論文の概要: MSGAT-GRU: A Multi-Scale Graph Attention and Recurrent Model for Spatiotemporal Road Accident Prediction

• arxiv url: http://arxiv.org/abs/2509.17811v1
• Date: Mon, 22 Sep 2025 14:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.43169
• Title: MSGAT-GRU: A Multi-Scale Graph Attention and Recurrent Model for Spatiotemporal Road Accident Prediction
• Title（参考訳）: MSGAT-GRU:時空間道路事故予測のためのマルチスケールグラフアテンションとリカレントモデル
• Authors: Thrinadh Pinjala, Aswin Ram Kumar Gannina, Debasis Dwibedy,
• Abstract要約: 局所的空間依存と長距離空間依存をキャプチャするグラフアテンション・リカレントモデルMSGAT-GRUを提案する。 ハイブリッド北京事故データセットでは、MSGAT-GRUは0.334のRMSEと0.878のF1スコアを達成し、一貫して強いベースラインを上回っている。 これらの結果は、MSGAT-GRUをインテリジェントトランスポートシステムのスケーラブルで一般化可能なモデルとして位置づけている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of road accidents remains challenging due to intertwined spatial, temporal, and contextual factors in urban traffic. We propose MSGAT-GRU, a multi-scale graph attention and recurrent model that jointly captures localized and long-range spatial dependencies while modeling sequential dynamics. Heterogeneous inputs, such as traffic flow, road attributes, weather, and points of interest, are systematically fused to enhance robustness and interpretability. On the Hybrid Beijing Accidents dataset, MSGAT-GRU achieves an RMSE of 0.334 and an F1-score of 0.878, consistently outperforming strong baselines. Cross-dataset evaluation on METR-LA under a 1-hour horizon further supports transferability, with RMSE of 6.48 (vs. 7.21 for the GMAN model) and comparable MAPE. Ablations indicate that three-hop spatial aggregation and a two-layer GRU offer the best accuracy-stability trade-off. These results position MSGAT-GRU as a scalable and generalizable model for intelligent transportation systems, providing interpretable signals that can inform proactive traffic management and road safety analytics.
• Abstract（参考訳）: 都市交通の空間的・時間的・文脈的要因が絡み合っているため,交通事故の正確な予測は依然として困難である。 連続力学をモデル化しながら,局所的および長距離空間依存性を同時キャプチャするマルチスケールグラフアテンション・リカレントモデルMSGAT-GRUを提案する。 交通流、道路特性、天気、関心点などの不均一な入力は、堅牢性と解釈可能性を高めるために体系的に融合される。 ハイブリッド北京事故データセットでは、MSGAT-GRUは0.334のRMSEと0.878のF1スコアを達成し、一貫して強いベースラインを上回っている。 METR-LAの1時間水平条件下でのクロスデータセット評価は、RMSEが6.48(GMANモデルでは7.21)であり、MAPEと同等である。 アブレーションは、3ホップの空間アグリゲーションと2層GRUが最良の精度と安定性のトレードオフをもたらすことを示している。 これらの結果は、MSGAT-GRUをインテリジェントトランスポートシステムのスケーラブルで一般化可能なモデルとして位置づけ、積極的交通管理と道路安全分析の情報を解釈可能な信号を提供する。

関連論文リスト

• STARN-GAT: A Multi-Modal Spatio-Temporal Graph Attention Network for Accident Severity Prediction [0.0]
  STARN-GATはマルチモード時空間グラフアテンションネットワークである。 道路ネットワークのトポロジ、時間的トラフィックパターン、環境コンテキストを統合された注意ベースのフレームワークに統合する。 その結果, 高リスク事例の同定におけるモデルの有効性と, リアルタイムかつ安全クリティカルな交通管理システムへの展開の可能性が示された。
  論文  参考訳（メタデータ） (2025-07-28T01:00:03Z)
• Traffic-Aware Pedestrian Intention Prediction [2.5240171181791276]
  本稿では,交通標識とその状態と歩行者の意図を予測する交通対応時空間グラフ畳み込みネットワーク(TA-STGCN)を提案する。 提案手法では,複雑な都市環境における空間的・時間的依存関係を抽出し,動的交通信号状態と境界ボックスサイズを重要な特徴とする手法を提案する。
  論文  参考訳（メタデータ） (2025-07-16T17:20:36Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• KI-GAN: Knowledge-Informed Generative Adversarial Networks for Enhanced Multi-Vehicle Trajectory Forecasting at Signalized Intersections [15.464952852717127]
  本稿では、交通信号情報と多車間相互作用を統合して車両軌道を正確に予測する「知識インフォームド・ジェネレーター・ネットワーク(KI-GAN)」という新しいモデルを提案する。 SinDデータセットに基づいて、KI-GANモデルは平均変位誤差0.05、最終変位誤差0.12を6秒の観測と6秒の予測サイクルで達成できる。
  論文  参考訳（メタデータ） (2024-04-17T08:53:59Z)
• Robustness Benchmark of Road User Trajectory Prediction Models for Automated Driving [0.0]
  車両内のモデル展開中に観測される機能不全をシミュレートする摂動に対して、機械学習モデルをベンチマークする。 同様の摂動を持つモデルのトレーニングは、パフォーマンスの劣化を効果的に低減し、エラーは+87.5%まで増加する。 効果的な緩和戦略であるにもかかわらず、トレーニング中の摂動によるデータ拡張は、予期せぬ摂動に対する堅牢性を保証するものではない、と我々は主張する。
  論文  参考訳（メタデータ） (2023-04-04T15:47:42Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。