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/2506.04654v2
• Date: Fri, 24 Oct 2025 19:40:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:21.618723
• 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: Eバイクは都市移動の持続可能な形態として急速に人気を集めているが、その安全性は未解明のままである。 本稿では,電子自転車と自転車の事故事例を2つのデータソースを用いて分析する。 障害の原因と重症度を特定し定量化するための標準化された分類フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.1542747118862302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: E-bikes have rapidly gained popularity as a sustainable form of urban mobility, yet their safety implications remain underexplored. This paper analyzes injury incidents involving e-bikes and traditional bicycles using two sources of data, the CPSRMS (Consumer Product Safety Risk Management System Information Security Review Report) and NEISS (National Electronic Injury Surveillance System) datasets. We propose a standardized classification framework to identify and quantify injury causes and severity. By integrating incident narratives with demographic attributes, we reveal key differences in mechanical failure modes, injury severity patterns, and affected user groups. While both modes share common causes, such as loss of control and pedal malfunctions, e-bikes present distinct risks, including battery-related fires and brake failures. These findings highlight the need for tailored safety interventions and infrastructure design to support the safe integration of micromobility devices into urban transportation networks.
• Abstract（参考訳）: Eバイクは都市移動の持続可能な形態として急速に人気を集めているが、その安全性は未解明のままである。 本稿では, CPSRMS (Consumer Product Safety Risk Management System Information Security Review Report) とNEISS (National Electronic Injury Surveillance System) の2つのデータソースを用いて, 自転車や自転車の損傷事故を解析する。 障害の原因と重症度を特定し定量化するための標準化された分類フレームワークを提案する。 インシデント物語を人口統計学的属性と統合することにより、機械的故障モード、損傷重症度パターン、影響を受けるユーザグループに重要な違いを明らかにする。 どちらのモードも、制御の喪失やペダルの故障といった一般的な原因を共有しているが、Eバイクは、バッテリー関連の火災やブレーキの故障など、明確なリスクを示す。 これらの知見は, 都市交通網へのマイクロモビリティ機器の安全な統合を支援するため, 安全対策とインフラ設計の必要性を浮き彫りにした。

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)
• 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)
• 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。