論文の概要: Toward an Integrated Cross-Urban Accident Prevention System: A Multi-Task Spatial-Temporal Learning Framework for Urban Safety Management

• arxiv url: http://arxiv.org/abs/2601.05521v1
• Date: Fri, 09 Jan 2026 04:29:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.836026
• Title: Toward an Integrated Cross-Urban Accident Prevention System: A Multi-Task Spatial-Temporal Learning Framework for Urban Safety Management
• Title（参考訳）: 都市安全管理のためのマルチタスク時空間学習フレームワーク「都市横断事故防止システム」の実現に向けて
• Authors: Jiayu Fang, Zhiqi Shao, Haoning Xi, Boris Choy, Junbin Gao,
• Abstract要約: 複数の都市にまたがるマルチタスク学習問題として,事故リスク予測を定式化する統合システムを提案する。 提案手法を,ニューヨークとシカゴの現実世界のデータセットを用いて75の実験により検証した。
• 参考スコア（独自算出の注目度）: 24.600477389844514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of a cross-city accident prevention system is particularly challenging due to the heterogeneity, inconsistent reporting, and inherently clustered, sparse, cyclical, and noisy nature of urban accident data. These intrinsic data properties, combined with fragmented governance and incompatible reporting standards, have long hindered the creation of an integrated, cross-city accident prevention framework. To address this gap, we propose the Mamba Local-ttention Spatial-Temporal Network MLA-STNet, a unified system that formulates accident risk prediction as a multi-task learning problem across multiple cities. MLA-STNet integrates two complementary modules: (i)the Spatio-Temporal Geographical Mamba-Attention (STG-MA), which suppresses unstable spatio-temporal fluctuations and strengthens long-range temporal dependencies; and (ii) the Spatio-Temporal Semantic Mamba-Attention (STS-MA), which mitigates cross-city heterogeneity through a shared-parameter design that jointly trains all cities while preserving individual semantic representation spaces. We validate the proposed framework through 75 experiments under two forecasting scenarios, full-day and high-frequency accident periods, using real-world datasets from New York City and Chicago. Compared with the state-of-the-art baselines, MLA-STNet achieves up to 6% lower RMSE, 8% higher Recall, and 5% higher MAP, while maintaining less than 1% performance variation under 50% input noise. These results demonstrate that MLA-STNet effectively unifies heterogeneous urban datasets within a scalable, robust, and interpretable Cross-City Accident Prevention System, paving the way for coordinated and data-driven urban safety management.
• Abstract（参考訳）: 都市横断事故防止システムの開発は, 異質性, 一貫性のない報告, 自然に集結し, 疎外し, 循環的, 騒音に富む都市事故データにより, 特に困難である。 これらの固有のデータプロパティは、断片化されたガバナンスと非互換なレポート標準を組み合わせることで、長い間、統合された都市間事故防止フレームワークの作成を妨げてきました。 このギャップに対処するため,複数の都市にまたがるマルチタスク学習問題として,事故リスク予測を定式化する統合システムであるMLA-STNetを提案する。 MLA-STNetは2つの補完モジュールを統合する。 (i)不安定な時空間変動を抑制し、長期的時間的依存関係を強化する時空間的マンバ意識(STG-MA) (II) 個別の意味表現空間を維持しながら、すべての都市を共同で訓練する共有パラメータ設計により、都市間不均一性を緩和する時空間セマンティックマンバ注意(STS-MA)。 提案手法を,ニューヨークとシカゴの実世界のデータセットを用いて,実日・高頻度事故の2つの予測シナリオで検証した。 最先端のベースラインと比較して、MLA-STNetは最大6%低いRMSE、8%高いリコール、5%高いMAPを実現し、50%の入力ノイズ下では1%未満の性能変化を維持している。 これらの結果から,MLA-STNetは,スケーラブルで堅牢で解釈可能な都市横断事故防止システム内での異種都市データセットを効果的に統合し,協調型・データ駆動型都市安全管理の道を開いた。

関連論文リスト

• MDAS-GNN: Multi-Dimensional Spatiotemporal GNN with Spatial Diffusion for Urban Traffic Risk Forecasting [0.0]
  交通事故は公衆衛生にとって重要な問題であり、毎年135万人以上が生活していると主張している。 従来の事故予測モデルは道路セグメントを独立に扱い、都市交通網における複雑な空間的関係や時間的依存を捉えない。 本研究では,交通安全,インフラ,環境リスクの3つの主要なリスク次元を統合した多次元注意型空間拡散グラフニューラルネットワークMDAS-GNNを開発した。
  論文  参考訳（メタデータ） (2025-10-31T05:41:57Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• BiDepth: A Bidirectional-Depth Neural Network for Spatio-Temporal Prediction [4.263291797886899]
  本稿では,2つの重要なイノベーションを統合したBiDepth Multimodal Neural Network (BDMNN)を提案する。 BDMNNは長期の季節と短期の出来事の両方を捉えている。 CSACは、標準的な畳み込み層と同様に、ネットワーク全体の重要な空間関係を維持するように設計されている。
  論文  参考訳（メタデータ） (2025-01-14T19:59:59Z)
• 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)
• ST-MoE-BERT: A Spatial-Temporal Mixture-of-Experts Framework for Long-Term Cross-City Mobility Prediction [6.0588503913405045]
  我々はST-MoE-BERTと呼ばれる人間の移動パターンを予測する頑健な手法を提案する。 本手法は,Mixture-of-ExpertsアーキテクチャとBERTモデルを統合し,複雑な移動力学を捉える。 本稿では,GEO-BLEUおよびDTWにおける提案手法の有効性について述べる。
  論文  参考訳（メタデータ） (2024-10-18T00:32:18Z)
• Urban Traffic Accident Risk Prediction Revisited: Regionality, Proximity, Similarity and Sparsity [18.566139471849844]
  交通事故は人間の健康と財産の安全に重大な危険をもたらす。 交通事故を防ぐために、リスクを予測することで関心が高まっている。 望ましい予測ソリューションは、交通事故の複雑さに対するレジリエンスを示すべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2024-07-29T03:10:15Z)
• Decision Mamba: A Multi-Grained State Space Model with Self-Evolution Regularization for Offline RL [57.202733701029594]
  本稿では,自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 これらの課題に対処するため、我々は自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 雑音性軌道上における過度に適合する問題を緩和するために,進行正則化を用いて自己進化政策を提案する。
  論文  参考訳（メタデータ） (2024-06-08T10:12:00Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• RiskOracle: A Minute-level Citywide Traffic Accident Forecasting Framework [12.279252772816216]
  交通事故のリアルタイム予測は、公共の安全と都市管理にとってますます重要になっている。 事故予測に関するこれまでの研究はしばしば時間レベルで行われ、既存のニューラルネットワークと静的な地域関係を考慮に入れている。 本稿では,予測の粒度を細部まで改善する新しいフレームワークであるR RiskOracleを提案する。
  論文  参考訳（メタデータ） (2020-02-19T07:18:46Z)

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。