論文の概要: Enhancing Traffic Accident Classifications: Application of NLP Methods for City Safety

• arxiv url: http://arxiv.org/abs/2506.12092v1
• Date: Wed, 11 Jun 2025 14:50:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:45.096851
• Title: Enhancing Traffic Accident Classifications: Application of NLP Methods for City Safety
• Title（参考訳）: 交通事故分類の強化:NLP法の都市安全への適用
• Authors: Enes Özeren, Alexander Ulbrich, Sascha Filimon, David Rügamer, Andreas Bender,
• Abstract要約: ミュンヘンの交通事故を分析し、異なるタイプの事故を区別するパターンと特徴を特定する。 データセットは、位置、時間、気象条件などの構造化された表形式の特徴と、各事故の状況を詳述した構造化されていない自由テキスト記述の両方で構成されている。 ラベルの信頼性を評価するために,トピックモデリングや少数ショット学習などのNLP手法を適用し,ラベル付け過程の矛盾を明らかにする。
• 参考スコア（独自算出の注目度）: 41.76653295869846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A comprehensive understanding of traffic accidents is essential for improving city safety and informing policy decisions. In this study, we analyze traffic incidents in Munich to identify patterns and characteristics that distinguish different types of accidents. The dataset consists of both structured tabular features, such as location, time, and weather conditions, as well as unstructured free-text descriptions detailing the circumstances of each accident. Each incident is categorized into one of seven predefined classes. To assess the reliability of these labels, we apply NLP methods, including topic modeling and few-shot learning, which reveal inconsistencies in the labeling process. These findings highlight potential ambiguities in accident classification and motivate a refined predictive approach. Building on these insights, we develop a classification model that achieves high accuracy in assigning accidents to their respective categories. Our results demonstrate that textual descriptions contain the most informative features for classification, while the inclusion of tabular data provides only marginal improvements. These findings emphasize the critical role of free-text data in accident analysis and highlight the potential of transformer-based models in improving classification reliability.
• Abstract（参考訳）: 交通事故の包括的理解は、市の安全を改善し、政策決定を伝えるために不可欠である。 本研究では,ミュンヘンにおける交通事故を分析し,異なるタイプの事故を識別するパターンと特徴を同定する。 データセットは、位置、時間、気象条件などの構造化された表形式の特徴と、各事故の状況を詳述した構造化されていない自由テキスト記述の両方で構成されている。 各インシデントは、事前に定義された7つのクラスのうちの1つに分類される。 これらのラベルの信頼性を評価するために、トピックモデリングや少数ショット学習を含むNLP手法を適用し、ラベル付けプロセスの不整合を明らかにする。 これらの知見は、事故分類における潜在的な曖昧さを浮き彫りにし、洗練された予測アプローチを動機付けている。 これらの知見に基づいて,各カテゴリーに事故を割り当てる際の高精度な分類モデルを構築した。 その結果,テキスト記述は分類において最も有意義な特徴を含んでいるのに対し,表形式のデータを含むことは限界的な改善にしかならないことがわかった。 これらの知見は,事故解析における自由テキストデータの重要性を強調し,分類信頼性向上におけるトランスフォーマーモデルの可能性を強調した。

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)
• Generalized Semantic Contrastive Learning via Embedding Side Information for Few-Shot Object Detection [52.490375806093745]
  マイクロショットオブジェクト検出(FSOD)の目的は、少数のトレーニングサンプルで新しいオブジェクトを検出することである。 本稿では,特徴空間とサンプル視点から得られる負の影響を緩和する側面情報を紹介する。 我々のモデルは従来の最先端手法よりも優れており、ほとんどのショット/スプリットにおけるFSODの能力は大幅に向上している。
  論文  参考訳（メタデータ） (2025-04-09T17:24:05Z)
• Natural Language Processing and Deep Learning Models to Classify Phase of Flight in Aviation Safety Occurrences [14.379311972506791]
  研究者らは、自然言語処理(NLP)と人工知能(AI)モデルを使用して、安全発生の飛行フェーズを分類するテキスト物語を処理した。 NTSBによる27,000件の安全発生レポートの初期データセットを用いて、ResNetとsRNNの2つのディープラーニングモデルの分類性能を評価した。
  論文  参考訳（メタデータ） (2025-01-11T15:02:49Z)
• 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)
• Hierarchical Multi-label Classification for Fine-level Event Extraction from Aviation Accident Reports [18.005377921658308]
  この記事では、イベント分類を活用すれば、イベントをより正確に識別できる、と論じる。 本稿では,新しい階層型アテンションモジュールをBERTに組み込むことで,階層型アテンションタスクを実現する。 その結果, 高精度な予測精度が向上し, 正規化期間が希少事象識別問題に有効であることが確認された。
  論文  参考訳（メタデータ） (2024-03-26T17:51:06Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• 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。