論文の概要: Learning Multimodal Embeddings for Traffic Accident Prediction and Causal Estimation

• arxiv url: http://arxiv.org/abs/2512.02920v1
• Date: Tue, 02 Dec 2025 16:39:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.968554
• Title: Learning Multimodal Embeddings for Traffic Accident Prediction and Causal Estimation
• Title（参考訳）: 交通事故予測と因果推定のためのマルチモーダル埋め込み学習
• Authors: Ziniu Zhang, Minxuan Duan, Haris N. Koutsopoulos, Hongyang R. Zhang,
• Abstract要約: 道路ネットワークデータと道路グラフノードに整列した衛星画像の両方を用いて交通事故パターンを解析することを検討する。 我々は、米国6州にまたがる大規模なマルチモーダルデータセットを構築し、公式資料から900万件の交通事故の記録を含む。 降水量の増加により事故率は24%上昇し、自動車などの高速道路では22%上昇し、季節的なパターンにより29%上昇した。
• 参考スコア（独自算出の注目度）: 15.119440099674918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider analyzing traffic accident patterns using both road network data and satellite images aligned to road graph nodes. Previous work for predicting accident occurrences relies primarily on road network structural features while overlooking physical and environmental information from the road surface and its surroundings. In this work, we construct a large multimodal dataset across six U.S. states, containing nine million traffic accident records from official sources, and one million high-resolution satellite images for each node of the road network. Additionally, every node is annotated with features such as the region's weather statistics and road type (e.g., residential vs. motorway), and each edge is annotated with traffic volume information (i.e., Average Annual Daily Traffic). Utilizing this dataset, we conduct a comprehensive evaluation of multimodal learning methods that integrate both visual and network embeddings. Our findings show that integrating both data modalities improves prediction accuracy, achieving an average AUROC of $90.1\%$, which is a $3.7\%$ gain over graph neural network models that only utilize graph structures. With the improved embeddings, we conduct a causal analysis based on a matching estimator to estimate the key contributing factors influencing traffic accidents. We find that accident rates rise by $24\%$ under higher precipitation, by $22\%$ on higher-speed roads such as motorways, and by $29\%$ due to seasonal patterns, after adjusting for other confounding factors. Ablation studies confirm that satellite imagery features are essential for achieving accurate prediction.
• Abstract（参考訳）: 道路ネットワークデータと道路グラフノードに整列した衛星画像の両方を用いて交通事故パターンを解析することを検討する。 事故発生の予測には,道路や周辺からの物理的・環境的な情報を見越しながら,主に道路網の構造的特徴に頼っている。 本研究では、米国6州にまたがる大規模なマルチモーダルデータセットを構築し、公式資料から900万件の交通事故記録と、道路ネットワークの各ノードに対する100万件の高解像度衛星画像を含む。 さらに、各ノードは、地域の天気統計や道路タイプ(例えば、住宅と高速道路)などの特徴でアノテートされ、各エッジには交通量情報(平均日当たり交通量)がアノテートされている。 このデータセットを利用することで、視覚とネットワークの埋め込みを統合したマルチモーダル学習手法の総合的な評価を行う。 以上の結果から,グラフ構造のみを利用するグラフニューラルネットワークモデルよりも平均90.1\%のAUROCが3.7\%のゲインとなることが示唆された。 埋込み性能の改善により,交通事故に影響を及ぼす要因を推定するために,マッチング推定器に基づく因果解析を行う。 降水量が増えると事故率は24.5%上昇し、自動車などの高速道路では22.%上昇し、季節変動により29.%上昇した。 アブレーション研究により、衛星画像の特徴が正確な予測に不可欠であることが確認された。

関連論文リスト

• Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
  トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。 スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。 その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T14:23:23Z)
• XTraffic: A Dataset Where Traffic Meets Incidents with Explainability and More [38.092415845567345]
  トラヒックとインシデントという2つの非常に相関の深いトラックで研究が行われている。 XTrafficデータセットには、トラフィック、すなわち、トラフィックフロー、車線占有率、平均車両速度の時系列インデックスが含まれている。 各ノードは、レーンの詳細な物理ポリシーレベルのメタ属性を含む。
  論文  参考訳（メタデータ） (2024-07-16T08:16:01Z)
• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations for Accident Analysis [23.09889357482818]
  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)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)

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。