論文の概要: Virginia Tech Transportation Safety Index (VTTSI)
- arxiv url: http://arxiv.org/abs/2606.21154v1
- Date: Fri, 19 Jun 2026 06:46:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 07:51:53.113099
- Title: Virginia Tech Transportation Safety Index (VTTSI)
- Title（参考訳）: バージニア工科大学交通安全指数(VTTSI)
- Authors: Jason Cusati, Cheng-Shun Chuang,
- Abstract要約: Virginia Tech Transportation Safety Index (VTTSI)は、交差点安全のためのリアルタイムクラウドネイティブフレームワークである。
システムは、15分ごとに0-100スケールで解釈可能で露出調整された安全スコアを生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Virginia Tech Transportation Safety Index (VTTSI) is a real-time, cloud-native framework for quantifying intersection safety using multimodal connected-vehicle telemetry and multi-year VDOT crash history. Traditional crash-based methods rely on lagged, aggregated data and cannot reflect rapidly changing operational conditions. VTTSI addresses this gap through a hybrid modeling approach that fuses Empirical Bayes (EB) crash stabilization, uplift factors derived from speed and conflict behavior, and a CRITIC-weighted multi-criteria decision-making (MCDM) module combining SAW, EDAS, and CODAS. The system produces interpretable, exposure-adjusted safety scores on a 0--100 scale every 15 minutes. A cloud-deployed architecture built on FastAPI, PostgreSQL, PostGIS, and Streamlit supports interactive visualization of traffic volumes, VRU exposure, speed variance, and real-time incident activity. Validation across intersections demonstrates coherent diurnal patterns, consistency among MCDM methods, and sensitivity to observable operational turbulence. Sensitivity analysis further shows that the RT--SI is robust to parameter perturbations, with deviations typically remaining below one point on the 0--100 scale. By integrating long-term crash risk with short-term behavioral dynamics, VTTSI provides a transparent, adaptive, and proactive safety-monitoring framework suitable for transportation agencies, traffic management centers, fleet operators, and autonomous vehicle systems.%~\cite{persaud2007, montella2020systemic, schultz2025_surrogate, Amraji2025CombinedSafetyIndex}.
- Abstract（参考訳）: Virginia Tech Transportation Safety Index(VTTSI)は、マルチモーダル接続車両テレメトリと複数年VDOTクラッシュ履歴を使用して交差点の安全性を定量化する、リアルタイムでクラウドネイティブなフレームワークである。
従来のクラッシュベースの手法は、ラベル付き集約されたデータに依存しており、急速に変化する運用条件を反映できない。
VTTSIはこのギャップを、経験的ベイズ(EB)のクラッシュ安定化を融合したハイブリッドモデルアプローチ、速度と競合行動から引き起こされた上昇要因、SAW、EDAS、CODASを組み合わせたCRITIC-weighted Multi-criteria decision-making (MCDM)モジュールによって解決する。
このシステムは、15分ごとに0-100スケールで解釈可能で露出調整された安全スコアを生成する。
FastAPI、PostgreSQL、PostGIS、Streamlit上に構築されたクラウドデプロイアーキテクチャは、トラフィックボリューム、VRU露出、速度分散、リアルタイムインシデントアクティビティのインタラクティブな可視化をサポートする。
交差点を横断する検証は、コヒーレント昼行パターン、MCDM法間の一貫性、観測可能な操作乱流に対する感度を示す。
感度解析により、RT--SIはパラメータ摂動に対して頑健であり、偏差は0--100スケールの1点以下であることが示された。
長期の衝突リスクと短期の行動力学を統合することで、VTTSIは交通機関、交通管理センター、艦隊オペレーター、自動運転車システムに適した透明で適応的で積極的な安全監視フレームワークを提供する。
%~\cite{persaud2007, montella 2020systemic, schultz2025_surrogate, Amraji2025CombinedSafetyIndex}
関連論文リスト
- Attention in Motion: Secure Platooning via Transformer-based Misbehavior Detection [0.6999740786886536]
車両小隊は、多車編成の調整を通じて、輸送効率と安全性の変革的な改善を約束する。
確率チェックや統計的手法に依存する従来の誤動作検出手法は、偽陽性(FP)率が高い。
Intention In Motion (AIMformer) は、車体プラトンにおけるリアルタイムな誤動作検出に適したトランスフォーマーベースのフレームワークである。
論文 参考訳（メタデータ） (2025-12-17T14:45:33Z) - Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。
OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。
当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
論文 参考訳（メタデータ） (2025-12-08T15:56:18Z) - Consensus-Aware AV Behavior: Trade-offs Between Safety, Interaction, and Performance in Mixed Urban Traffic [0.0]
自動走行車(AV)の安全性、相互作用品質、交通性能のコンセンサスを定量化することを目的としている。
Time-to-Collision (TTC), Post-Encroachment Time (PET), deceleration pattern, Headway, string stabilityなど,主要な指標を評価した。
その結果,AV-VRUインタラクションフレームの1.63%が3つの条件をすべて満たしているという,安全性,インタラクション,パフォーマンスに関する完全なコンセンサスは稀であることがわかった。
論文 参考訳（メタデータ） (2025-05-07T12:59:59Z) - AI2-Active Safety: AI-enabled Interaction-aware Active Safety Analysis with Vehicle Dynamics [8.557684007368046]
本稿では,AIを利用した対話型アクティブ安全分析フレームワークを提案する。
このフレームワークは、道路勾配を考慮した自転車モデルを用いて、車両のダイナミクスを正確に捉える。
並行して、ハイパーグラフベースのAIモデルが開発され、環境トラフィックの確率的軌跡を予測する。
論文 参考訳（メタデータ） (2025-05-01T05:46:34Z) - Dynamic High-Order Control Barrier Functions with Diffuser for Safety-Critical Trajectory Planning at Signal-Free Intersections [9.041849642602626]
信号のない交差点を通る安全かつ効率的な軌道を計画することは、自動運転車にとって重要な課題である。
本研究では,動的高次制御バリア関数(DHOCBF)と拡散モデル(DSC-Diffuser)を統合する安全クリティカルプランニング手法を提案する。
動的環境における運転安全をより確実にするために,提案したDHOCBFフレームワークは周囲の車両の動きを考慮した動的調整を行う。
論文 参考訳（メタデータ） (2024-11-29T11:57:00Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Learned Risk Metric Maps for Kinodynamic Systems [54.49871675894546]
本研究では,高次元力学系のコヒーレントリスクメトリクスをリアルタイムに推定するための学習型リスクメトリクスマップを提案する。
LRMMモデルは設計と訓練が簡単で、障害セットの手続き的生成、状態と制御のサンプリング、および関数近似器の教師付きトレーニングのみを必要とする。
論文 参考訳（メタデータ） (2023-02-28T17:51:43Z)
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。