文献

J-GLOBAL ID：201902235797047233   整理番号：19A0034075

道路安全EEPDOへの機械学習アルゴリズムの適用【JST・京大機械翻訳】

Applying Machine Learning Algorithms to Highway Safety EEPDO

著者 (4件)： Wu Di ,  Wang Ningning ,  Wang Feng ,  Hong Sungbum
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CSCI  ページ： 1421-1426  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 予想される等価特性損傷のみ(EEPDO)の推定は,高速道路の安全性改善プログラムの重要な要素である高速道路衝突ホットスポット同定(HSID)にとって重要である。過去60年の間,HSID方法論は,従来のスキャンベースの方法から統計的モデルベースの方法まで着実に進歩し,多くの変動と精密化を伴う先進的な統計モデルを網羅しているが,まだ解決されていない多くの理論的問題が存在している。従って,これらの先進モデルは,輸送工学の実践において広く使用されていない。本論文は,K最近傍(KNN)アルゴリズムの機械学習技術を用いてEEPDOを推定するために代替案を使用することの容易さの性能を調査して,それを一般的統計モデル-負性二項(NB)に対して比較した。Nbは,生のデータが,衝突データに対して普遍的に保持されていない特定のガンマ分布に従うと仮定している。比較的に,非パラメトリック予測子であるKNNは,生データに関する仮定を必要としないことにおいて,衝突データに関するより良い推定を生み出すことが期待される。実験のために,ミシシッピのHarrison郡における高速道路US49について事例研究を行った。結果はKNNがNBを上回ることを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  高速道路 ,  精密化 ,  ミシシッピ州 ,  走査 ,  ニオブ ,  事例研究 ,  ホットスポット ,  統計模型 ,  等価性 ,  安全性 ,  *学習アルゴリズム ,  交通工学
準シソーラス用語： 生データ ,  予測子 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 道路安全 ,  機械学習 ,  アルゴリズム