論文の概要: A new machine learning framework for occupational accidents forecasting with safety inspections integration

• arxiv url: http://arxiv.org/abs/2507.00089v1
• Date: Mon, 30 Jun 2025 09:28:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:58.350533
• Title: A new machine learning framework for occupational accidents forecasting with safety inspections integration
• Title（参考訳）: 安全検査統合による作業事故予測のための新しい機械学習フレームワーク
• Authors: Aho Yapi, Pierre Latouche, Arnaud Guillin, Yan Bailly,
• Abstract要約: 本稿では,安全検査および事故発生をバイナリ時系列としてモデル化した,短期的事故予測のための総合的枠組みを提案する。 提案手法は,日常的な安全検査データを明確な週間リスクスコアに変換し,事故の可能性が最も高い時期を検出する。
• 参考スコア（独自算出の注目度）: 0.9562145896371785
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a generic framework for short-term occupational accident forecasting that leverages safety inspections and models accident occurrences as binary time series. The approach generates daily predictions, which are then aggregated into weekly safety assessments to better inform decision making. To ensure the reliability and operational applicability of the forecasts, we apply a sliding-window cross-validation procedure specifically designed for time series data, combined with an evaluation based on aggregated period-level metrics. Several machine learning algorithms, including logistic regression, tree-based models, and neural networks, are trained and systematically compared within this framework. Unlike the other approaches, the long short-term memory (LSTM) network outperforms the other approaches and detects the upcoming high-risk periods with a balanced accuracy of 0.86, confirming the robustness of our methodology and demonstrating that a binary time series model can anticipate these critical periods based on safety inspections. The proposed methodology converts routine safety inspection data into clear weekly risk scores, detecting the periods when accidents are most likely. Decision-makers can integrate these scores into their planning tools to classify inspection priorities, schedule targeted interventions, and funnel resources to the sites or shifts classified as highest risk, stepping in before incidents occur and getting the greatest return on safety investments.
• Abstract（参考訳）: 本稿では,安全検査および事故発生をバイナリ時系列としてモデル化した,短期的事故予測のための総合的枠組みを提案する。 このアプローチは、毎日の予測を生成し、それを毎週の安全評価に集約して意思決定をよりよく知らせる。 予測の信頼性と運用性を確保するため,時系列データに特化して設計されたスライディングウインドウクロスバリデーション手法と,集約された周期レベルのメトリクスに基づく評価を併用する。 ロジスティック回帰、ツリーベースモデル、ニューラルネットワークなど、いくつかの機械学習アルゴリズムは、このフレームワーク内でトレーニングされ、体系的に比較される。 他のアプローチとは異なり、長寿命メモリ(LSTM)ネットワークは、他のアプローチよりも優れており、次のハイリスク期間を0.86のバランスで検出し、我々の方法論の堅牢性を確認し、安全性検査に基づいてバイナリ時系列モデルがこれらの臨界期間を予測できることを実証する。 提案手法は,日常的な安全検査データを明確な週間リスクスコアに変換し,事故の可能性が最も高い時期を検出する。 意思決定者はこれらのスコアを計画ツールに統合し、検査の優先順位を分類し、対象とする介入をスケジュールし、最もリスクの高いサイトやシフトにリソースを供給し、インシデントが発生する前に踏み込み、安全投資の最大のリターンを得る。

関連論文リスト

作成中

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。