論文の概要: Forecasting the Emergence and Evolution of Crash Hotspots: A Unified Deep Learning Framework for Proactive Traffic Safety

• arxiv url: http://arxiv.org/abs/2607.24168v1
• Date: Mon, 27 Jul 2026 08:51:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.367926
• Title: Forecasting the Emergence and Evolution of Crash Hotspots: A Unified Deep Learning Framework for Proactive Traffic Safety
• Title（参考訳）: クラッシュホットスポットの創発と進化を予知する: 積極的交通安全のための統一された深層学習フレームワーク
• Abstract要約: HERALD(Hotspot Emergence, Risk Precipation, Life-cycle Dynamics)は、単一の州全体のモデルから3つすべてを提供する統合ディープラーニングフレームワークである。 HERALDは、各郡の最近の事故履歴を毎週のリスクマップに抽出し、次にCNN-Transformerで予測する。 すべてのホットスポットは、誕生から成長と安定性、衰退と死に至るまで、妥当な人生の物語を取得する。
• 参考スコア（独自算出の注目度）: 26.27692439535046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Road crashes remain among the gravest threats to public safety, and preventing them is a defining task of transportation systems worldwide. Much of that harm concentrates at hotspots, yet a hotspot is less a place than an episode; it emerges quietly at an intersection or along an arterial, intensifies for weeks, then subsides, only to reappear elsewhere. Enforcement guided by maps of past crashes inevitably trails this cycle, patrolling yesterday's hotspots while tomorrow's form unwatched. Breaking that lag requires three capabilities at once: detecting hotspots as they are born, forecasting where they will sit next week, and following each one through its life. We introduce HERALD (Hotspot Emergence, Risk Anticipation, and Life-cycle Dynamics), a unified deep learning framework that provides all three from a single statewide model. HERALD distills each county's recent crash history into weekly risk maps and forecasts the next with a CNN--Transformer, whose mixture-of-experts lets one model serve dense urban cores and sparse rural corridors alike. Each forecast is anchored in the county's long-run crash geography, sharpened by the self-exciting effect of recent crashes, and paired with explicit warnings of where new hotspots are about to appear. Followed over time, every hotspot acquires a legible life story, from birth through growth and stability to decline and death. Across six heterogeneous Wisconsin counties, HERALD forecasts more accurately than five identically trained baselines, locates hotspots most precisely, and flags emerging risks before they take hold. A single adjustable setting trades accuracy for extra sensitivity where deployment demands it. The result shifts hotspot management from mapping the past to anticipating the future.
• Abstract（参考訳）: 道路事故は公共の安全にとって最も重大な脅威であり、その防止は世界中の交通システムの決定的な課題である。 ホットスポットの多くはホットスポットに集中しているが、ホットスポットはエピソードよりも小さな場所であり、交差点や動脈に沿って静かに現れ、数週間にわたって増強され、その後、他の場所で再び現れる。 過去の事故の地図で案内された強化は、必然的にこのサイクルを辿り、明日の姿が見えない間に昨日のホットスポットをパトロールする。 このラグを破るには、3つの能力が必要だ: ホットスポットが生まれてから発見し、来週はどこに座るかを予測し、それぞれをその人生を通して追跡する。 HERALD(Hotspot Emergence, Risk Precipation, Life-cycle Dynamics)は1つの州全体のモデルから3つすべてを提供する統合ディープラーニングフレームワークである。 HERALDは、各郡の最近の事故履歴を毎週のリスクマップに抽出し、次にCNN-Transformerで予測する。 それぞれの予測は郡の長期にわたるクラッシュの地形に固定され、最近のクラッシュによる自励的な効果によって鋭くなり、新しいホットスポットが現れる場所を明示的な警告と組み合わせられる。 時間が経つにつれて、すべてのホットスポットは、誕生から成長と安定性、衰退と死に至るまで、妥当な人生の物語を取得する。 6つの異質のウィスコンシン郡で、HERALDは5つの同じ訓練されたベースラインよりも正確に予測し、ホットスポットを最も正確に見つけ、保持する前に危険を生じさせる旗を掲げている。 単一の調整可能な設定は、デプロイが要求する追加の感度に対して精度を交換する。 その結果、ホットスポットの管理は過去をマッピングすることから未来を予測することへとシフトする。

