論文の概要: Predicting Traffic Accident Severity with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2509.03819v1
• Date: Thu, 04 Sep 2025 02:08:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.021065
• Title: Predicting Traffic Accident Severity with Deep Neural Networks
• Title（参考訳）: ディープニューラルネットワークによる交通事故の重大度予測
• Authors: Meghan Bibb, Pablo Rivas, Mahee Tayba,
• Abstract要約: 機械学習の最近の進歩は、交通事故に関連するデータを研究するための代替手段を提供してきた。 新しいモデルは、不均衡なデータよりも優れた一般化と高い予測力を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic accidents can be studied to mitigate the risk of further events. Recent advances in machine learning have provided an alternative way to study data associated with traffic accidents. New models achieve good generalization and high predictive power over imbalanced data. In this research, we study neural network-based models on data related to traffic accidents. We begin analyzing relative feature colinearity and unsupervised dimensionality reduction through autoencoders, followed by a dense network. The features are related to traffic accident data and the target is to classify accident severity. Our experiments show cross-validated results of up to 92% accuracy when classifying accident severity using the proposed deep neural network.
• Abstract（参考訳）: 交通事故は、さらなる出来事のリスクを軽減するために研究することができる。 機械学習の最近の進歩は、交通事故に関連するデータを研究するための代替手段を提供してきた。 新しいモデルは、不均衡なデータよりも優れた一般化と高い予測力を達成する。 本研究では,交通事故に関するデータに基づくニューラルネットワークモデルについて検討する。 我々は, 自己エンコーダによる相対的特徴コリニアリティと非教師なし次元の低減を解析し, 続いて高密度ネットワークを構築した。 これらの特徴は交通事故データと関連しており、事故の深刻度を分類することを目的としている。 実験の結果,提案したディープニューラルネットワークを用いて事故重大度を分類すると,最大92%の精度でクロスバリデーション結果が得られた。

関連論文リスト

• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations for Accident Analysis [21.02297148118655]
  本稿では,米国各州の公式報告から,大規模交通事故記録のデータセットを構築した。 この新たなデータセットを用いて,道路ネットワーク上で発生した事故を予測するための既存のディープラーニング手法を評価する。 主な発見は、GraphSAGEのようなグラフニューラルネットワークが、道路上の事故数を22%未満の絶対誤差で正確に予測できることです。
  論文  参考訳（メタデータ） (2023-10-31T21:43:10Z)
• TAP: A Comprehensive Data Repository for Traffic Accident Prediction in Road Networks [36.975060335456035]
  既存の機械学習アプローチは、独立して交通事故を予測することに重点を置いている。 グラフ構造情報を組み込むには、グラフニューラルネットワーク(GNN)を自然に適用することができる。 GNNを事故予測問題に適用することは、適切なグラフ構造化交通事故データセットがないため、課題に直面します。
  論文  参考訳（メタデータ） (2023-04-17T22:18:58Z)
• Adversarial training with informed data selection [53.19381941131439]
  アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。 本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。 シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
  論文  参考訳（メタデータ） (2023-01-07T12:09:50Z)
• Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
  本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。 データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
  論文  参考訳（メタデータ） (2022-05-20T21:15:26Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• 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)
• Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal Relational Learning [30.59728753059457]
  交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。 現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。 本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-01T20:21:48Z)

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。