論文の概要: Applying Tabular Deep Learning Models to Estimate Crash Injury Types of Young Motorcyclists

• arxiv url: http://arxiv.org/abs/2503.10474v1
• Date: Thu, 13 Mar 2025 15:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:51:51.154093
• Title: Applying Tabular Deep Learning Models to Estimate Crash Injury Types of Young Motorcyclists
• Title（参考訳）: 若手自転車の衝突損傷型推定へのタブラルディープラーニングモデルの適用
• Authors: Shriyank Somvanshi, Anannya Ghosh Tusti, Rohit Chakraborty, Subasish Das,
• Abstract要約: 若いモーターサイクリスト(特に15歳から24歳)は、スピード違反、交通違反、ヘルメット使用などの要因により、深刻な事故のリスクが高まる。 この研究は、2017年から2022年にかけてテキサス州で発生した10,726人の若いモーターサイクリストの事故を分析して、事故の深刻度に影響を与える重要な要因を特定することを目的としている。
• 参考スコア（独自算出の注目度）: 0.1874930567916036
• License:
• Abstract: Young motorcyclists, particularly those aged 15 to 24 years old, face a heightened risk of severe crashes due to factors such as speeding, traffic violations, and helmet usage. This study aims to identify key factors influencing crash severity by analyzing 10,726 young motorcyclist crashes in Texas from 2017 to 2022. Two advanced tabular deep learning models, ARMNet and MambaNet, were employed, using an advanced resampling technique to address class imbalance. The models were trained to classify crashes into three severity levels, Fatal or Severe, Moderate or Minor, and No Injury. ARMNet achieved an accuracy of 87 percent, outperforming 86 percent of Mambanet, with both models excelling in predicting severe and no injury crashes while facing challenges in moderate crash classification. Key findings highlight the significant influence of demographic, environmental, and behavioral factors on crash outcomes. The study underscores the need for targeted interventions, including stricter helmet enforcement and educational programs customized to young motorcyclists. These insights provide valuable guidance for policymakers in developing evidence-based strategies to enhance motorcyclist safety and reduce crash severity.
• Abstract（参考訳）: 若いモーターサイクリスト(特に15歳から24歳)は、スピード違反、交通違反、ヘルメット使用などの要因により、深刻な事故のリスクが高まる。 この研究は、2017年から2022年にかけてテキサス州で発生した10,726人の若いモーターサイクリストの事故を分析して、事故の深刻度に影響を与える重要な要因を特定することを目的としている。 ARMNetとMambaNetという2つの高度な表層深層学習モデルが採用され、クラス不均衡に対処するために高度な再サンプリング技術が用いられた。 これらのモデルは、墜落事故を3つの重度レベル(Fatal or Severe、Modrate or Minor、No Injury)に分類するために訓練された。 ARMNetは87%の精度を達成し、Mambanetの86パーセントを上回った。 主な発見は、人口統計学、環境学、行動学的な要因がクラッシュの結果に大きく影響していることである。 この研究は、ヘルメットの厳格化や、若いモーターサイクリスト向けにカスタマイズされた教育プログラムなど、対象とする介入の必要性を浮き彫りにしている。 これらの洞察は、モーターサイクリストの安全性を高め、事故の深刻度を減らすエビデンスベースの戦略を開発する政策立案者に貴重なガイダンスを提供する。

関連論文リスト

• 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)
• 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)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• On using Machine Learning Algorithms for Motorcycle Collision Detection [0.0]
  衝突シミュレーションにより,エアバッグやシートベルトなどの受動的安全対策を装備すれば,車両衝突時の重傷や死亡のリスクを大幅に低減できることが示された。 本稿では,衝突を確実に検出する上での課題として,機械学習アルゴリズムの適用性について検討する。
  論文  参考訳（メタデータ） (2024-03-14T15:32:25Z)
• Prediction of Crash Injury Severity in Florida's Interstate-95 [0.0]
  2016年から2021年にかけてフロリダ州州間高速道路95号線で交通事故が発生した。 交通事故の重症度を推定するために 分類法が使われました AdaboostアルゴリズムはリコールとAUCの点で他より優れていた。
  論文  参考訳（メタデータ） (2023-12-16T18:42:39Z)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• Exploring Machine Learning Techniques to Identify Important Factors Leading to Injury in Curve Related Crashes [0.4129225533930965]
  本研究は, 交通事故に関連する重要な要因を変数として考慮し, 車両の損傷の有無を予測変数として検討することにより, 問題点を解消しようとするものである。 本研究は、米国各州の交通事故関連データを含む国家道路交通安全局(NHTSA)のCRSSデータを用いた。 分析の結果,損傷の程度,事故前イベント,事故前位置,道路記述,道路表面条件,事故月,最初の有害事象,車両数,回避操作の試み,道路勾配が車両数に影響を与えることが明らかとなった。
  論文  参考訳（メタデータ） (2023-01-04T13:07:28Z)
• Drivers' attention detection: a systematic literature review [62.997667081978825]
  多くの要因が運転中の注意散らしに寄与しうるが、それは物体や事象が生理的状態、つまり眠気や疲労に結びつくためであり、運転者が注意をそらすことができないからである。 技術進歩により、現実の状況における注意を検知する多くのソリューションの開発と応用が可能となった。 本研究は,車輪の運転者の注意を検知するための方法と基準について,システマティック文献レビュー(Systematic Literature Review)を提示する。
  論文  参考訳（メタデータ） (2022-04-06T11:36:40Z)
• Human error in motorcycle crashes: a methodology based on in-depth data to identify the skills needed and support training interventions for safe riding [0.0]
  本稿では,事故発生率を抑えるため,最も高いリスククラッシュ構成において,ライダーが必要とするスキルを識別する手法を定義する。 本稿では803基の2輪車衝突事故の詳細なデータを用いたケーススタディを提案する。
  論文  参考訳（メタデータ） (2021-02-19T21:30:37Z)
• 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)
• Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
  本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。 本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
  論文  参考訳（メタデータ） (2020-06-20T11:56:32Z)

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。