論文の概要: Crash Severity Analysis of Child Bicyclists using Arm-Net and MambaNet

• arxiv url: http://arxiv.org/abs/2503.11003v1
• Date: Fri, 14 Mar 2025 02:02:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:06:30.281891
• Title: Crash Severity Analysis of Child Bicyclists using Arm-Net and MambaNet
• Title（参考訳）: Arm-Net と MambaNet を用いた児童自転車の衝突重症度解析
• Authors: Shriyank Somvanshi, Rohit Chakraborty, Subasish Das, Anandi K Dutta,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.17476232824732776
• License:
• Abstract: Child bicyclists (14 years and younger) are among the most vulnerable road users, often experiencing severe injuries or fatalities in crashes. This study analyzed 2,394 child bicyclist crashes in Texas from 2017 to 2022 using two deep tabular learning models (ARM-Net and MambaNet). To address the issue of data imbalance, the SMOTEENN technique was applied, resulting in balanced datasets that facilitated accurate crash severity predictions across three categories: Fatal/Severe (KA), Moderate/Minor (BC), and No Injury (O). The findings revealed that MambaNet outperformed ARM-Net, achieving higher precision, recall, F1-scores, and accuracy, particularly in the KA and O categories. Both models highlighted challenges in distinguishing BC crashes due to overlapping characteristics. These insights underscored the value of advanced tabular deep learning methods and balanced datasets in understanding crash severity. While limitations such as reliance on categorical data exist, future research could explore continuous variables and real-time behavioral data to enhance predictive modeling and crash mitigation strategies.
• Abstract（参考訳）: 子どもの自転車(14歳以下)は最も脆弱な道路利用者であり、しばしば事故で重傷や致命傷を負っている。 この研究は、2017年から2022年にかけてテキサスの2,394人の児童自転車事故を、ARM-NetとMambaNetの2つの深層学習モデルを用いて分析した。 データ不均衡の問題に対処するため、SMOTEENN技術が適用され、3つのカテゴリ(Fatal/Severe (KA)、Moderate/Minor (BC)、No Injury (O))で正確なクラッシュ重大度予測を容易にするバランスの取れたデータセットが得られた。 その結果,MambaNetはARM-Netより優れており,特にKAとOのカテゴリにおいて高い精度,リコール,F1スコア,精度を実現していることがわかった。 どちらのモデルも、重複する特性のため、BCのクラッシュを区別する上での課題を強調した。 これらの知見は、クラッシュの重大さを理解する上で、高度な表層深層学習手法とバランスの取れたデータセットの価値を強調した。 カテゴリーデータへの依存のような制限はあるが、将来の研究は、予測モデリングとクラッシュ軽減戦略を強化するために、連続変数とリアルタイムな行動データを調べる可能性がある。

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)
• Crash Severity Risk Modeling Strategies under Data Imbalance [7.9613232032536745]
  本研究では,低重度 (LS) と高重度 (HS) の衝突データ不均衡が存在する場合の大規模車両を含む作業区間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年にかけては、サウスカロライナのワークゾーンで大型車両が衝突し、HSの事故の4倍のLSがクラッシュした。 本研究の結果は,クラス不均衡によるLSのクラッシュと,LSとHSのクラッシュの重複により,HSのクラッシュの精度が低く,LSとHSの予測の相違を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-12-03T02:28:35Z)
• 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)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
  ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。 本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。 その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• 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)
• 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)
• Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
  本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。 データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
  論文  参考訳（メタデータ） (2022-05-20T21:15:26Z)
• 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)
• Provable tradeoffs in adversarially robust classification [96.48180210364893]
  我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。 この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2020-06-09T09:58:19Z)

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。