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/2506.03356v2
- Date: Fri, 08 Aug 2025 09:56:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-11 18:31:47.127785
- 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: 車両テレマティクスの普及は、積極的な安全へのパラダイムシフトの機会を与える。
本稿では,事故記録とニアミスイベントの一致と不一致を解析するための空間統計的枠組みを提案する。
結果は、トランスポート当局がリアクティブから積極的な安全管理戦略に移行するための、データ駆動の方法論を提供する。
- 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: Conventional road safety management is inherently reactive, relying on analysis of sparse and lagged historical crash data to identify hazardous locations, or crash blackspots. The proliferation of vehicle telematics presents an opportunity for a paradigm shift towards proactive safety, using high-frequency, high-resolution near-miss data as a leading indicator of crash risk. This paper presents a spatial-statistical framework to systematically analyze the concordance and discordance between official crash records and near-miss events within urban environment. A Getis-Ord statistic is first applied to both reported crashes and near-miss events to identify statistically significant local clusters of each type. Subsequently, Bivariate Local Moran's I assesses spatial relationships between crash counts and High-G event counts, classifying grid cells into distinct profiles: High-High (coincident risk), High-Low and Low-High. Our analysis reveals significant amount of Low-Crash, High-Near-Miss clusters representing high-risk areas that remain unobservable when relying solely on historical crash data. Feature importance analysis is performed using contextual Point of Interest data to identify the different infrastructure factors that characterize difference between spatial clusters. The results provide a data-driven methodology for transport authorities to transition from a reactive to a proactive safety management strategy, allowing targeted interventions before severe crashes occur.
- Abstract（参考訳）: 従来の道路安全管理は本質的には反応性があり、有害な場所を識別したり、ブラックスポットをクラッシュさせたりするために、スパースやタグ付けされた歴史的なクラッシュデータの分析に頼っている。
車両テレマティクスの普及は、事故リスクの指標として高周波・高分解能近接ミッションデータを用いて、プロアクティブ安全性へのパラダイムシフトの機会を与える。
本稿では,都市環境における事故記録とニアミス事象の一致と不一致を体系的に解析するための空間統計的枠組みを提案する。
Getis-Ord統計は、まず、各タイプの統計的に重要な局所クラスタを特定するために、報告されたクラッシュとニアミスイベントの両方に適用される。
その後、Bivariate Local MoranのIでは、衝突数とHigh-Gイベント数の間の空間的関係を評価し、グリッド細胞を異なるプロファイルに分類している。
我々の分析では、歴史的衝突データのみに頼っても観測不可能な高リスク領域を表す、低クラッシュ、高Near-Missクラスタのかなりの数を明らかにした。
空間クラスタ間の差異を特徴付ける異なるインフラストラクチャ要因を識別するために、文脈的関心点データを用いて特徴重要度分析を行う。
その結果、交通当局が反応性から積極的な安全管理戦略に移行するためのデータ駆動の方法論が提供され、深刻な衝突が起こる前にターゲットの介入を可能にする。
関連論文リスト
- RefAV: Towards Planning-Centric Scenario Mining [45.37155349405482]
伝統的なシナリオマイニング技術はエラーを起こしやすく、非常に時間を要する。
本稿では,1万種類の自然言語クエリの大規模データセットであるRefAVを紹介する。
その結果, ナイール構造を有するオフザシェルフ-Msは, 性能が劣ることがわかった。
論文 参考訳（メタデータ） (2025-05-27T10:14:35Z) - Learning collision risk proactively from naturalistic driving data at scale [3.1457219084519004]
本研究は一般サロゲート安全対策(GSSM)を紹介する。
GSSMは、クラッシュやリスクラベルを必要とせずに、自然主義的な運転から衝突リスクを学習する。
複数のGSSMを訓練するためには、運動キネマティクス、天気、照明など、自然運動からのさまざまなデータを使用する。
即時運動キネマティクスのみを用いた基本的なGSSMは、精度-リコール曲線0.9の領域を達成し、衝突を避けるために2.6秒の中央値の時間を確保できる。
論文 参考訳（メタデータ） (2025-05-19T07:22:32Z) - Investigating Robotaxi Crash Severity with Geographical Random Forest and the Urban Environment [5.023563968303034]
本稿では,都市建設環境の局所的な機械学習とマクロ測度を用いて,自律走行車(AV)の衝突重大度を定量的に検討する。
土地利用は、交差点、建物の足跡、公共交通機関の停留所、および利益のポイント(POI)と比較して、最も重要な予測者であった。
AVの事故は、住宅地よりも多様性と商業活動の大きい都市中心部で、低重大な事故が引き起こされる可能性が高かった。
論文 参考訳（メタデータ） (2025-05-10T21:47:01Z) - Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。
我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
論文 参考訳（メタデータ） (2024-06-30T04:21:46Z) - 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) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-03-17T00:28:33Z) - 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。