論文の概要: E-bike agents: Large Language Model-Driven E-Bike Accident Analysis and Severity Prediction

• arxiv url: http://arxiv.org/abs/2506.04654v1
• Date: Thu, 05 Jun 2025 05:49:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.557392
• Title: E-bike agents: Large Language Model-Driven E-Bike Accident Analysis and Severity Prediction
• Title（参考訳）: Eバイクエージェント:大規模言語モデル駆動型Eバイク事故解析と重症度予測
• Authors: Zhichao Yang, Jiashu He, Mohammad B. Al-Khasawneh, Darshan Pandit, Cirillo Cinzia,
• Abstract要約: 本研究では,大規模言語モデル(LLM)を用いて,非構造化インシデントレポートから安全変数を分類・抽出するフレームワークであるE-bike Agentを紹介する。 本フレームワークは,データ分類,情報抽出,傷害原因判定,部品リンクなど4つのLCMエージェントから構成され,Eバイク事故の原因となる要因を抽出する。 我々の研究によると、機器の問題は人間関連のものよりやや多いが、人間関連の出来事は致命的であることが多い。
• 参考スコア（独自算出の注目度）: 1.370096215615823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electric bicycles (e-bikes) are rapidly increasing in use, raising safety concerns due to a rise in accident reports. However, e-bike incident reports often use unstructured narrative formats, which hinders quantitative safety analysis. This study introduces E-bike agents, a framework that uses large language models (LLM) powered agents to classify and extract safety variables from unstructured incident reports. Our framework consists of four LLM agents, handling data classification, information extraction, injury cause determination, and component linkage, to extract the key factors that could lead to E-bike accidents and cause varying severity levels. Furthermore, we used an ordered logit model to examine the relationship between the severity of the incident and the factors retrieved, such as gender, the type of cause, and environmental conditions. Our research shows that equipment issues are slightly more common than human-related ones, but human-related incidents are more often fatal. Specifically, pedals, tires, and brakes are frequent contributors to accidents. The model achieves a high weighted F1 score of 0.87 in classification accuracy, highlighting the potential of using LLMs to extract unstructured data in niche domains, such as transportation. Our method offers a scalable solution to improve e-bike safety analytics and provides actionable information for policy makers, designers, and regulators.
• Abstract（参考訳）: 電動自転車(電動自転車)の利用は急速に増加しており、事故報告の増加により安全上の懸念が高まっている。 しかし、e-bikeのインシデントレポートは、しばしば非構造化の物語形式を使用し、定量的安全性分析を妨げている。 本研究では,大規模言語モデル(LLM)を用いて,非構造化インシデントレポートから安全変数を分類・抽出するフレームワークであるE-bike Agentを紹介する。 当社のフレームワークは,データ分類,情報抽出,傷害原因判定,部品リンクなど4つのLCMエージェントから構成され,Eバイク事故の原因となる重要な要因を抽出し,重度レベルを変化させる。 さらに, 性別, 原因の種類, 環境条件など, 事故の重大さと回収された要因との関係を検討するために, 順序付きロジットモデルを用いた。 我々の研究によると、機器の問題は人間関連のものよりやや多いが、人間関連の出来事は致命的であることが多い。 特にペダル、タイヤ、ブレーキは事故の原因となることが多い。 このモデルは高い重み付きF1スコアを0.87の精度で達成し、LSMを用いて輸送などのニッチ領域で非構造化データを抽出する可能性を強調している。 本手法は,電動自転車の安全分析を改善するスケーラブルなソリューションを提供し,政策立案者,設計者,規制当局に実行可能な情報を提供する。

