論文の概要: Weather-Related Crash Risk Forecasting: A Deep Learning Approach for Heterogenous Spatiotemporal Data

• arxiv url: http://arxiv.org/abs/2603.04551v1
• Date: Wed, 04 Mar 2026 19:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:10.951058
• Title: Weather-Related Crash Risk Forecasting: A Deep Learning Approach for Heterogenous Spatiotemporal Data
• Title（参考訳）: 気象関連事故リスク予測:異種時空間データに対する深層学習アプローチ
• Authors: Abimbola Ogungbire, Srinivas Pulugurtha,
• Abstract要約: 本研究では,異種道路データを用いた気象関連交通事故リスク予測のためのディープラーニングフレームワークを提案する。 ノースカロライナは様々な気象条件のために調査エリアに選ばれ、歴史的事故、天候、交通データは5miのグリッド解像度で集計された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study introduces a deep learning-based framework for forecasting weather-related traffic crash risk using heterogeneous spatiotemporal data. Given the complex, non-linear relationship between crash occurrence and factors such as road characteristics, and traffic conditions, we propose an ensemble of Convolutional Long Short-Term Memory (ConvLSTM) models trained over overlapping spatial grids. This approach captures both spatial dependencies and temporal dynamics while addressing spatial heterogeneity in crash patterns. North Carolina was selected as the study area due to its diverse weather conditions, with historical crash, weather, and traffic data aggregated at 5-mi by 5-mi grid resolution. The framework was evaluated using Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and spatial cross-K analysis. Results show that the ensembled ConvLSTM significantly outperforms baseline models, including linear regression, ARIMA, and standard ConvLSTM, particularly in high-risk zones. The ensemble approach effectively combines the strengths of multiple ConvLSTM models, resulting in lower MSE and RMSE values across all regions, particularly when data from different crash risk zones are aggregated. Notably, the model performs exceptionally well in volatile high-risk areas (Cluster 1), achieving the lowest MSE and RMSE, while in stable low-risk areas (Cluster 2), it still improves upon simpler models but with slightly higher errors due to challenges in capturing subtle variations.
• Abstract（参考訳）: 本研究では,異種時空間データを用いた気象関連交通事故リスク予測のためのディープラーニングフレームワークを提案する。 衝突発生と道路特性,交通条件などの要因との間の複雑で非線形な関係を考慮し,重なり合う空間格子上で訓練された畳み込み長短期記憶(ConvLSTM)モデルのアンサンブルを提案する。 このアプローチは、衝突パターンの空間的不均一性に対処しながら、空間的依存関係と時間的ダイナミクスの両方をキャプチャする。 ノースカロライナは様々な気象条件のために調査エリアに選ばれ、歴史的事故、天候、交通データは5miのグリッド解像度で集計された。 このフレームワークはMean Squared Error (MSE)、Root Mean Squared Error (RMSE)、空間的クロスK分析を用いて評価した。 その結果, アンサンブルされたConvLSTMは, 線形回帰, ARIMA, 標準のConvLSTM, 特に高リスクゾーンにおいて, ベースラインモデルよりも有意に優れていた。 アンサンブルアプローチは、複数のConvLSTMモデルの強度を効果的に組み合わせ、特に異なるクラッシュリスクゾーンのデータが集約された場合、すべての領域にわたるMSEとRMSEの値が低下する。 特に、このモデルは揮発性高リスク領域(クラスタ1)において、最も低いMSEとRMSEを達成する一方、安定な低リスク領域(クラスタ2)では、より単純なモデルでは改善されるが、微妙な変動を捉えることの難しさにより、わずかにエラーが増大する。

関連論文リスト

• Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
  CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。 CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。 彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
  論文  参考訳（メタデータ） (2026-02-10T11:46:15Z)
• CALM: A Framework for Continuous, Adaptive, and LLM-Mediated Anomaly Detection in Time-Series Streams [0.42970700836450476]
  本稿では,リアルタイム異常検出のための新しいエンドツーエンドフレームワークであるCALMを紹介する。 CALMはApache Beam分散処理フレームワーク上に構築されている。 クローズドループで連続的な微調整機構を実装し、異常検出モデルがほぼリアルタイムで進化するデータパターンに適応できるようにする。
  論文  参考訳（メタデータ） (2025-08-29T00:27:35Z)
• Spatial Association Between Near-Misses and Accident Blackspots in Sydney, Australia: A Getis-Ord $G_i^*$ Analysis [3.0928226965455154]
  車両テレマティクスの普及は、積極的な安全へのパラダイムシフトの機会を与える。 本稿では,事故記録とニアミスイベントの一致と不一致を解析するための空間統計的枠組みを提案する。 結果は、トランスポート当局がリアクティブから積極的な安全管理戦略に移行するための、データ駆動の方法論を提供する。
  論文  参考訳（メタデータ） (2025-06-03T19:58:56Z)
• Modeling Spatial Extremes using Non-Gaussian Spatial Autoregressive Models via Convolutional Neural Networks [14.37149160708975]
  本稿では,空間的自己回帰モデリングフレームワークを提案する。このフレームワークは,位置とその近傍の観測を独立確率変数にマッピングする。 特に,SARモデルと一般化極値分布の革新について検討し,中心格子位置での観測と近傍の観測を組み合わせた。 本モデルを用いて,ERA-Interim-driven Weather Research and Forecasting (WRF) シミュレーションによる年間降水量の分析を行った。
  論文  参考訳（メタデータ） (2025-05-05T21:26:02Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• Inverse Reinforcement Learning for Minimum-Exposure Paths in Spatiotemporally Varying Scalar Fields [49.1574468325115]
  このようなパスのトレーニングデータセットに類似した最小露出パスのデータセットを合成する問題を考える。 本論文の主な貢献は、この問題を解決するための逆強化学習(IRL)モデルである。 提案したIRLモデルは,トレーニングデータセットにない初期条件から経路を合成する際の優れた性能を提供する。
  論文  参考訳（メタデータ） (2025-03-09T13:30:11Z)
• Foundation for unbiased cross-validation of spatio-temporal models for species distribution modeling [2.6862667248315386]
  種別分布モデル (SDM) はしばしば空間自己相関 (SAC) に悩まされ、性能推定に偏りが生じる。 提案手法は, ランダム分割, 空間的ブロッキング, 環境的スキーム, 新たな時間的手法である。
  論文  参考訳（メタデータ） (2025-01-27T23:02:05Z)
• 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)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Estimating value at risk: LSTM vs. GARCH [0.0]
  本稿では,Long Short-term memory (LSTM) ニューラルネットワークを用いたリスクリスク推定手法を提案する。 その結果,比較的短い時系列であっても,LSTMはリスク推定プロセスの洗練や監視に有効であることが示唆された。 シミュレーションデータと市場データの両方において、LSTMは、シミュレーションデータ上でのGARCH推定と類似した性能を示す。
  論文  参考訳（メタデータ） (2022-07-21T15:26:07Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。