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

• 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)
• 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)
• 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)
• 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)
• 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)

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。