関連論文リスト

• Causal-Entity Reflected Egocentric Traffic Accident Video Synthesis [78.14763828578904]
  自動車事故の原因と影響をエゴセントリックに理解することは、自動運転車の安全性にとって不可欠である。 この研究は、事故参加者を正確に特定し、関連する行動を捉えることが重要であると論じている。 本稿では,エゴセントリックな交通事故ビデオを合成するための新しい拡散モデルCausal-VidSynを提案する。
  論文  参考訳（メタデータ） (2025-06-29T14:37:48Z)
• Towards Reliable and Interpretable Traffic Crash Pattern Prediction and Safety Interventions Using Customized Large Language Models [14.53510262691888]
  TrafficSafeは、テキストレベルの推論として、再フレームのクラッシュ予測と機能属性に適応するフレームワークである。 飲酒運転が深刻な事故の要因となっている。 TrafficSafeは、戦略的クラッシュデータ収集の改善を導くモデルトレーニングにおいて、重要な機能を強調している。
  論文  参考訳（メタデータ） (2025-05-18T21:02:30Z)
• Advanced Crash Causation Analysis for Freeway Safety: A Large Language Model Approach to Identifying Key Contributing Factors [0.0]
  本研究は,大規模言語モデル(LLM)を利用して高速道路の事故データを解析し,それに応じて事故原因分析を行う。 微調整されたLlama3 8Bモデルは、ゼロショット分類によって事前にラベル付けされたデータなしでクラッシュ因果を識別するために使用された。 その結果, LLMはアルコール欠乏運転, スピード, 積極的運転, 運転不注意などの事故原因を効果的に同定できることが示唆された。
  論文  参考訳（メタデータ） (2025-05-15T04:07:55Z)
• CrashSage: A Large Language Model-Centered Framework for Contextual and Interpretable Traffic Crash Analysis [0.46040036610482665]
  道路事故は毎年130万人が死亡し、世界経済の損失は18兆ドルを超えたと主張している。 CrashSageは, 4つの重要なイノベーションを通じて, クラッシュ解析とモデリングを促進するために設計された, LLM(Large Language Model)中心のフレームワークである。
  論文  参考訳（メタデータ） (2025-05-08T00:23:18Z)
• EQ-TAA: Equivariant Traffic Accident Anticipation via Diffusion-Based Accident Video Synthesis [79.25588905883191]
  交通現場における交通事故予測(TAA)は, 今後ゼロ死亡率を達成する上で, 課題となる。 本稿では,追加の事故ビデオクリップを合成するAVDモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-16T01:56:38Z)
• Watch Out E-scooter Coming Through: Multimodal Sensing of Mixed Traffic Use and Conflicts Through Riders Ego-centric Views [27.40067154809732]
  本研究は,自転車用コンピュータを搭載した23人の参加者を対象に,自然科学的な研究を通してライダーの挙動を検討した。 歩行者が共有する道路、自転車レーン、道路の3種類の交通インフラで、視線の動き、速度、ビデオのフィードを分析した。 この結果から,自転車や自動車に追従することの難しさなど,電動スクーターの乗り手が直面する独特な課題が明らかになった。
  論文  参考訳（メタデータ） (2025-02-24T00:16:18Z)
• VMGuard: Reputation-Based Incentive Mechanism for Poisoning Attack Detection in Vehicular Metaverse [52.57251742991769]
  車両メタバースガード(VMGuard)は、車両メタバースシステムをデータ中毒攻撃から保護する。 VMGuardは、参加するSIoTデバイスの信頼性を評価するために、評判に基づくインセンティブメカニズムを実装している。 当社のシステムは,従来は誤分類されていた信頼性の高いSIoTデバイスが,今後の市場ラウンドへの参加を禁止していないことを保証します。
  論文  参考訳（メタデータ） (2024-12-05T17:08:20Z)
• 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)
• 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)
• Abductive Ego-View Accident Video Understanding for Safe Driving Perception [75.60000661664556]
  マルチモーダル・アクシデント・ビデオ理解のための新しいデータセットMM-AUを提案する。 MM-AUには1,727件の映像が収録されている。 安全運転認識のための誘導型事故映像理解フレームワーク(AdVersa-SD)を提案する。
  論文  参考訳（メタデータ） (2024-03-01T10:42:52Z)
• SISSA: Real-time Monitoring of Hardware Functional Safety and Cybersecurity with In-vehicle SOME/IP Ethernet Traffic [49.549771439609046]
  本稿では,車内機能安全とサイバーセキュリティをモデル化・解析するためのSOME/IP通信トラフィックベースアプローチであるSISSAを提案する。 具体的には、SISSAはWeibullディストリビューションでハードウェア障害をモデル化し、SOME/IP通信に対する5つの潜在的な攻撃に対処する。 広範囲な実験結果から,SISSAの有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2024-02-21T03:31:40Z)
• Evaluating the reliability of automatically generated pedestrian and bicycle crash surrogates [0.491574468325115]
  Vulnerable Road Users (VRU) は、自動車の事故に巻き込まれるリスクが高い。 信号交差点は、その複雑でダイナミックな性質のため、VRUにとって大きな安全上の懸念事項である。 本研究は, 自動生成サロゲートの信頼性を検証し, 衝突を予測した。
  論文  参考訳（メタデータ） (2023-07-24T23:57:29Z)
• Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
  本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。 我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-12-19T11:43:02Z)
• Analyzing vehicle pedestrian interactions combining data cube structure and predictive collision risk estimation model [5.73658856166614]
  本研究では,フィールドと集中型プロセスを組み合わせた歩行者安全システムについて紹介する。 本システムは,現場における今後のリスクを直ちに警告し,実際の衝突のない道路の安全レベルを評価することにより,危険頻繁なエリアの安全性を向上させることができる。
  論文  参考訳（メタデータ） (2021-07-26T23:00:56Z)
• Invisible for both Camera and LiDAR: Security of Multi-Sensor Fusion based Perception in Autonomous Driving Under Physical-World Attacks [62.923992740383966]
  本稿では,MDFに基づくADシステムにおけるセキュリティ問題の最初の研究について述べる。 物理的に実現可能な逆3Dプリントオブジェクトを生成し、ADシステムが検出に失敗してクラッシュする。 以上の結果から,攻撃は様々なオブジェクトタイプおよびMSFに対して90%以上の成功率を達成した。
  論文  参考訳（メタデータ） (2021-06-17T05:11:07Z)
• 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)
• SimRa: Using Crowdsourcing to Identify Near Miss Hotspots in Bicycle Traffic [0.0]
  SimRaは,スマートフォンによるクラウドソーシングを利用して,自転車のルートや事故現場のデータを収集するプラットフォームである。 また、収集したデータに基づいて、危険に近いホットスポットを識別し、スコアリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-15T15:29:52Z)

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。