論文の概要: Proactive Road Safety Intervention in Australia: Predicting Risky Driving Hotspots from Connected Vehicle Data

• arxiv url: http://arxiv.org/abs/2608.16913v1
• Date: Wed, 15 Jul 2026 06:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.254236
• Title: Proactive Road Safety Intervention in Australia: Predicting Risky Driving Hotspots from Connected Vehicle Data
• Title（参考訳）: オーストラリアにおける積極的道路安全対策 : 連結車両データによる危険運転ホットスポット予測
• Abstract要約: 本稿では,車間距離テレメトリデータを用いて,近距離危険運転事象の検出と予測を行う。 この研究は、積極的道路安全介入を支援するIoTベースのコネクテッドカーデータの可能性を強調している。
• 参考スコア（独自算出の注目度）: 1.4885435247456344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road safety monitoring has historically been reactive, relying on crash-record analysis after fatalities and injuries have already occurred. Proactive identification of high-risk locations and dangerous driving behaviour before incidents occur is a critical but underexplored challenge. This paper addresses this gap using connected vehicle telemetry data from Greater Sydney, Australia, to detect and forecast near-miss risky driving events at the Local Government Area (LGA) level. Risky driving is quantified through g-force thresholds (hard braking >0.6g, harsh cornering >0.47g, harsh acceleration >0.5g), and spatio-temporal heatmaps are constructed to identify high-risk zones. Eight predictive models are benchmarked across three families: ensemble learning (Random Forests, XGBoost, LightGBM), deep learning (LSTM, N-BEATS), and classical time-series methods (ARIMA, Exponential Smoothing, Prophet). ARIMA achieves the lowest mean absolute error (MAE: 162.21), performing comparably to LSTM (MAE: 163.92) and outperforming all ensemble methods, with N-BEATS reaching an MAE of 180.75. These results demonstrate that parsimonious time-series models are competitive with deep learning approaches when training data volume is limited. The study highlights the potential of IoT-based connected vehicle data to support proactive road safety interventions, with Sydney's inner and western LGAs (CBD, Parramatta, Bankstown) identified as persistent high-risk zones warranting targeted policy action.
• Abstract（参考訳）: 道路の安全監視は歴史的に反応性があり、すでに死亡事故や負傷事故が発生した後、事故記録の分析に頼ってきた。 事故が起こる前に、ハイリスクな場所と危険な運転行動を積極的に特定することは、批判的だが未調査の課題である。 本稿では,オーストラリアのグレーター・シドニーのテレメトリデータを用いて,地方自治体(LGA)レベルでの近距離危険運転事象の検出と予測を行う。 リスク駆動はg力閾値(ハードブレーキ >0.6g、厳しいコーナー >0.47g、厳しい加速 >0.5g)で定量化され、高リスクゾーンを特定するために時空間熱マップが構築される。 アンサンブル学習(Random Forests, XGBoost, LightGBM)、ディープラーニング(LSTM, N-BEATS)、古典的時系列法(ARIMA, Exponential Smoothing, Prophet)である。 ARIMAは最低平均絶対誤差(MAE: 162.21)を達成し、LSTM(MAE: 163.92)と同等に動作し、すべてのアンサンブル法を上回り、N-BEATSは180.75のMAEに達する。 これらの結果から,データ量に制限がある場合,擬似時系列モデルは深層学習と競合することが示された。 シドニーの内および西のLGA(CBD、Parramatta、Bankstown)は、目標とする政策行動を保証する永続的なハイリスクゾーンとして特定されている。

関連論文リスト

• Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
  部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。 安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-14T01:23:09Z)
• Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning [73.88859384645264]
  道路交通事故は世界中の交通事故の主な原因である。 米国では、人間のエラーが94%のクラッシュを引き起こし、7000人以上の歩行者が死亡し、年間500億ドルのコストがかかる。 本稿では,Dreep Reinforcement Learning (DRL) 衝突回避政策のアウト・オブ・ディストリビューションをパラメータ化する。 2つのポリシーが評価され、デフォルトのユニディレクションと、他の車と反対方向にナビゲートする逆方向のバリエーションが評価される。
  論文  参考訳（メタデータ） (2026-04-17T21:11:39Z)
• Real-Time Driver Safety Scoring Through Inverse Crash Probability Modeling [0.0]
  本研究は,バイナリクラッシュ分類器を0-100連続安全性スコアに変換するフレームワークであるSafeDriver-IQを紹介する。 15の相補的な分析結果から,高リスク運転条件と低リスク運転条件を確実に区別できることが示唆された。 発見によると、衝突の87%は複数の共起リスク要因を伴い、非線形の複合効果によりリスクは4.5倍に増加する。
  論文  参考訳（メタデータ） (2026-03-16T05:37:12Z)
• 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)
• Learning collision risk proactively from naturalistic driving data at scale [3.1457219084519004]
  本研究は一般サロゲート安全対策(GSSM)を紹介する。 GSSMは、クラッシュやリスクラベルを必要とせずに、自然主義的な運転から衝突リスクを学習する。 複数のGSSMを訓練するためには、運動キネマティクス、天気、照明など、自然運動からのさまざまなデータを使用する。 即時運動キネマティクスのみを用いた基本的なGSSMは、精度-リコール曲線0.9の領域を達成し、衝突を避けるために2.6秒の中央値の時間を確保できる。
  論文  参考訳（メタデータ） (2025-05-19T07:22:32Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)

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。