論文の概要: Spatial Association Between Near-Misses and Accident Blackspots in Sydney, Australia: A Getis-Ord $G_i^*$ Analysis

• arxiv url: http://arxiv.org/abs/2506.03356v1
• Date: Tue, 03 Jun 2025 19:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.03359
• Title: Spatial Association Between Near-Misses and Accident Blackspots in Sydney, Australia: A Getis-Ord $G_i^*$ Analysis
• Title（参考訳）: オーストラリア・シドニーにおける近距離点と事故黒点の空間的関連:G_i^*$分析
• Authors: Artur Grigorev, David Lillo-Trynes, Adriana-Simona Mihaita,
• Abstract要約: 道路安全管理チームは、歴史的事故記録を利用してブラックスポットを識別する。 車両のテレマティクスで捉えてリアルタイムに伝送されるニアミスイベントは、その高周波の性質と道路での運転のエンゲージメントにより、予防のユニークな可能性を示す。 本研究の目的は, 都市環境(シドニー, オーストラリア)において, 高重度近点群と高重度近点群(High-G)の集団を空間的に同定することであり, 近点の存在が, 特定された危険ホットスポットにおける将来のクラッシュにどのように影響するかを明らかにすることである。
• 参考スコア（独自算出の注目度）: 3.0928226965455154
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Road safety management teams utilize on historical accident logs to identify blackspots, which are inherently rare and sparse in space and time. Near-miss events captured through vehicle telematics and transmitted in real-time by connected vehicles reveal a unique potential of prevention due to their high frequency nature and driving engagement on the road. There is currently a lack of understanding of the high potential of near-miss data in real-time to proactively detect potential risky driving areas, in advance of a fatal collision. This paper aims to spatially identify clusters of reported accidents (A) versus high-severity near-misses (High-G) within an urban environment (Sydney, Australia) and showcase how the presence of near-misses can significantly lead to future crashes in identified risky hotspots. First, by utilizing a 400m grid framework, we identify significant crash hotspots using the Getis-Ord $G_i^*$ statistical approach. Second, we employ a Bivariate Local Moran's I (LISA) approach to assess and map the spatial concordance and discordance between official crash counts (A) and High-G counts from nearmiss data (High-G). Third, we classify areas based on their joint spatial patterns into: a) High-High (HH) as the most riskiest areas in both historical logs and nearmiss events, High-Low (HL) for high crash logs but low nearmiss records, c) Low-High (LH) for low past crash records but high nearmiss events, and d) Low-Low (LL) for safe areas. Finally, we run a feature importance ranking on all area patterns by using a contextual Point of Interest (POI) count features and we showcase which factors are the most critical to the occurrence of crash blackspots.
• Abstract（参考訳）: 道路安全管理チームは、歴史的事故記録を利用してブラックスポットを識別する。 車両のテレマティクスで捉えてリアルタイムに伝送されるニアミスイベントは、その高周波の性質と道路での運転のエンゲージメントにより、予防のユニークな可能性を示す。 現在、致命的な衝突に先立って、潜在的な危険運転領域を積極的に検出する、リアルタイムにおけるニアミスデータの高い可能性についての理解が欠如している。 本研究の目的は, 都市環境(シドニー, オーストラリア)において, 高重度近点群と高重度近点群(High-G)の集団を空間的に同定することであり, 近点の存在が, 特定された危険ホットスポットにおける将来のクラッシュにどのように影響するかを明らかにすることである。 まず,400mのグリッドフレームワークを用いて,Getis-Ord $G_i^*$の統計手法を用いて,重要なクラッシュホットスポットを同定する。 次に,Bivariate Local Moran の I (LISA) アプローチを用いて,A (A) とHigh-G (High-G) の空間的一致と不一致を評価し,マッピングする。 a)ハイハイ(HH)は,ヒストリカルログとニアミスイベントの両方において最も危険性の高い地域,ハイロー(HL)は高いクラッシュログと低いニアミスレコードに分類する。 c) 過去の低事故記録の低高度(LH)に準ずる。 d) 安全地帯のローローロー(LL) 最後に、文脈的関心点(POI)カウント機能を用いて、すべての領域パターンの重要度ランキングを実行し、衝突黒点の発生に最も重要な要因を提示する。

関連論文リスト

• 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)
• Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections [12.812518632907771]
  都市横断路におけるプリエンプティブ衝突を検出する新しい枠組みを提案する。 5Gネットワークのマルチアクセスエッジコンピューティングプラットフォームを利用する。
  論文  参考訳（メタデータ） (2024-04-22T18:45:40Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction [6.570852598591727]
  Stemporal Zero-Inflated Tweedie Graph Neural Network STZITZTDGNNは,道路交通事故予測における最初の不確実性を考慮したグラフ深層学習モデルである。 本研究は,STIDGNNが対象道路の監視を効果的に行い,都市道路の安全対策を改善することを実証するものである。
  論文  参考訳（メタデータ） (2023-09-10T16:35:47Z)
• Deep learning based black spot identification on Greek road networks [52.77024349608834]
  時間的現象であるブラックスポットの識別には、地理的な位置と時間に基づく道路事故の発生の分析が含まれる。 この研究は、警察や政府発行の自動車事故レポートのデータを利用して、ギリシャの道路網の交通事故をブラックスポットの認識に焦点をあてた。
  論文  参考訳（メタデータ） (2023-06-19T07:08:30Z)
• Probabilistic Uncertainty-Aware Risk Spot Detector for Naturalistic Driving [1.8047694351309207]
  リスクアセスメントは自動運転車の開発と検証の中心的な要素である。 Time Headway (TH) と Time-To-Contact (TTC) は一般的にリスクメトリクスとして使われ、発生確率と質的な関係を持つ。 本稿では,生存分析に基づく確率論的状況リスクモデルを提案し,それを自然に知覚・時間的・行動的不確実性に組み込むよう拡張する。
  論文  参考訳（メタデータ） (2023-03-13T15:22:51Z)

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。