関連論文リスト

• Collision Snapshot Guided Time-Reversed Safety-Critical Scenario Generation [2.7044962986457945]
  アンダーライン・アンダーライン・アンダーライン アンダーライン・アンダーライン・リバース・セーフティ・クリティカル・シナリオ・ジェネレーション (COSTER) について紹介する。 COSTERは、学習前のトラフィックを活用して、妥当な衝突時間と位置を決定するフレームワークである。 実験の結果、COSTERは既存の手法よりも可視性、多様性、データ効率が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-09-06T07:18:07Z)
• Road Risk Monitor: A Deployable U.S. Road Incident Forecasting System with Live Weather and Road-Level Tiles [0.0]
  使用可能なサービスは、過去のインシデントアーカイブ、歴史的およびライブウェザー、ナショナルロードジオメトリー、オフラインモデルトレーニング、タイル生成、Webサービス、ランタイムハンドオフを接続する必要がある。 本稿では, FARSの致命的クラッシュデータに基づいてトレーニングされた全国的なH3ベースラインと, TIGER/Line幾何およびUS-Accidentsイベントからトレーニングされた道路分割予測パイプラインを組み合わせた米国全体の道路安全スタックである道路リスクモニタについて述べる。
  論文  参考訳（メタデータ） (2026-05-05T19:30:06Z)
• Towards Generative Location Awareness for Disaster Response: A Probabilistic Cross-view Geolocalization Approach [9.963221789922388]
  災害に対する迅速かつ効率的な対応は、気候の回復力と持続可能性に不可欠である。 災害対応の重要な課題は、意思決定と資源配分を支援するために、災害箇所を正確かつ迅速に特定することである。 本稿では,ProbGLCと呼ばれる確率的クロスビュージオローカライズ手法を提案する。
  論文  参考訳（メタデータ） (2025-12-23T05:14:01Z)
• 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)
• NsBM-GAT: A Non-stationary Block Maximum and Graph Attention Framework for General Traffic Crash Risk Prediction [11.444259609536164]
  既存の衝突リスク予測モデルは、研究者が危険とみなす仮説上のシナリオに依存している。 ダッシュカムビデオは、個々の車のクレーシュ前動作を撮影するが、周囲の車両の動きに関する重要な情報を欠いていることが多い。 本研究では,車両とその周辺車両間の対話的挙動を捉えるために,新しい非定常極値理論(EVT)を提案する。
  論文  参考訳（メタデータ） (2025-03-06T02:12:40Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• Unsupervised Landmark Discovery Using Consistency Guided Bottleneck [63.624186864522315]
  画像再構成に基づくパイプラインに一貫性のあるボトルネックを導入する。 本稿では,画像間のランドマーク対応を形成することによって,擬似スーパービジョンを得る手法を提案する。 この一貫性は、アダプティブ・ヒートマップの生成において発見されたランドマークの不確かさを変調する。
  論文  参考訳（メタデータ） (2023-09-19T10:57:53Z)
• Spatial-Temporal Hypergraph Self-Supervised Learning for Crime Prediction [60.508960752148454]
  本研究では,犯罪予測におけるラベル不足問題に対処する空間的ハイパーグラフ自己監視学習フレームワークを提案する。 都市空間全体における犯罪の地域的依存性をエンコードするクロスリージョンハイパーグラフ構造学習を提案する。 また,2段階の自己指導型学習パラダイムを設計し,局所的・世界的空間的犯罪パターンを共同で捉えるだけでなく,地域的自己差別の強化による疎犯罪表現を補う。
  論文  参考訳（メタデータ） (2022-04-18T23:46:01Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
  我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。 歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
  論文  参考訳（メタデータ） (2021-01-07T06:08:21Z)
• 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。