論文の概要: Crash Narrative-Guided Countermeasure Recommendation Using Large Language Models: A Retrieval-Augmented Generation Framework for Intersection Safety

• arxiv url: http://arxiv.org/abs/2609.15997v1
• Date: Thu, 09 Jul 2026 17:26:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.529487
• Title: Crash Narrative-Guided Countermeasure Recommendation Using Large Language Models: A Retrieval-Augmented Generation Framework for Intersection Safety
• Title（参考訳）: 大規模言語モデルを用いたクラッシュ・ナラティブ誘導型対策勧告:区間安全のための検索・拡張型生成フレームワーク
• Abstract要約: 本研究では,クラッシュ物語誘導型検索拡張世代(RAG)フレームワークを提案する。 RAGは、物語由来のクラッシュメカニズムをサイト固有の対策レコメンデーションに変換する。 フロリダ州レイク郡とサムター郡の115の交差点で312件の致命傷と重傷を負った。
• 参考スコア（独自算出の注目度）: 1.9084046244608193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Improving safety at intersections requires identifying crash mechanisms and recommending appropriate countermeasures. However, this process traditionally relies on expert judgment, making it labor-intensive, difficult to scale, and dependent on the availability of experienced traffic safety engineers. Although crash narratives contain rich description of crash mechanisms, this unstructured information remains largely underutilized in safety analyses. This study presents a crash narrative-guided retrieval-augmented generation (RAG) framework that translates narrative-derived crash mechanisms into site-specific countermeasure recommendations. Key mechanism attributes including traffic control, signal indication, driver fault, vehicle movement, and travel direction were extracted from crash narratives and linked to evidence-based treatments from the FHWA Proven Safety Countermeasures and the CMF Clearinghouse. The framework integrates embedding-based retrieval of historically similar intersections, association-rule mining, statistical guidance on the expected number of relevant countermeasures, and an engineering reasoning guidance that directs LLM through a domain-consistent decision process before selecting countermeasures. Evaluated on 312 fatal and serious-injury crashes across 115 intersections in Lake and Sumter Counties, Florida, using five-fold cross-validation, the framework achieved a precision of 0.82, recall of 0.85, and F1-score of 0.82, while recommending an average of 3.91 countermeasures per location with 3.14 matching, closely matching the actual average (3.86). Overall, the proposed framework demonstrates the potential of retrieval-augmented LLMs as an interpretable and scalable decision-support tool for transportation agencies for translating crash narratives into countermeasure recommendations.
• Abstract（参考訳）: 交差点での安全性の向上には、クラッシュメカニズムを特定し、適切な対策を推奨する必要がある。 しかし、このプロセスは伝統的に専門家の判断に依存しており、労働集約的でスケールが難しく、経験豊富な交通安全エンジニアの可用性に依存している。 クラッシュの物語には、クラッシュ機構の豊富な記述が含まれているが、この構造化されていない情報は、安全分析においてほとんど使われていない。 本研究では,事故発生メカニズムをサイト固有の対策に変換するRAGフレームワークを提案する。 交通制御,信号指示,運転障害,車両移動,走行方向などの主要な機構特性を,事故物語から抽出し,FHWA Proven Safety CountermeasuresとCMF Clearinghouseからエビデンスベースの治療に関連づけた。 このフレームワークは、歴史的に類似した交差点の埋め込みに基づく検索、アソシエーションルールマイニング、関連する対策の期待数に関する統計的ガイダンス、および対策を選択する前にドメイン一貫性のある決定プロセスを通じてLLMを指示するエンジニアリング推論ガイダンスを統合する。 フロリダ州レイク郡とサムター郡の115の交差点で312件の致命傷と重傷を負い、5倍のクロスバリデーションを用いて、このフレームワークは精度0.82、リコール0.85、F1スコア0.82を達成し、平均3.91の対策と3.14のマッチングを推奨した。 提案手法は, 交通機関が事故物語を対応策に翻訳するための, 解釈可能な, スケーラブルな意思決定支援ツールとしてのLLMの可能性を実証するものである。

関連論文リスト

• 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)
• OOD-MMSafe: Advancing MLLM Safety from Harmful Intent to Hidden Consequences [64.01706941950489]
  現在の安全パラダイムは、主に悪意のある意図や状況違反をターゲットとしている。 我々は,自律型および実施型エージェントのロバスト展開に不可欠なパラダイムである,結果駆動型安全に向けた安全フロンティアのシフトを提案する。 本稿では,トークンレベルの自己蒸留報酬の動的参照として,モデル固有の推論を統合したCASPO(Consequence-Aware Safety Policy Optimization)フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-03-10T14:16:43Z)
• From Narratives to Probabilistic Reasoning: Predicting and Interpreting Drivers' Hazardous Actions in Crashes Using Large Language Model [3.3457493284891338]
  2車線の事故は、道路事故の約70%を占める。 Driver Hazardous Action (DHA)データは、一貫性のない、労働集約的な手動コーディングプラクティスによって制限される。 本稿では,微調整された大規模言語モデルを利用して,テキストによるクラッシュ物語からDHAを自動的に推測する,革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-14T21:35:47Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• Towards Reliable and Interpretable Traffic Crash Pattern Prediction and Safety Interventions Using Customized Large Language Models [14.53510262691888]
  TrafficSafeは、テキストレベルの推論として、再フレームのクラッシュ予測と機能属性に適応するフレームワークである。 飲酒運転が深刻な事故の要因となっている。 TrafficSafeは、戦略的クラッシュデータ収集の改善を導くモデルトレーニングにおいて、重要な機能を強調している。
  論文  参考訳（メタデータ） (2025-05-18T21:02:30Z)
• Advanced Crash Causation Analysis for Freeway Safety: A Large Language Model Approach to Identifying Key Contributing Factors [0.0]
  本研究は,大規模言語モデル(LLM)を利用して高速道路の事故データを解析し,それに応じて事故原因分析を行う。 微調整されたLlama3 8Bモデルは、ゼロショット分類によって事前にラベル付けされたデータなしでクラッシュ因果を識別するために使用された。 その結果, LLMはアルコール欠乏運転, スピード, 積極的運転, 運転不注意などの事故原因を効果的に同定できることが示唆された。
  論文  参考訳（メタデータ） (2025-05-15T04:07:55Z)
• What Makes and Breaks Safety Fine-tuning? A Mechanistic Study [64.9691741899956]
  安全性の微調整は、大規模な言語モデル(LLM)を、安全なデプロイメントのための人間の好みに合わせるのに役立つ。 安全でない入力の健全な側面をキャプチャする合成データ生成フレームワークを設計する。 これを用いて,3つのよく知られた安全微調整手法について検討する。
  論文  参考訳（メタデータ） (2024-07-14T16:12:57Z)

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。