論文の概要: Measuring Nonlinear Relationships and Spatial Heterogeneity of Influencing Factors on Traffic Crash Density Using GeoXAI

• arxiv url: http://arxiv.org/abs/2512.14985v1
• Date: Wed, 17 Dec 2025 00:42:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.812046
• Title: Measuring Nonlinear Relationships and Spatial Heterogeneity of Influencing Factors on Traffic Crash Density Using GeoXAI
• Title（参考訳）: GeoXAIを用いた交通事故密度に及ぼす影響因子の非線形関係と空間的不均一性の測定
• Authors: Jiaqing Lu, Ziqi Li, Lei Han, Qianwen Guo,
• Abstract要約: 本研究では,フロリダ州における交通事故密度の空間的不均一性および非線形決定要因を解析するためにGeoXAI(Geopatial Explainable AI)フレームワークを適用した。 その結果, 道路密度, 交差点密度, 近隣のコンパクト性, 教育達成率などの変数は, 衝突と複雑な非線形関係を示すことがわかった。
• 参考スコア（独自算出の注目度）: 9.885953349638173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study applies a Geospatial Explainable AI (GeoXAI) framework to analyze the spatially heterogeneous and nonlinear determinants of traffic crash density in Florida. By combining a high-performing machine learning model with GeoShapley, the framework provides interpretable, tract-level insights into how roadway characteristics and socioeconomic factors contribute to crash risk. Specifically, results show that variables such as road density, intersection density, neighborhood compactness, and educational attainment exhibit complex nonlinear relationships with crashes. Extremely dense urban areas, such as Miami, show sharply elevated crash risk due to intensified pedestrian activities and roadway complexity. The GeoShapley approach also captures strong spatial heterogeneity in the influence of these factors. Major metropolitan areas including Miami, Orlando, Tampa, and Jacksonville display significantly higher intrinsic crash contributions, while rural tracts generally have lower baseline risk. Each factor exhibits pronounced spatial variation across the state. Based on these findings, the study proposes targeted, geography-sensitive policy recommendations, including traffic calming in compact neighborhoods, adaptive intersection design, speed management on high-volume corridors such as I-95 in Miami, and equity-focused safety interventions in disadvantaged rural areas of central and northern Florida. Moreover, this paper compares the results obtained from GeoShapley framework against other established methods (e.g., SHAP and MGWR), demonstrating its powerful ability to explain nonlinearity and spatial heterogeneity simultaneously.
• Abstract（参考訳）: 本研究では,フロリダ州における交通事故密度の空間的不均一性および非線形決定要因を解析するためにGeoXAI(Geopatial Explainable AI)フレームワークを適用した。 ハイパフォーマンスな機械学習モデルとGeoShapleyを組み合わせることで、このフレームワークは、道路の特徴と社会経済的要因がクラッシュリスクにどのように寄与するかについて、解釈可能な、トラクションレベルの洞察を提供する。 具体的には, 道路密度, 交差点密度, 近隣のコンパクト性, 教育達成率などの変数が, 衝突と複雑な非線形関係を示すことを示す。 マイアミのような非常に密集した都市部では、歩行者活動の激化と道路の複雑さにより、急激な衝突リスクが生じる。 GeoShapleyアプローチは、これらの要因の影響において、強い空間的不均一性も捉えている。 マイアミ、オーランド、タンパ、ジャクソンビルなど主要都市圏では本質的な事故の貢献が著しく高く、田園部は概して基準線リスクが低い。 それぞれの因子は、州全体で顕著な空間的変動を示す。 これらの知見に基づき、この研究は、コンパクトな地区における交通の沈静化、適応的な交差点設計、マイアミのI-95のような高体積回廊における速度管理、フロリダ州中部と北部の不利な農村部における株式中心の安全介入など、地理的に敏感な政策勧告を提案する。 さらに,GeoShapleyフレームワークと他の確立された手法(SHAP,MGWRなど)を比較し,非線形性と空間的不均一性を同時に説明する能力を示した。

関連論文リスト

• Non-Linear Determinants of Pedestrian Injury Severity: Evidence from Administrative Data in Great Britain [2.28438857884398]
  本研究では,イギリスの2023 STATS19データセットから得られた管理データを用いて,歩行者の重度の非線形決定因子について検討した。 モード計算とSMOTE(Synthetic Minority Over-Sampling)を利用した厳密な前処理パイプラインを用いる。 分析の結果,車両数,速度制限,照明,路面条件が重度の予測因子であることがわかった。
  論文  参考訳（メタデータ） (2025-12-03T17:59:46Z)
• Investigating Robotaxi Crash Severity with Geographical Random Forest and the Urban Environment [5.023563968303034]
  本稿では,都市建設環境の局所的な機械学習とマクロ測度を用いて,自律走行車(AV)の衝突重大度を定量的に検討する。 土地利用は、交差点、建物の足跡、公共交通機関の停留所、および利益のポイント(POI)と比較して、最も重要な予測者であった。 AVの事故は、住宅地よりも多様性と商業活動の大きい都市中心部で、低重大な事故が引き起こされる可能性が高かった。
  論文  参考訳（メタデータ） (2025-05-10T21:47:01Z)
• Navigating Spatial Inequities in Freight Truck Crash Severity via Counterfactual Inference in Los Angeles [14.393170221970713]
  本研究は, 社会経済的格差, 道路インフラ, 環境条件が貨物トラック事故の地理的分布と重大さに与える影響を解析した。 その結果, 人口密度, 所得水準, マイノリティの異なる地域において, 衝突重大度の空間的格差が顕著であった。 この発見は、道路インフラ、照明、交通制御システムの強化を示唆する、目標、位置特異的な政策介入に関する洞察を与える。
  論文  参考訳（メタデータ） (2024-11-26T16:15:49Z)
• 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)
• 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)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• Unsupervised Graph Deep Learning Reveals Emergent Flood Risk Profile of Urban Areas [5.721965825151032]
  本研究では,新しい教師なしグラフ深層学習モデル(FloodRisk-Net)に基づく都市洪水リスク評価モデルを提案する。 洪水リスクは各大都市圏統計地域(MSA)の階層構造において空間的に分布しており、中核都市が最も高い洪水リスクを負っている。 複数の都市は、総合的な洪水リスクレベルが高く、空間的不平等が低く、都市開発と洪水リスク低減のバランスをとる選択肢が限られていることが示されている。
  論文  参考訳（メタデータ） (2023-09-26T01:40:36Z)
• HintNet: Hierarchical Knowledge Transfer Networks for Traffic Accident Forecasting on Heterogeneous Spatio-Temporal Data [17.345649325770957]
  交通事故予測は交通管理と公共安全にとって重要な問題である。 交通事故の発生は、空間的・時間的特徴間の複雑な依存関係に影響される。 近年の交通事故予測手法では, 深層学習モデルによる精度向上が試みられている。
  論文  参考訳（メタデータ） (2022-03-07T02:11:04Z)

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。