論文の概要: Improving Crash Frequency Prediction from Simulated Traffic Conflicts Using Machine Learning Based Microsimulation

• arxiv url: http://arxiv.org/abs/2606.12500v2
• Date: Thu, 18 Jun 2026 15:13:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 16:09:18.985561
• Title: Improving Crash Frequency Prediction from Simulated Traffic Conflicts Using Machine Learning Based Microsimulation
• Title（参考訳）: 機械学習に基づくマイクロシミュレーションによるシミュレートされた交通紛争からの衝突頻度予測の改善
• Authors: Xian Liu, Carlo G. Prato, Gustav Markkula,
• Abstract要約: ルールベースのマイクロシミュレーションモデルは、クラッシュ予測精度を制限し、現実的な競合ダイナミクスを生成できない。 機械学習(ML)の最近の進歩は、マイクロシミュレートリアリズムを潜在的に改善する有望な機会を提供する。 英国リーズの5つの実世界の信号交差点の交通シミュレーションを行った。 MLモデルの矛盾により、現実のクラッシュデータと一致したクラッシュ予測が得られたが、ルールベースのモデルは意味のある予測を許さなかった。
• 参考スコア（独自算出の注目度）: 16.894046445341676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic microsimulation combined with surrogate safety measures has increasingly been used as a proactive alternative to historical crash data for predicting crash frequency for current or planned road infrastructure designs. However, existing microsimulation-based safety studies have adopted simplified rule-based behaviour models, which reproduce traffic flow reasonably well but often fail to generate realistic conflict dynamics, limiting crash prediction accuracy. Recent advances in machine learning (ML)-based behaviour models offer a promising opportunity to potentially improve microsimulation realism and crash frequency predictions by learning human driving behaviour directly from large-scale trajectory datasets. To investigate this possibility, traffic microsimulation was conducted for five real-world signalised intersections in Leeds, UK, using both a standard rule-based model and a state-of-the-art ML model. Simulated vehicle trajectories were analysed using a two-dimensional Time-to-Collision metric to identify simulated conflicts, which were then modelled using Extreme Value Theory to predict crash frequency. Results show that conflicts from the ML model yielded crash predictions in line with the real-world crash data, whereas the rule-based model did not permit meaningful predictions, presumably due to a lack of model calibration to the specific simulated intersections. Directly using ML-generated simulated crashes to predict real-world crash frequency also yielded poor results, suggesting that while current ML models can realistically reproduce conflicts, they are not yet able to generate realistic crashes. Overall, the findings demonstrate that ML-based behaviour models are promising for improving crash prediction from simulated conflicts, without a need for location-specific model calibration, and suggest clear future directions for ML-based traffic microsimulation.
• Abstract（参考訳）: 交通マイクロシミュレートとサロゲート安全対策が組み合わされた交通マイクロシミュレーションは、現在または計画されている道路インフラ設計の事故頻度を予測するために、過去の事故データに代わる積極的な代替手段として、ますます利用されている。 しかし、既存のマイクロシミュレーションに基づく安全研究では、交通の流れを合理的に再現する簡易なルールベースの行動モデルが採用されている。 機械学習(ML)ベースの行動モデルにおける最近の進歩は、大規模な軌道データセットから直接人間の運転行動を学ぶことによって、マイクロシミュレーションリアリズムとクラッシュ頻度予測を潜在的に改善する、有望な機会を提供する。 この可能性を検討するため,イギリス・リーズの5つの実世界の信号交差点において,標準ルールベースモデルと最先端MLモデルの両方を用いて交通シミュレーションを行った。 シミュレーション車両軌道は2次元のタイム・ツー・コリジョン・メトリックを用いて解析され、シミュレーションされた衝突を同定し、その後、衝突頻度を予測するためにエクストリーム値理論を用いてモデル化された。 結果から,MLモデルとの衝突は実世界のクラッシュデータと一致してクラッシュ予測が得られたが,ルールベースモデルでは,モデルキャリブレーションの欠如による有意な予測が認められなかった。 実世界のクラッシュ頻度を予測するためにML生成のシミュレートされたクラッシュを直接使用すると、結果が悪くなり、現在のMLモデルは競合を現実的に再現できるが、現実的なクラッシュを生成できないことが示唆された。 全体として、MLに基づく行動モデルは、位置特化モデルキャリブレーションを必要とせず、シミュレーションされた競合からクラッシュ予測を改善することを約束しており、MLベースの交通マイクロシミュレートの明確な方向性を示唆している。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• CLASH: Collision Learning via Augmented Sim-to-real Hybridization to Bridge the Reality Gap [9.148510140521706]
  本稿では,パラメータ条件付インパルス衝突サロゲートモデルを学習するデータ効率フレームワークであるAugmented Sim-to-real Hybridization (CLASH)による衝突学習を紹介する。 我々は,ハイブリッドシミュレータを用いて得られたポリシーが実世界へより堅牢に伝達できることを実証した。
  論文  参考訳（メタデータ） (2026-02-21T03:39:33Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• IntTrajSim: Trajectory Prediction for Simulating Multi-Vehicle driving at Signalized Intersections [8.484294935626224]
  交通シミュレータは道路インフラの運転効率に関する研究に広く利用されている。 彼らのルールに基づくアプローチは、現実世界の運転行動を模倣する能力を制限する。 生成軌道予測モデルを評価するために,交通工学関連指標を提案する。
  論文  参考訳（メタデータ） (2025-06-10T16:27:42Z)
• Enhancing Crash Frequency Modeling Based on Augmented Multi-Type Data by Hybrid VAE-Diffusion-Based Generative Neural Networks [25.772405506451204]
  衝突頻度モデリングにおける重要な課題は、過剰なゼロ観測の頻度である。 我々は、ゼロ観測を減らすために、ハイブリッドなVAE拡散ニューラルネットワークを提案する。 我々は、類似性、正確性、多様性、構造的整合性といった指標を用いて、このモデルによって生成された合成データ品質を評価する。
  論文  参考訳（メタデータ） (2025-01-17T07:53:27Z)
• MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
  本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。 提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。 このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-19T06:42:41Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [71.04084063541777]
  ランク付けのためのカウンターファクトラーニングはIRコミュニティで広く注目を集めている。 モデルは、ユーザの振る舞いの仮定が正しく、確率推定が正確であるときに理論的に非バイアス化される。 それらの有効性は通常シミュレーションベースの実験を通じて実証的に評価されるが、これは広く利用可能な大規模で実際のクリックログが不足しているためである。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)

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。