文献

J-GLOBAL ID：202202223864976297   整理番号：22A1086956

自動交通事故検出:不均衡および小データセットによる対処【JST・京大機械翻訳】

Automated Traffic Incident Detection: Coping With Imbalanced and Small Datasets

著者 (3件)： Xie Tian (School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo, China) ,  Shang Qiang (School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo, China) ,  Yu Yang (School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo, China)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 35521-35540  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 自動事故検出(AID)は常に輸送分野における焦点課題の1つである。しかし,交通事故の偶発性とランダム性のため,交通事故サンプルは不十分であり,非事故サンプルよりはるかに少ない。したがって,大規模深層ネットワークを用いた他のシナリオとは異なり,交通事故検出は,小型で不均衡なサンプルサイズで対処する。不均衡で,小さなサンプルデータセット,不適切で不完全な初期変数セットは,AIDモデルを事故サンプルに鈍感にし,不十分なモデル性能(低い検出率または高い誤警報率)をもたらす。したがって,ハイブリッドAID法(SASYNO-RF-RSKNN)を自己適応合成オーバーサンプリング,ランダムフォレストおよびランダム部分空間k最近傍を用いて提案した。最初に,初期変数の比較的完全なセットを構築するために,適切な初期変数の選択のために,交通流の空間的-時間的およびリアルタイム特性を使用した。第2に,SASYNOオーバーサンプリング法を用いて,元の不均衡サンプルデータベースを拡張し,少数クラスサンプルの数が多くのクラスサンプルの数と一致するようにした。次に,RFアルゴリズムを用いて初期変数から特徴変数を選択した。最後に,入力として特徴変数を有するRSKNNアンサンブルアルゴリズムを採用して,トラフィック事故を検出した。さらに,6つの指数を用いて,精度(ACC),誤り警報率(FAR),検出率(DR),精度,Matthews相関係数(MCC)およびF1スコアを含むモデル性能を評価した。同時に,水平および垂直コントラスト実験も設計し,実験結果は,SASYNO-RF-RSKNNモデルが優れた性能を持つことを示した。実験を2つの実世界データセットに実装する価値がある。提案モデルのほとんどの指標は他の5つの優れた機械学習アルゴリズムと比較して最良である。全体として,提案モデルは,交通事故検出に対して信頼できる高性能を有する。Copyright 2022 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 ,  コントラスト ,  ネットワーク ,  実験 ,  交通流 ,  相関係数 ,  サンプルの大きさ ,  *交通事故 ,  コンティンジェンシー ,  学習アルゴリズム
準シソーラス用語： オーバサンプリング ,  部分空間 ,  誤警報 ,  検出率 ,  ランダムフォレスト , 【Automatic Indexing@JST】

分類 (4件)： パターン認識  (JE07000S) ,  信号理論  (ND02020G) ,  人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 交通 ,  事故検出 ,  均衡 ,  データセット ,  対処