論文の概要: Tabular Data with Class Imbalance: Predicting Electric Vehicle Crash Severity with Pretrained Transformers (TabPFN) and Mamba-Based Models

• arxiv url: http://arxiv.org/abs/2509.11449v1
• Date: Sun, 14 Sep 2025 21:46:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.087367
• Title: Tabular Data with Class Imbalance: Predicting Electric Vehicle Crash Severity with Pretrained Transformers (TabPFN) and Mamba-Based Models
• Title（参考訳）: クラス不均衡を伴うタブラルデータ:事前学習型変圧器(TabPFN)とマンバモデルによる電気自動車事故の予測
• Authors: Shriyank Somvanshi, Pavan Hebli, Gaurab Chhetri, Subasish Das,
• Abstract要約: 本研究では,テキサスから2023年までの現実の事故データを用いて,電気自動車(EV)衝突事故の事故重大度を予測する枠組みを提案する。 3つの最先端の深層表モデル、TabPFN、MambaNet、MambaAttentionが重度予測のためにベンチマークされた。 MambaAttentionは、注意に基づく特徴再重み付けによる重傷症例の分類において優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.9874634324357792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study presents a deep tabular learning framework for predicting crash severity in electric vehicle (EV) collisions using real-world crash data from Texas (2017-2023). After filtering for electric-only vehicles, 23,301 EV-involved crash records were analyzed. Feature importance techniques using XGBoost and Random Forest identified intersection relation, first harmful event, person age, crash speed limit, and day of week as the top predictors, along with advanced safety features like automatic emergency braking. To address class imbalance, Synthetic Minority Over-sampling Technique and Edited Nearest Neighbors (SMOTEENN) resampling was applied. Three state-of-the-art deep tabular models, TabPFN, MambaNet, and MambaAttention, were benchmarked for severity prediction. While TabPFN demonstrated strong generalization, MambaAttention achieved superior performance in classifying severe injury cases due to its attention-based feature reweighting. The findings highlight the potential of deep tabular architectures for improving crash severity prediction and enabling data-driven safety interventions in EV crash contexts.
• Abstract（参考訳）: 本研究では,テキサス州(2017-2023)の実際の事故データを用いて,電気自動車(EV)衝突事故の事故重大度を予測するための表層学習フレームワークを提案する。 電気のみの車両をろ過した後、EV関連の事故記録23,301件を分析した。 XGBoostとランダムフォレストを用いた特徴的重要技術は、自動緊急ブレーキのような高度な安全機能とともに、交差点関係、最初の有害事象、人物年齢、クラッシュ速度制限、週1日を最上位の予測者として特定した。 クラス不均衡に対処するため,Synthetic Minority Over-Sampling Technique and Edited Nearest Neighbors (SMOTEENN) resamplingを適用した。 3つの最先端の深層表モデル、TabPFN、MambaNet、MambaAttentionが重度予測のためにベンチマークされた。 TabPFNは強力な一般化を示したが、MambaAttentionは注意に基づく特徴の強調による重傷症例の分類において優れた性能を示した。 この結果は、クラッシュの重大度予測を改善し、EVクラッシュコンテキストにおけるデータ駆動型安全介入を可能にするための、深い表形式のアーキテクチャの可能性を強調している。

関連論文リスト

• Predicting and Explaining Traffic Crash Severity Through Crash Feature Selection [1.0941365324532635]
  この研究は、オハイオ州で6～2022年に起きた事故に300万人以上の人が関わったデータセットを紹介します。 主な貢献は、自動機械学習(AutoML)と説明可能な人工知能(AI)を組み合わせて、深刻なクラッシュに関連する主要なリスク要因を特定し、解釈する、透過的で再現可能な方法論である。 主な特徴は、人口統計、環境、車両、人的および運用上のカテゴリーで、位置タイプや投稿速度、居住年齢の最小化、クレーシュ前の行動などが含まれる。
  論文  参考訳（メタデータ） (2025-08-15T14:31:26Z)
• Crash Severity Analysis of Child Bicyclists using Arm-Net and MambaNet [0.17476232824732776]
  児童自転車(14歳以下)が最も脆弱な道路利用者である。 この研究は、2017年から2022年にかけてテキサス州で2394人の児童自転車事故を分析した。
  論文  参考訳（メタデータ） (2025-03-14T02:02:14Z)
• NsBM-GAT: A Non-stationary Block Maximum and Graph Attention Framework for General Traffic Crash Risk Prediction [11.444259609536164]
  既存の衝突リスク予測モデルは、研究者が危険とみなす仮説上のシナリオに依存している。 ダッシュカムビデオは、個々の車のクレーシュ前動作を撮影するが、周囲の車両の動きに関する重要な情報を欠いていることが多い。 本研究では,車両とその周辺車両間の対話的挙動を捉えるために,新しい非定常極値理論(EVT)を提案する。
  論文  参考訳（メタデータ） (2025-03-06T02:12:40Z)
• 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)
• 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)
• Exploring Factors Affecting Pedestrian Crash Severity Using TabNet: A Deep Learning Approach [0.0]
  本研究では,TabNetモデルを用いた歩行者事故の重大度調査を行った。 2010年から2022年までのユタ州の包括的データセットにTabNetを適用することで、歩行者事故の深刻度に寄与する複雑な要因が明らかになった。
  論文  参考訳（メタデータ） (2023-11-29T19:44:52Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• 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。