論文の概要: Use ADAS Data to Predict Near-Miss Events: A Group-Based Zero-Inflated Poisson Approach

• arxiv url: http://arxiv.org/abs/2509.02614v1
• Date: Sun, 31 Aug 2025 04:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.257829
• Title: Use ADAS Data to Predict Near-Miss Events: A Group-Based Zero-Inflated Poisson Approach
• Title（参考訳）: ADASデータによるニアミス事象の予測:グループベースゼロインフレードポアソンアプローチ
• Authors: Xinbo Zhang, Montserrat Guillen, Lishuai Li, Xin Li, Youhua Frank Chen,
• Abstract要約: 我々は、運転行動ビッグデータを分析し、リスク評価、保険価格、ターゲットとした介入といったアプリケーションをどのように駆動し、駆動するかを理解します。 従来の統計モデルはデータセットに合わないことを示す。 本稿では,潜伏行動群を学習し,EMを介してオフセットベースのカウントモデルに適合させて,校正・解釈可能な週次リスク予測を行う,ゼロインフレーションされたポアソン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）: 7.242131400289439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Driving behavior big data leverages multi-sensor telematics to understand how people drive and powers applications such as risk evaluation, insurance pricing, and targeted intervention. Usage-based insurance (UBI) built on these data has become mainstream. Telematics-captured near-miss events (NMEs) provide a timely alternative to claim-based risk, but weekly NMEs are sparse, highly zero-inflated, and behaviorally heterogeneous even after exposure normalization. Analyzing multi-sensor telematics and ADAS warnings, we show that the traditional statistical models underfit the dataset. We address these challenges by proposing a set of zero-inflated Poisson (ZIP) frameworks that learn latent behavior groups and fit offset-based count models via EM to yield calibrated, interpretable weekly risk predictions. Using a naturalistic dataset from a fleet of 354 commercial drivers over a year, during which the drivers completed 287,511 trips and logged 8,142,896 km in total, our results show consistent improvements over baselines and prior telematics models, with lower AIC/BIC values in-sample and better calibration out-of-sample. We also conducted sensitivity analyses on the EM-based grouping for the number of clusters, finding that the gains were robust and interpretable. Practically, this supports context-aware ratemaking on a weekly basis and fairer premiums by recognizing heterogeneous driving styles.
• Abstract（参考訳）: 運転行動のビッグデータは、マルチセンサーのテレマティクスを活用して、リスク評価や保険価格、ターゲットとする介入といったアプリケーションをどのように駆動し、駆動するかを理解します。 これらのデータを基に構築されたUsage-based insurance(UBI)が主流となっている。 テレマティクスキャプチャーによるニアミスイベント(NME)は、クレームベースのリスクに代わるタイムリーな代替手段を提供するが、週毎のNMEは、露出正規化後にも疎く、高度にゼロ膨張し、行動的に不均一である。 マルチセンサーのテレマティクスとADAS警告を分析し、従来の統計モデルがデータセットに合わないことを示す。 これらの課題に対処するために、潜伏行動群を学習し、EMを介してオフセットベースのカウントモデルに適合するゼロインフレーションされたポアソン(ZIP)フレームワークを提案する。 287,511回の走行を完了し,合計8,142,896kmを走行した354人の商業ドライバーの自然主義的データセットを用いて,本研究の結果は,ベースラインと先行テレマティクスモデルよりも一貫した改善を示し,AIC/BICの値がより低く,キャリブレーションの精度が向上した。 また,クラスタ数に対するEMに基づくグループ分けの感度解析を行い,ゲインが頑健で解釈可能であることを確認した。 実際には、これは週ごとにコンテキスト対応のレートメイキングと、異種運転スタイルを認識することでより公平なプレミアムをサポートする。

関連論文リスト

• Enhancing Crash Frequency Modeling Based on Augmented Multi-Type Data by Hybrid VAE-Diffusion-Based Generative Neural Networks [13.402051372401822]
  衝突頻度モデリングにおける重要な課題は、過剰なゼロ観測の頻度である。 我々は、ゼロ観測を減らすために、ハイブリッドなVAE拡散ニューラルネットワークを提案する。 我々は、類似性、正確性、多様性、構造的整合性といった指標を用いて、このモデルによって生成された合成データ品質を評価する。
  論文  参考訳（メタデータ） (2025-01-17T07:53:27Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• A Bayesian Approach for Prioritising Driving Behaviour Investigations in Telematic Auto Insurance Policies [0.6249768559720121]
  旅行用GPSと加速度計データを地理空間情報で拡張し,配送用不完全な分類器をトリップ単位で訓練する。 後続確率は優先順位スコアに変換され、手動による調査において最も価値のある候補を選択するために使用された。 この手法は、手動検索と比較して人的資源配分の効率を大幅に改善した。
  論文  参考訳（メタデータ） (2024-04-22T15:26:24Z)
• Robust Survival Analysis with Adversarial Regularization [6.001304967469112]
  生存分析(SA)は、ある事象が起こるまでの時間をモデル化する。 最近の研究によると、ニューラルネットワーク(NN)はSAの複雑な関係を捉えることができる。 我々は、NN検証の進歩を活用して、堅牢で完全なパラメトリックサバイバルモデルのためのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2023-12-26T12:18:31Z)
• Post-Contextual-Bandit Inference [57.88785630755165]
  コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。 研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。 研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
  論文  参考訳（メタデータ） (2021-06-01T12:01:51Z)
• Data Augmentation of IMU Signals and Evaluation via a Semi-Supervised Classification of Driving Behavior [4.640835690336653]
  本研究では,運転者が積極的・正常に運転しているかに応じて,旅行の一部を分類する半教師付き学習ソリューションを提案する。 その結果, RCGAN を用いたラベル付きデータを用いて, 運転者の分類を79%で改善した。
  論文  参考訳（メタデータ） (2020-06-16T15:49:21Z)

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。