論文の概要: Unraveling Pedestrian Fatality Patterns: A Comparative Study with Explainable AI
- arxiv url: http://arxiv.org/abs/2503.17623v1
- Date: Sat, 22 Mar 2025 02:44:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:38:21.946245
- Title: Unraveling Pedestrian Fatality Patterns: A Comparative Study with Explainable AI
- Title（参考訳）: 歩行者の太さパターンの解明:説明可能なAIとの比較研究
- Authors: Methusela Sulle, Judith Mwakalonge, Gurcan Comert, Saidi Siuhi, Nana Kankam Gyimah,
- Abstract要約: この研究は、歩行者の死亡に寄与する重要な要因を特定するために、説明可能な人工知能(XAI)を用いている。
以上の結果から, 年齢, アルコール, 薬物使用量, 場所, 環境条件が歩行者死亡率の予測因子であることを示唆した。
発見によると、中ブロックの場所や視界の悪い地域では歩行者の死亡が一般的であり、高齢者や物質不足の人はリスクが高い。
- 参考スコア（独自算出の注目度）: 5.242869847419834
- License:
- Abstract: Road fatalities pose significant public safety and health challenges worldwide, with pedestrians being particularly vulnerable in vehicle-pedestrian crashes due to disparities in physical and performance characteristics. This study employs explainable artificial intelligence (XAI) to identify key factors contributing to pedestrian fatalities across the five U.S. states with the highest crash rates (2018-2022). It compares them to the five states with the lowest fatality rates. Using data from the Fatality Analysis Reporting System (FARS), the study applies machine learning techniques-including Decision Trees, Gradient Boosting Trees, Random Forests, and XGBoost-to predict contributing factors to pedestrian fatalities. To address data imbalance, the Synthetic Minority Over-sampling Technique (SMOTE) is utilized, while SHapley Additive Explanations (SHAP) values enhance model interpretability. The results indicate that age, alcohol and drug use, location, and environmental conditions are significant predictors of pedestrian fatalities. The XGBoost model outperformed others, achieving a balanced accuracy of 98 %, accuracy of 90 %, precision of 92 %, recall of 90 %, and an F1 score of 91 %. Findings reveal that pedestrian fatalities are more common in mid-block locations and areas with poor visibility, with older adults and substance-impaired individuals at higher risk. These insights can inform policymakers and urban planners in implementing targeted safety measures, such as improved lighting, enhanced pedestrian infrastructure, and stricter traffic law enforcement, to reduce fatalities and improve public safety.
- Abstract（参考訳）: 道路事故は世界中の公共の安全と健康上の問題を引き起こしており、歩行者は身体的・パフォーマンス的な特徴の相違により、特に車両と歩行者の衝突に弱い。
この研究では、説明可能な人工知能(XAI)を使用して、2018-2022年の事故率が最も高い5州で歩行者の死亡に寄与する重要な要因を特定する。
死亡率が最低の5州と比較される。
この研究は、FARS(Fatality Analysis Reporting System)のデータを用いて、歩行者死亡率に寄与する要因を予測するために、決定木、グラディエントブースティングツリー、ランダムフォレスト、XGBoostを含む機械学習技術を適用した。
データ不均衡に対処するために、SMOTE(Synthetic Minority Over-Sampling Technique)が使用され、SHAP(SHapley Additive Explanations)値はモデルの解釈可能性を高める。
その結果, 年齢, アルコール, 薬物使用量, 場所, 環境条件が歩行者死亡の予測因子であることを示唆した。
XGBoostモデルは,98%の精度,90%の精度,92%の精度,90%のリコール,91%のF1スコアを達成し,他のモデルよりも優れていた。
発見によると、中ブロックの場所や視界の悪い地域では歩行者の死亡が一般的であり、高齢者や物質不足の人はリスクが高い。
これらの知見は、照明の改善、歩行者インフラの強化、交通法執行機関の厳格化といった目標とする安全対策を実施する上で、政策立案者や都市計画者に対して、死亡率の低減と公共の安全向上を図っている。
関連論文リスト
- Driver Age and Its Effect on Key Driving Metrics: Insights from Dynamic Vehicle Data [2.3072218701168166]
2030年までに65歳以上の高齢者は50%以上増加し、道路上の高齢者の数が大幅に増加すると予想されている。
70人以上のドライバーは、40代や50代よりも死亡率が高い。
論文 参考訳（メタデータ） (2025-01-12T20:01:07Z) - 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) - Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
CANデータからトラックの積載量の検出について検討する。
私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。
我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
論文 参考訳（メタデータ） (2024-04-08T17:58:22Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - Predicting Accident Severity: An Analysis Of Factors Affecting Accident
Severity Using Random Forest Model [0.0]
本研究では,事故の重大性を予測するためのランダムフォレスト機械学習アルゴリズムの有効性について検討した。
モデルは大都市圏の事故記録のデータセットに基づいて訓練され,様々な指標を用いて評価される。
その結果,ランダムフォレストモデルは事故の重大度を80%以上の精度で予測する有効なツールであることがわかった。
論文 参考訳（メタデータ） (2023-10-09T16:33:44Z) - 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) - Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。
これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。
本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
論文 参考訳（メタデータ） (2022-07-29T22:35:05Z) - A Framework for Pedestrian Sub-classification and Arrival Time
Prediction at Signalized Intersection Using Preprocessed Lidar Data [2.8388425545775386]
我々は、障害者を通常の歩行歩行者と区別するために、機械学習とディープラーニングモデルを組み合わせた体系的な枠組みを開発する。
提案フレームワークは,脆弱なユーザ分類と到着時刻予測精度の両方において高い性能を示す。
論文 参考訳（メタデータ） (2022-01-15T15:58:07Z) - 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) - Comparison Analysis of Tree Based and Ensembled Regression Algorithms
for Traffic Accident Severity Prediction [2.956978593944786]
さまざまな機械学習モデルが事故予測に使用されている。
ランサムフォレストは、0.974の精度、0.954の精度、0.930のリコール、0.942のFスコアを持つ最高性能のモデルである。
論文 参考訳（メタデータ） (2020-10-27T11:52:39Z)
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。