論文の概要: Crash Severity Risk Modeling Strategies under Data Imbalance

• arxiv url: http://arxiv.org/abs/2412.02094v2
• Date: Fri, 09 May 2025 02:49:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 14:47:46.853614
• Title: Crash Severity Risk Modeling Strategies under Data Imbalance
• Title（参考訳）: データ不均衡下における衝突重大度リスクモデリング戦略
• Authors: Abdullah Al Mamun, Abyad Enan, Debbie A. Indah, Judith Mwakalonge, Gurcan Comert, Mashrur Chowdhury,
• Abstract要約: 本研究では,大型車両を含む作業区域における事故重大度リスクモデリング戦略について検討した。 2014年から2018年にかけて、サウスカロライナのワークゾーンで大型車両を含む事故データを利用した。 発見はLSとHS予測の相違を強調しており、クラス不均衡と機能の重複によるHSクラッシュの精度は低い。
• 参考スコア（独自算出の注目度）: 7.9613232032536745
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study investigates crash severity risk modeling strategies for work zones involving large vehicles (i.e., trucks, buses, and vans) under crash data imbalance between low-severity (LS) and high-severity (HS) crashes. We utilized crash data involving large vehicles in South Carolina work zones from 2014 to 2018, which included four times more LS crashes than HS crashes. The objective of this study is to evaluate the crash severity prediction performance of various statistical, machine learning, and deep learning models under different feature selection and data balancing techniques. Findings highlight a disparity in LS and HS predictions, with lower accuracy for HS crashes due to class imbalance and feature overlap. Discriminative Mutual Information (DMI) yields the most effective feature set for predicting HS crashes without requiring data balancing, particularly when paired with gradient boosting models and deep neural networks such as CatBoost, NeuralNetTorch, XGBoost, and LightGBM. Data balancing techniques such as NearMiss-1 maximize HS recall when combined with DMI-selected features and certain models such as LightGBM, making them well-suited for HS crash prediction. Conversely, RandomUnderSampler, HS Class Weighting, and RandomOverSampler achieve more balanced performance, which is defined as an equitable trade-off between LS and HS metrics, especially when applied to NeuralNetTorch, NeuralNetFastAI, CatBoost, LightGBM, and Bayesian Mixed Logit (BML) using merged feature sets or models without feature selection. The insights from this study offer safety analysts guidance on selecting models, feature selection, and data balancing techniques aligned with specific safety goals, providing a robust foundation for enhancing work-zone crash severity prediction.
• Abstract（参考訳）: 本研究では,低重度(LS)と高重度(HS)の衝突データ不均衡下での大型車両(トラック,バス,バンなど)を含む作業区域の事故重大度リスクモデリング戦略について検討した。 2014年から2018年にかけて、サウスカロライナのワークゾーンで大型車両が衝突した事故データを利用しました。 本研究の目的は,様々な特徴選択およびデータ分散手法を用いて,各種統計モデル,機械学習モデル,ディープラーニングモデルのクラッシュ重大度予測性能を評価することである。 発見はLSとHS予測の相違を強調しており、クラス不均衡と機能の重複によるHSクラッシュの精度は低い。 識別的相互情報(DMI)は、データバランシングを必要とせずにHSクラッシュを予測するための最も効果的な機能セットである。特に、勾配向上モデルとCatBoost、NeuralNetTorch、XGBoost、LightGBMといったディープニューラルネットワークと組み合わせた場合には、特にそうだ。 NearMiss-1のようなデータバランシング技術は、DMI選択機能とLightGBMのような特定のモデルを組み合わせた場合、HSリコールを最大化し、HSクラッシュ予測に適している。 逆に、RandomUnderSampler、HS Class Weighting、RandomOverSamplerは、LSとHSメトリクスの公平なトレードオフとして定義される、よりバランスの取れたパフォーマンスを実現している。 本研究から得られた知見は、特定の安全目標に沿ったモデルの選択、特徴選択、データバランス技術に関する安全アナリストのガイダンスを提供し、ワークゾーン衝突重大度予測を強化するための堅牢な基盤を提供する。

