論文の概要: Predictive Crash Analytics for Traffic Safety using Deep Learning
- arxiv url: http://arxiv.org/abs/2502.05777v1
- Date: Sun, 09 Feb 2025 05:00:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:34:33.294905
- Title: Predictive Crash Analytics for Traffic Safety using Deep Learning
- Title(参考訳): 深層学習を用いた交通安全のための予測的クラッシュ解析
- Authors: Karthik Sivakoti,
- Abstract要約: 本研究では,アンサンブル学習手法とマルチモーダルデータ融合を統合した交通安全解析手法を提案する。
我々の主な貢献は、時空間の衝突パターンと環境条件を組み合わせた階層的な重大度分類システムの開発である。
本稿では,事故発生時の位置データをインシデントレポートや気象条件と統合し,リスク予測の精度92.4%,ホットスポット識別の精度89.7%を達成できる新しい特徴工学手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Traditional automated crash analysis systems heavily rely on static statistical models and historical data, requiring significant manual interpretation and lacking real-time predictive capabilities. This research presents an innovative approach to traffic safety analysis through the integration of ensemble learning methods and multi-modal data fusion for real-time crash risk assessment and prediction. Our primary contribution lies in developing a hierarchical severity classification system that combines spatial-temporal crash patterns with environmental conditions, achieving significant improvements over traditional statistical approaches. The system demonstrates a Mean Average Precision (mAP) of 0.893, representing a 15% improvement over current state-of-the-art methods (baseline mAP: 0.776). We introduce a novel feature engineering technique that integrates crash location data with incident reports and weather conditions, achieving 92.4% accuracy in risk prediction and 89.7% precision in hotspot identification. Through extensive validation using 500,000 initial crash records filtered to 59,496 high-quality samples, our solution shows marked improvements in both prediction accuracy and computational efficiency. Key innovations include a robust data cleaning pipeline, adaptive feature generation, and a scalable real-time prediction system capable of handling peak loads of 1,000 concurrent requests while maintaining sub-100ms response times.
- Abstract(参考訳): 従来の自動クラッシュ解析システムは静的統計モデルと履歴データに大きく依存しており、手動による解釈がかなり必要であり、リアルタイムの予測能力が欠如している。
本研究では,リアルタイムの事故リスク評価と予測のために,アンサンブル学習手法とマルチモーダルデータ融合を統合した交通安全解析の革新的アプローチを提案する。
我々の主な貢献は、空間的時間的クラッシュパターンと環境条件を組み合わせた階層的な重大度分類システムの開発であり、従来の統計的アプローチよりも大幅に改善されている。
このシステムは0.893の平均平均精度(mAP)を示し、現在の最先端手法(ベースラインmAP: 0.776)よりも15%改善されている。
本稿では,事故発生時の位置データをインシデントレポートや気象条件と統合し,リスク予測の精度92.4%,ホットスポット識別の精度89.7%を達成できる新しい特徴工学手法を提案する。
59,496個の高品質サンプルにフィルタした50,000個の初期クラッシュレコードを用いた広範囲な検証により,予測精度と計算効率の両面で有意な改善が示された。
主なイノベーションは、堅牢なデータクリーニングパイプライン、適応的な機能生成、100ms以下の応答時間を維持しながら1,000の同時リクエストのピーク負荷を処理するスケーラブルなリアルタイム予測システムである。
関連論文リスト
- 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) - Leveraging Time-Series Foundation Model for Subsurface Well Logs Prediction and Anomaly Detection [0.0]
ボーリング・ウェルログデータ中の異常を予測・検出するための時系列基礎モデルを提案する。
提案モデルでは,R2が最大87%,平均絶対パーセンテージ誤差(MAPE)が1.95%と高い性能を示した。
このモデルのゼロショット能力は、ドリルの危険性や予期せぬ地質学的形成などの微妙で重要な異常を93%の精度で識別することに成功した。
論文 参考訳(メタデータ) (2024-12-07T15:23:52Z) - Reliable Probabilistic Human Trajectory Prediction for Autonomous Applications [1.8294777056635267]
車両システムは信頼性、正確、高速、資源効率、スケーラブル、低遅延軌道予測を必要とする。
本稿では,これらの要求に対処する軽量な手法として,Long Short-Term Memory と Mixture Density Networks を提案する。
自動運転車アプリケーションにおける人体軌道予測の必須要件について考察し,交通関連データセットを用いて本手法の性能を実証する。
論文 参考訳(メタデータ) (2024-10-09T14:08:39Z) - Enhanced Anomaly Detection in Automotive Systems Using SAAD: Statistical Aggregated Anomaly Detection [0.0]
本稿では,SAADと呼ばれる新しい異常検出手法を提案する。
SAADアプローチは、高度な統計技術と機械学習を統合し、その有効性は、自動車領域内のハードウェア・イン・ザ・ループ(HIL)環境からの実センサデータを検証することによって実証される。
論文 参考訳(メタデータ) (2024-06-11T12:41:24Z) - Acquiring Better Load Estimates by Combining Anomaly and Change Point Detection in Power Grid Time-series Measurements [0.49478969093606673]
提案手法は,可視データに対する堅牢かつ一般化可能な性能を確保しつつ,解釈可能性の優先順位付けを行う。
その結果, 濾過が適用されない場合に, 洗浄電位が明らかになることが示唆された。
我々の方法論の解釈可能性によって、重要なインフラ計画に特に適しています。
論文 参考訳(メタデータ) (2024-05-25T10:15:51Z) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳(メタデータ) (2023-04-20T07:29:23Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z)
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。