Enhancement of the Systemic Approach to Safety for Improved Risk Factor Identification and Evaluation
- arxiv url: http://arxiv.org/abs/2411.00821v1
- Date: Mon, 28 Oct 2024 20:27:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 11:30:36.230853
- Title: ROADFIRST: A Comprehensive Enhancement of the Systemic Approach to Safety for Improved Risk Factor Identification and Evaluation
- Title（参考訳）: ROADFIRST:リスク要因の同定と評価のための安全へのシステム的アプローチの総合的強化
- Authors: Shriyan Reyya, Yao Cheng,
- Abstract要約: 我々はROADFIRSTと呼ばれる拡張プロセスを開発し、ユーザは潜在的なクラッシュタイプを識別し、任意の場所で要因をコントリビュートすることができる。
ノースカロライナの事故および道路在庫データによると、アルコール欠乏運転、注意をそらした運転、スピードリングの3つの要因が原因となる可能性を特定し、ランク付けする。
- 参考スコア（独自算出の注目度）: 2.710150409047222
- License:
- Abstract: Many agencies have adopted the FHWA-recommended systemic approach to traffic safety, an essential supplement to the traditional hotspot crash analysis which develops region-wide safety projects based on identified risk factors. However, this approach narrows analysis to specific crash and facility types. This specification causes inefficient use of crash and inventory data as well as non-comprehensive risk evaluation and countermeasure selection for each location. To improve the comprehensiveness of the systemic approach to safety, we develop an enhanced process, ROADFIRST, that allows users to identify potential crash types and contributing factors at any location. As the knowledge base for such a process, crash types and contributing factors are analyzed with respect to features of interest, including both dynamic and static traffic-related features, using Random Forest and analyzed with the SHapley Additive exPlanations (SHAP) analysis. We identify and rank features impacting the likelihood of three sample contributing factors, namely alcohol-impaired driving, distracted driving, and speeding, according to crash and road inventory data from North Carolina, and quantify state-wide road segment risk for each contributing factor. The introduced models and methods serve as a sample for the further development of ROADFIRST by state and local agencies, which benefits the planning of more comprehensive region-wide safety improvement projects.
- Abstract（参考訳）: 多くの機関は、交通安全に関するFHWA推奨の体系的アプローチを採用しており、これは、特定リスク要因に基づく地域規模の安全プロジェクトを開発する伝統的なホットスポットクラッシュ分析に欠かせない補完である。
しかし、このアプローチは分析を特定のクラッシュや施設タイプに絞る。
この仕様は、クラッシュと在庫データの非効率な利用、および、各場所の非包括的リスク評価と対策選択を引き起こす。
安全に対するシステム的アプローチの包括性を改善するため,ユーザが潜在的なクラッシュタイプを識別し,任意の場所における要因を寄与できる拡張プロセスROADFIRSTを開発した。
このようなプロセスの知識基盤として、ランダムフォレスト(Random Forest)を用いて、動的および静的なトラフィック関連の特徴を含む興味のある特徴について、クラッシュタイプやコントリビューション要因を解析し、SHAP(SHapley Additive exPlanations)分析を用いて分析する。
ノースカロライナの事故および道路在庫データによると、我々は、アルコール欠乏運転、注意散在運転、スピードリングの3つの要因の可能性を識別し、ランク付けし、各要因に対する州全体の道路セグメントリスクを定量化する。
導入されたモデルと方法は、州や地方機関によるROADFIRSTのさらなる開発のためのサンプルとして役立ち、より包括的な地域全体の安全改善計画の立案に役立ちます。
関連論文リスト
- Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。
本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
論文 参考訳（メタデータ） (2024-11-04T09:21:00Z) - 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) - 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) - A Real-time Evaluation Framework for Pedestrian's Potential Risk at Non-Signalized Intersections Based on Predicted Post-Encroachment Time [1.0124625066746595]
本研究では,歩行者の潜在的なリスクをリアルタイムに評価するために,コンピュータビジョン技術と予測モデルを用いたフレームワークを開発した。
P-PET(Predicted Post-Encroachment Time)は、交差点で歩行者や車両が到着する時刻を予測できるディープラーニングモデルから派生した、予測後時間(Predicted Post-Encroachment Time)である。
論文 参考訳（メタデータ） (2024-04-24T04:10:05Z) - Safeguarded Progress in Reinforcement Learning: Safe Bayesian
Exploration for Control Policy Synthesis [63.532413807686524]
本稿では、強化学習(RL)におけるトレーニング中の安全維持の問題に対処する。
探索中の効率的な進捗と安全性のトレードオフを扱う新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-12-18T16:09:43Z) - 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) - Evaluating Model-free Reinforcement Learning toward Safety-critical
Tasks [70.76757529955577]
本稿では、国家安全RLの観点から、この領域における先行研究を再考する。
安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。
この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
論文 参考訳（メタデータ） (2022-12-12T06:30:17Z) - Analyzing vehicle pedestrian interactions combining data cube structure
and predictive collision risk estimation model [5.73658856166614]
本研究では,フィールドと集中型プロセスを組み合わせた歩行者安全システムについて紹介する。
本システムは,現場における今後のリスクを直ちに警告し,実際の衝突のない道路の安全レベルを評価することにより,危険頻繁なエリアの安全性を向上させることができる。
論文 参考訳（メタデータ） (2021-07-26T23:00:56Z) - Impact of risk factors on work zone crashes using logistic models and
Random Forest [9.5148976460603]
本研究は、ハイウェイI-94沿いの労働地帯で発生した2016年のミシガン州(USA)の激しい事故に焦点を当てた。
この研究は、環境、運転者、事故、道路関連変数を特徴付ける幅広い事故変数からリスク要因を特定した。
論文 参考訳（メタデータ） (2021-04-14T00:27:11Z) - Cautious Adaptation For Reinforcement Learning in Safety-Critical
Settings [129.80279257258098]
都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。
非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。
多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
論文 参考訳（メタデータ） (2020-08-15T01:40:59Z)
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。