文献

J-GLOBAL ID：201902237562689652   整理番号：19A0488313

リカレントニューラルネットワークによる交通事故の重症度予測【JST・京大機械翻訳】

Severity Prediction of Traffic Accidents with Recurrent Neural Networks

著者 (2件)： Sameen Maher Ibrahim (Department of Civil Engineering, Geospatial Information Science Research Center (GISRC), Faculty of Engineering, University Putra Malaysia, UPM, Serdang 43400, Malaysia) ,  Pradhan Biswajeet (Department of Civil Engineering, Geospatial Information Science Research Center (GISRC), Faculty of Engineering, University Putra Malaysia, UPM, Serdang 43400, Malaysia)
資料名： Applied Sciences (Web)  (Applied Sciences (Web))
巻： 7  号： 6  ページ： 476  発行年： 2017年 
JST資料番号： U7135A  ISSN： 2076-3417  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 本論文では,再帰ニューラルネットワーク(RNN)を用いた深い学習モデルを開発し,2009年から2015年にかけて6年間にわたってマレーシア,北-南高速道路(NSE)で発生した1130の事故記録に基づく交通事故の負傷重症度を予測するために使用した。従来のニューラルネットワーク(NN)と比較して,RNN法は逐次データに対してより効果的であり,交通事故記録間の時間的相関を捉えることが期待される。いくつかのネットワークアーキテクチャと構成を系統的なグリッド探索を通して試験し,交通事故の負傷重症度を予測するための最適ネットワークを決定した。選択されたネットワークアーキテクチャは,Longshort Terme Memory(LSTM)層,2つの完全接続(密)層およびSoftmax層から構成されている。次に,過剰適合を避けるために,0.3の確率を有するドロップアウト技術を適用した。さらに,ネットワークをTensorflowフレームワークにおいて確率的勾配遅延(SGD)アルゴリズム(学習速度=0.01)で訓練した。RNNモデルの感度解析をさらに行い,損傷重症度結果に及ぼすこれらの因子の影響を決定した。また,提案したRNNモデルを,その利点と限界を理解するために,多層パーセプトロン(MLP)とBayesロジスティック回帰(BLR)モデルと比較した。比較分析の結果は,RNNモデルがMLPとBLRモデルより優れていることを示した。RNNモデルの検証精度は71.77%であったが,MLPとBLRモデルはそれぞれ65.48%と58.30%を達成した。本研究の知見は,深い学習フレームワークにおけるRNNモデルが,交通事故の負傷重症度を予測するための有望なツールであることを示した。Copyright 2019 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モデル ,  *予測 ,  ネットワークアーキテクチャ ,  高速道路 ,  *ネットワーク ,  学習 ,  *ニューラルネットワーク ,  多層パーセプトロン ,  アルゴリズム ,  マレーシア ,  感度解析 ,  *交通事故
準シソーラス用語： ロジスティック回帰分析 ,  *重症度 ,  *リカレントニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 重症度予測 ,  GIS ,  交通事故 ,  深層学習 ,  リカレントニューラルネットワーク

分類 (2件)： 自動車事故,交通安全  (TB01050G) ,  ニューロコンピュータ  (JC06010Q)

引用文献 (42件)：

• Sameen, M.I.; Pradhan, B. Assessment of the effects of expressway geometric design features on the frequency of accident crash rates using high-resolution laser scanning data and gis. Geomat. Nat. Hazards Risk 2016, 1-15.
• Pei, X.; Wong, S.; Sze, N.-N. A joint-probability approach to crash prediction models. Accid. Anal. Prev. 2011, 43, 1160-1166.
• Fogue, M.; Garrido, P.; Martinez, F.J.; Cano, J.-C.; Calafate, C.T.; Manzoni, P. A system for automatic notification and severity estimation of automotive accidents. IEEE Trans. Mob. Comput. 2014, 13, 948-963.
• Pawlus, W.; Reza, H.; Robbersmyr, K.G. Application of viscoelastic hybrid models to vehicle crash simulation. Int. J. Crashworthiness 2011, 16, 195-205.
• Pawlus, W.; Robbersmyr, K.G.; Karimi, H.R. Mathematical modeling and parameters estimation of a car crash using data-based regressive model approach. Appl. Math. Model. 2011, 35, 5091-5107.

タイトルに関連する用語 (4件)： リカレントニューラルネットワーク ,  交通事故 ,  重症度 ,  予測