論文の概要: The Weather Paradox: Why Precipitation Fails to Predict Traffic Accident Severity in Large-Scale US Data

• arxiv url: http://arxiv.org/abs/2601.00152v1
• Date: Thu, 01 Jan 2026 01:03:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.286524
• Title: The Weather Paradox: Why Precipitation Fails to Predict Traffic Accident Severity in Large-Scale US Data
• Title（参考訳）: 気象パラドックス:アメリカにおける大規模データによる交通事故発生の予測に降水が欠落する理由
• Authors: Yann Bellec, Rohan Kaman, Siwen Cui, Aarav Agrawal, Calvin Chen,
• Abstract要約: 本研究では,米国における交通事故重大度における環境・時間・空間要因の予測能力について検討した。 2016-2023年の米国交通事故50万件のデータセットを用いて、ランダム化された検索クロスバリデーションによって最適化されたXGBoost分類器を訓練し、クラス重み付けによるクラス不均衡の調整を行った。 最終モデルは全体の精度が78%に達し、多数派(深刻度2)では高いパフォーマンスを示し、87%の精度とリコールを実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study investigates the predictive capacity of environmental, temporal, and spatial factors on traffic accident severity in the United States. Using a dataset of 500,000 U.S. traffic accidents spanning 2016-2023, we trained an XGBoost classifier optimized through randomized search cross-validation and adjusted for class imbalance via class weighting. The final model achieves an overall accuracy of 78%, with strong performance on the majority class (Severity 2), attaining 87% precision and recall. Feature importance analysis reveals that time of day, geographic location, and weather-related variables, including visibility, temperature, and wind speed, rank among the strongest predictors of accident severity. However, contrary to initial hypotheses, precipitation and visibility demonstrate limited predictive power, potentially reflecting behavioral adaptation by drivers under overtly hazardous conditions. The dataset's predominance of mid-level severity accidents constrains the model's capacity to learn meaningful patterns for extreme cases, highlighting the need for alternative sampling strategies, enhanced feature engineering, and integration of external datasets. These findings contribute to evidence-based traffic management and suggest future directions for severity prediction research.
• Abstract（参考訳）: 本研究では,米国における交通事故重大度における環境・時間・空間要因の予測能力について検討した。 2016-2023年の米国交通事故50万件のデータセットを用いて、ランダム化された検索クロスバリデーションによって最適化されたXGBoost分類器を訓練し、クラス重み付けによるクラス不均衡の調整を行った。 最終モデルは全体の精度が78%に達し、多数派(深刻度2)では高いパフォーマンスを示し、87%の精度とリコールを実現している。 特徴的重要度分析は、視認性、温度、風速を含む日時、地理的位置、気象に関連する変数が、事故の重大度を予測する最も強力な指標であることを示している。 しかしながら、初期の仮説に反して、降水と可視性は限られた予測力を示し、過度に危険な条件下でのドライバーの行動適応を反映している可能性がある。 中レベルの重大事故に対するデータセットの優位性は、極端なケースで意味のあるパターンを学ぶ能力に制約を与え、代替のサンプリング戦略の必要性、機能エンジニアリングの強化、外部データセットの統合を強調している。 これらの知見は,エビデンスに基づく交通管理に寄与し,重症度予測研究の今後の方向性を示唆している。

関連論文リスト

• Predicting and Explaining Traffic Crash Severity Through Crash Feature Selection [1.0941365324532635]
  この研究は、オハイオ州で6～2022年に起きた事故に300万人以上の人が関わったデータセットを紹介します。 主な貢献は、自動機械学習(AutoML)と説明可能な人工知能(AI)を組み合わせて、深刻なクラッシュに関連する主要なリスク要因を特定し、解釈する、透過的で再現可能な方法論である。 主な特徴は、人口統計、環境、車両、人的および運用上のカテゴリーで、位置タイプや投稿速度、居住年齢の最小化、クレーシュ前の行動などが含まれる。
  論文  参考訳（メタデータ） (2025-08-15T14:31:26Z)
• Handling Weather Uncertainty in Air Traffic Prediction through an Inverse Approach [0.0]
  逆気象条件、特に対流現象は航空交通管理に重大な課題をもたらす。 本研究では,3次元ガウス混合モデルを用いて,長距離飛行軌道変化の予測を行う。 このモデルは、最大60分間のリルート予測において、堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-04-07T15:42:09Z)
• Predicting Subway Passenger Flows under Incident Situation with Causality [5.171258995506716]
  正常条件下での予測とインシデントの因果効果を分離する2段階の手法を提案する。 提案手法は実世界のデータを用いて検証され,精度が向上した。 当社の業務は、地下鉄の管理者が事故による乗客の流れを推定し、積極的に対応できるようにするのに役立てることができる。
  論文  参考訳（メタデータ） (2024-12-09T12:34:13Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• A Bi-level Framework for Traffic Accident Duration Prediction: Leveraging Weather and Road Condition Data within a Practical Optimum Pipeline [0.5221459608786241]
  交通事故のデータベースから,事故期間,道路状況,気象データを収集し,交通事故の持続時間パイプラインの実現可能性を確認した。 我々の二分分類ランダム林モデルでは,短期効果と長期効果を83%の精度で区別した。 SHAP値解析により, 気象条件, 風速, 風速が, 事故の期間を決定する上で最も重要な要因となった。
  論文  参考訳（メタデータ） (2023-11-01T16:33:37Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)

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。