論文の概要: Statistical and Machine Learning Analysis of Traffic Accidents on US 158 in Currituck County: A Comparison with HSM Predictions
- arxiv url: http://arxiv.org/abs/2512.22302v1
- Date: Fri, 26 Dec 2025 03:42:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-30 22:37:29.975327
- Title: Statistical and Machine Learning Analysis of Traffic Accidents on US 158 in Currituck County: A Comparison with HSM Predictions
- Title（参考訳）: クリタック郡におけるアメリカ国道158号線交通事故の統計的・機械学習解析:HSM予測との比較
- Authors: Jennifer Sawyer, Julian Allagan,
- Abstract要約: 我々は、ノースカロライナ州クリタック郡で8.4マイル (8.4 km) に及ぶ米国国道158号線の交通事故データを5年間分析した。
結果は、この重要な交通回廊の交通安全を改善するための介入を目標としている。
- 参考スコア（独自算出の注目度）: 0.053342938969386806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study extends previous hotspot and Chi-Square analysis by Sawyer \cite{sawyer2025hotspot} by integrating advanced statistical analysis, machine learning, and spatial modeling techniques to analyze five years (2019--2023) of traffic accident data from an 8.4-mile stretch of US 158 in Currituck County, NC. Building upon foundational statistical work, we apply Kernel Density Estimation (KDE), Negative Binomial Regression, Random Forest classification, and Highway Safety Manual (HSM) Safety Performance Function (SPF) comparisons to identify comprehensive temporal and spatial crash patterns. A Random Forest classifier predicts injury severity with 67\% accuracy, outperforming HSM SPF. Spatial clustering is confirmed via Moran's I test ($I = 0.32$, $p < 0.001$), and KDE analysis reveals hotspots near major intersections, validating and extending earlier hotspot identification methods. These results support targeted interventions to improve traffic safety on this vital transportation corridor. Our objective is to provide actionable insights for improving safety on US 158 while contributing to the broader understanding of rural highway safety analysis through methodological advancement beyond basic statistical techniques.
- Abstract（参考訳）: Sawyer \cite{sawyer2025hotspot}による以前のホットスポットとChi-Square分析を拡張し、高度統計分析、機械学習、空間モデリング技術を統合して、カリフォルニア州クリタック郡のUS158の8.4マイルの区間から5年間(2019-2023)の交通事故データを解析した。
基礎的な統計的研究に基づいて、ケルネル密度推定(KDE)、負二項回帰(負二項回帰)、ランダムフォレスト分類(ランダムフォレスト分類)、ハイウェイ安全マニュアル(ハイウェイセーフティ・パフォーマンス・ファンクション(SPF)比較を適用し、総合的な時間的・空間的クラッシュパターンを同定する。
ランダムフォレスト分類器は、損傷重症度を67倍の精度で予測し、HSM SPFを上回っている。
空間クラスタリングはモランのIテスト(I = 0.32$, $p < 0.001$)で確認され、KDE分析では主要な交差点付近のホットスポットが明らかとなり、以前のホットスポット識別手法の検証と拡張が行われている。
これらの結果は、この重要な交通回廊の交通安全を改善するために、標的となる介入を支援する。
本研究の目的は,米国国道158号線の安全性向上のための実用的な知見を提供することであり,基礎統計技術を超えた方法論的進歩を通じて,農村の道路安全分析のより広範な理解に寄与することである。
関連論文リスト
- d-TreeRPO: Towards More Reliable Policy Optimization for Diffusion Language Models [45.27333046908981]
emphd-TreeRPOは、dLLMのための信頼できる強化学習フレームワークである。
我々は,emphd-TreeRPOが複数の推論ベンチマークで大きく向上していることを示す。
論文 参考訳（メタデータ） (2025-12-10T14:20:07Z) - Predicting NCAP Safety Ratings: An Analysis of Vehicle Characteristics and ADAS Features Using Machine Learning [0.0]
ニューカー・アセスメント・プログラム(NCAP)は、伝統的に受動的安全対策を強調した標準化された安全評価を割り当てている。
この研究は、前方衝突警告、レーン離脱警告、クラッシュ即時ブレーキ、ブラインドスポット検出といったADASの特定の特徴が、車両が全NCAP評価で最高(5つ星)を得る可能性を確実に予測できるかどうかを調査する。
論文 参考訳（メタデータ） (2025-09-02T02:35:51Z) - Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。
安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。
複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
論文 参考訳（メタデータ） (2025-08-17T23:46:36Z) - Predictive Crash Analytics for Traffic Safety using Deep Learning [0.0]
本研究では,アンサンブル学習手法とマルチモーダルデータ融合を統合した交通安全解析手法を提案する。
我々の主な貢献は、時空間の衝突パターンと環境条件を組み合わせた階層的な重大度分類システムの開発である。
本稿では,事故発生時の位置データをインシデントレポートや気象条件と統合し,リスク予測の精度92.4%,ホットスポット識別の精度89.7%を達成できる新しい特徴工学手法を提案する。
論文 参考訳（メタデータ） (2025-02-09T05:00:46Z) - STAIR: Improving Safety Alignment with Introspective Reasoning [44.780098674618614]
SafeTyアライメントとItrospective Reasoningを統合したフレームワークSTAIRを提案する。
その結果,STAIRは本能的アライメント戦略と比較して,有害なアウトプットを効果的に軽減し,有用性を保っていることがわかった。
テスト時のスケーリングでは、STAIRは一般的なジェイルブレイク攻撃に対して、Claude-3.5に匹敵する安全性能を達成する。
論文 参考訳（メタデータ） (2025-02-04T15:02:55Z) - Recent Advances in Traffic Accident Analysis and Prediction: A Comprehensive Review of Machine Learning Techniques [1.6385815610837167]
交通事故は世界中で深刻な公衆衛生問題を引き起こし、毎年119万人が死亡している。
本稿では,交通事故解析と予測に機械学習(ML)技術を適用した最近の進歩を概観する。
本研究は,現在の景観のマッピングと文献のギャップの同定により,2030年までに交通事故や交通事故を著しく減らすための今後の研究を導くことを目的としている。
論文 参考訳（メタデータ） (2024-06-20T03:22:32Z) - Exploring the Determinants of Pedestrian Crash Severity Using an AutoML Approach [0.0]
この研究は、さまざまな説明変数がクラッシュ結果に与える影響を評価するためにAutoMLを使用している。
この研究は、予測モデルにおける個々の特徴の寄与を解釈するために、SHAP(SHapley Additive exPlanations)を組み込んだ。
論文 参考訳（メタデータ） (2024-06-07T22:02:36Z) - RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings [39.58317527488534]
Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。
我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。
提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
論文 参考訳（メタデータ） (2024-05-02T16:17:29Z) - Prediction of Crash Injury Severity in Florida's Interstate-95 [0.0]
2016年から2021年にかけてフロリダ州州間高速道路95号線で交通事故が発生した。
交通事故の重症度を推定するために 分類法が使われました
AdaboostアルゴリズムはリコールとAUCの点で他より優れていた。
論文 参考訳（メタデータ） (2023-12-16T18:42:39Z) - Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。
価値に基づく政策段階の深層強化学習(DRL)について考察する。
また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
論文 参考訳（メタデータ） (2021-12-16T16:53:56Z)
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。