関連論文リスト

• Crash Severity Analysis of Child Bicyclists using Arm-Net and MambaNet [0.17476232824732776]
  児童自転車(14歳以下)が最も脆弱な道路利用者である。 この研究は、2017年から2022年にかけてテキサス州で2394人の児童自転車事故を分析した。
  論文  参考訳（メタデータ） (2025-03-14T02:02:14Z)
• Inverse Reinforcement Learning for Minimum-Exposure Paths in Spatiotemporally Varying Scalar Fields [49.1574468325115]
  このようなパスのトレーニングデータセットに類似した最小露出パスのデータセットを合成する問題を考える。 本論文の主な貢献は、この問題を解決するための逆強化学習(IRL)モデルである。 提案したIRLモデルは,トレーニングデータセットにない初期条件から経路を合成する際の優れた性能を提供する。
  論文  参考訳（メタデータ） (2025-03-09T13:30:11Z)
• Spatiotemporal Prediction of Secondary Crashes by Rebalancing Dynamic and Static Data with Generative Adversarial Networks [6.571659350175123]
  二次衝突は交通渋滞を著しく悪化させ、事故の深刻さを増す。 既存のメソッドは、トラフィッククラッシュデータの複雑さ、特に動的および静的な機能の共存に完全に対処できない。 本研究では,二次衝突データ生成の忠実度向上を目的としたハイブリッドモデルであるVarFusiGAN-Transformerを提案する。
  論文  参考訳（メタデータ） (2025-01-17T08:56:49Z)
• Enhancing Crash Frequency Modeling Based on Augmented Multi-Type Data by Hybrid VAE-Diffusion-Based Generative Neural Networks [13.402051372401822]
  衝突頻度モデリングにおける重要な課題は、過剰なゼロ観測の頻度である。 我々は、ゼロ観測を減らすために、ハイブリッドなVAE拡散ニューラルネットワークを提案する。 我々は、類似性、正確性、多様性、構造的整合性といった指標を用いて、このモデルによって生成された合成データ品質を評価する。
  論文  参考訳（メタデータ） (2025-01-17T07:53:27Z)
• Predictive Models in Sequential Recommendations: Bridging Performance Laws with Data Quality Insights [104.48511402784763]
  本稿では,モデル性能とデータ品質の関係を理論的に検討し,モデル化することを目的としたSRモデルの性能法則を紹介する。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• 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)
• Advancing the Robustness of Large Language Models through Self-Denoised Smoothing [50.54276872204319]
  大規模言語モデル(LLM)は大きな成功を収めたが、敵の摂動に対する脆弱性は大きな懸念を引き起こしている。 本稿では,LLMのマルチタスク特性を活用して,まずノイズの入力を識別し,次にこれらの復号化バージョンに基づいて予測を行う。 LLMのロバスト性を高めるために個別のモデルを訓練する必要がある従来のコンピュータビジョンのスムース化技術とは異なり、本手法は効率と柔軟性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-04-18T15:47:00Z)
• A Generative Deep Learning Approach for Crash Severity Modeling with Imbalanced Data [6.169163527464771]
  本研究では,条件付きタブラリGANに基づくクラッシュデータ生成手法を提案する。 分類と解釈の性能を推定するために、クラッシュ重大度モデルを用いる。 以上の結果から,CTGAN-RUが生成した合成データを用いた衝突重大度モデリングは,他の再サンプリング法により生成された原データや合成データよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-04-02T16:07:27Z)
• Multi-class real-time crash risk forecasting using convolutional neural network: Istanbul case study [0.0]
  本稿では,事故リスク予測におけるニューラルネットワーク(ANN)の性能について述べる。 提案したCNNモデルは、記録、処理、分類された入力特性から学習することができる。 本研究は,CNNモデルをリアルタイムの事故リスク予測のためのマルチクラス予測モデルとして適用することを提案する。
  論文  参考訳（メタデータ） (2024-02-09T10:51:09Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Heterogeneous Ensemble Learning for Enhanced Crash Forecasts -- A Frequentest and Machine Learning based Stacking Framework [0.803552105641624]
  本研究では,都市および郊外の5車線未分割セグメント(5T)の衝突頻度をモデル化するために,重要なHEM手法の1つ,スタックリングを適用した。 Stackingの予測性能は、パラメトリック統計モデル(Poissonと負二項法)と機械学習技術の3つの状態(決定木、ランダム森林、勾配上昇)と比較される。
  論文  参考訳（メタデータ） (2022-07-21T19:15:53Z)
• Causal Analysis and Classification of Traffic Crash Injury Severity Using Machine Learning Algorithms [0.0]
  この調査で使用されたデータは、2014年から2019年までの6年間にテキサス州のすべての州間高速道路で交通事故が発生した際に得られたものです。 提案手法は,致命的・重傷(KA),非重傷(BC),財産被害(PDO)の3つのクラスを含む。 Grangerの因果関係分析の結果、速度制限、表面および気象条件、交通量、ワークゾーンの存在、ワークゾーンの労働者、高占有車線(HOV)が事故の深刻度に影響を及ぼす最も重要な要因として特定された。
  論文  参考訳（メタデータ） (2021-11-30T20:32:31Z)
• 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)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

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。