論文の概要: Beta Distribution Learning for Reliable Roadway Crash Risk Assessment

• arxiv url: http://arxiv.org/abs/2511.04886v1
• Date: Fri, 07 Nov 2025 00:08:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.624474
• Title: Beta Distribution Learning for Reliable Roadway Crash Risk Assessment
• Title（参考訳）: 信頼性の高い道路衝突危険度評価のためのベータ分散学習
• Authors: Ahmad Elallaf, Nathan Jacobs, Xinyue Ye, Mei Chen, Gongbo Liang,
• Abstract要約: 道路交通事故は世界的な健康危機であり、毎年100万人以上が死亡し、多くの国がGDPの最大3%を犠牲にしている。 伝統的な交通安全研究は、しばしば、構築された環境に固有の空間的複雑さと文脈的相互作用を見越して、孤立中のリスク要因を調べる。 本稿では,衛星画像を包括的空間入力として活用する新しいディープラーニングフレームワークを提案する。 このアプローチにより, 致命的な事故リスクに寄与する環境リスク要因や環境パターンを把握できる。
• 参考スコア（独自算出の注目度）: 21.371420424228077
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Roadway traffic accidents represent a global health crisis, responsible for over a million deaths annually and costing many countries up to 3% of their GDP. Traditional traffic safety studies often examine risk factors in isolation, overlooking the spatial complexity and contextual interactions inherent in the built environment. Furthermore, conventional Neural Network-based risk estimators typically generate point estimates without conveying model uncertainty, limiting their utility in critical decision-making. To address these shortcomings, we introduce a novel geospatial deep learning framework that leverages satellite imagery as a comprehensive spatial input. This approach enables the model to capture the nuanced spatial patterns and embedded environmental risk factors that contribute to fatal crash risks. Rather than producing a single deterministic output, our model estimates a full Beta probability distribution over fatal crash risk, yielding accurate and uncertainty-aware predictions--a critical feature for trustworthy AI in safety-critical applications. Our model outperforms baselines by achieving a 17-23% improvement in recall, a key metric for flagging potential dangers, while delivering superior calibration. By providing reliable and interpretable risk assessments from satellite imagery alone, our method enables safer autonomous navigation and offers a highly scalable tool for urban planners and policymakers to enhance roadway safety equitably and cost-effectively.
• Abstract（参考訳）: 道路交通事故は世界的な健康危機であり、毎年100万人以上が死亡し、多くの国がGDPの最大3%を犠牲にしている。 伝統的な交通安全研究は、しばしば、構築された環境に固有の空間的複雑さと文脈的相互作用を見越して、孤立中のリスク要因を調べる。 さらに、従来のニューラルネットワークベースのリスク推定器は、モデルの不確実性を伝達せずに点推定を生成し、重要な意思決定における有効性を制限している。 これらの欠点に対処するために,衛星画像を包括的空間入力として活用する新しい地理空間深層学習フレームワークを提案する。 このアプローチにより, 致命的な事故リスクに寄与する環境リスク要因や環境パターンを把握できる。 我々のモデルは、単一の決定論的アウトプットを生成するのではなく、致命的なクラッシュリスクよりも完全なベータ確率分布を推定し、正確で不確実性を認識した予測を生成する。 我々のモデルは17～23%のリコール改善を達成し、潜在的な危険を警告する重要な指標となり、キャリブレーションの精度が向上した。 衛星画像から信頼性と解釈可能なリスクアセスメントを単独で提供することにより、より安全な自律ナビゲーションを可能にし、都市計画者や政策立案者が道路の安全性を公平かつ低コストで向上するための高度にスケーラブルなツールを提供する。

関連論文リスト

• RADAR: A Risk-Aware Dynamic Multi-Agent Framework for LLM Safety Evaluation via Role-Specialized Collaboration [81.38705556267917]
  大規模言語モデル(LLM)の既存の安全性評価手法は、固有の制約に悩まされている。 リスク概念空間を再構築する理論的枠組みを導入する。 マルチエージェント協調評価フレームワークRADARを提案する。
  論文  参考訳（メタデータ） (2025-09-28T09:35:32Z)
• STRAP: Spatial-Temporal Risk-Attentive Vehicle Trajectory Prediction for Autonomous Driving [0.968535561940627]
  本稿では,リスクポテンシャル場を組み込んだ新しい空間的・時間的リスク回避軌道予測フレームワークを提案する。 提案するフレームワークは、解釈可能でリスク対応の予測を提供し、自律運転システムに対するより堅牢な意思決定に寄与する。
  論文  参考訳（メタデータ） (2025-07-11T13:05:35Z)
• RiskNet: Interaction-Aware Risk Forecasting for Autonomous Driving in Long-Tail Scenarios [6.024186631622774]
  RiskNetは自動運転車のリスク予測フレームワークである。 決定論的リスクモデリングと確率論的行動予測を統合し、包括的リスク評価を行う。 リアルタイムでシナリオ適応型のリスク予測をサポートし、不確実な運転環境全体にわたって強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-04-22T02:36:54Z)
• Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios [25.16311876790003]
  本稿では,安全クリティカルシナリオに適したリスク対応軌道予測フレームワークを提案する。 安全クリティカルな軌道予測データセットと調整された評価指標を導入する。 その結果,モデルの性能が向上し,ほとんどの指標が大幅に改善した。
  論文  参考訳（メタデータ） (2024-07-18T13:00:01Z)
• Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction [6.570852598591727]
  Stemporal Zero-Inflated Tweedie Graph Neural Network STZITZTDGNNは,道路交通事故予測における最初の不確実性を考慮したグラフ深層学習モデルである。 本研究は,STIDGNNが対象道路の監視を効果的に行い,都市道路の安全対策を改善することを実証するものである。
  論文  参考訳（メタデータ） (2023-09-10T16:35:47Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)

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。