文献

J-GLOBAL ID：202202232635467224   整理番号：22A0321511

リアルタイム衝突予測モデルの空間-時間伝達性のための移動学習【JST・京大機械翻訳】

Transfer learning for spatio-temporal transferability of real-time crash prediction models

著者 (3件)： Man Cheuk Ki (School of Architecture, Building and Civil Engineering, Loughborough University, Loughborough LE11 3TU, United Kingdom.) ,  Quddus Mohammed (Centre for Transport Studies, Department of Civil and Environmental Engineering, Imperial College London, London, SW7 2AZ) ,  Theofilatos Athanasios (School of Architecture, Building and Civil Engineering, Loughborough University, Loughborough LE11 3TU, United Kingdom.)
資料名： Accident Analysis & Prevention  (Accident Analysis & Prevention)
巻： 165  ページ： Null  発行年： 2022年 
JST資料番号： D0828A  ISSN： 0001-4575  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： リアルタイム衝突予測は,統計的および機械学習(ML)モデルが,リアルタイムで交通事故を予測するために開発された,前向きな交通安全管理において,それらの潜在的用途を与える,非常に研究されている領域である。しかし,これらのモデルの応用に関連する基本的問題の一つは時空間移動性である。本論文は,極めて不均衡なデータ設定の下で,リアルタイム衝突予測モデルの移転可能性を調べるために,Generative Adversarial Network(GAN)と転送学習を結合することによって,この知識のギャップに対処することを試みた。最初に,ベースラインモデルを,2017年に英国のM1高速道路から収集した衝突と顕微鏡的交通データによる深層ニューラルネットワーク(DNN)を用いて開発した。ベースラインモデルに利用されたデータセットは,257の衝突事例と16,359,163の非衝突事例で自然に不均衡であった。データ不均衡問題を克服するために,Waserstein GAN(WGAN)を用いて合成事故データを生成した。非衝突データは,計算上の限界のため,ランダムにサンプリングされた。次に,キャリブレーションモデルを,移動学習を用いて,M1(2018),M4(2017&2018)およびM6自動車(別々に2017&2018)から得た5つの他のデータセットの交通事故を予測するために適用した。モデル移転性をスタンドアロンモデルおよびベースラインモデルからの直接移動と比較した。研究は,直接移動が実行可能でないことを明らかにした。しかし,移動学習が適用されるならば,モデルは時間的,空間的に,時空的に移動できる。移動モデルの予測可能性は,0.69~0.95の範囲の高い面積の曲線下面積(AUC)値の達成によって既存の研究より優れていた。最良の転送モデルは,閾値の調整によって,5%の誤警報率だけでほぼ95%の衝突を予測することができる。さらに,転送されたモデルの性能は,独立モデルよりも,またはより良い。本研究の知見は,移動学習が,将来の高度に移転可能なモデル開発において,交通技術者を助ける極めて不均衡な設定の下で,モデル移転性を改善できることを証明した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  交通安全 ,  自動車 ,  ネットワーク ,  高速道路 ,  交通事故 ,  *衝突 ,  交通 ,  機械学習 ,  予測可能性 ,  *予測モデル
準シソーラス用語： オーバサンプリング ,  交通データ ,  モデル開発 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 伝達性 ,  転移学習 ,  不均衡データ集合 ,  生成敵対ネットワーク ,  オーバーサンプリング

分類 (1件)： 自動車事故,交通安全  (TB01050G)

タイトルに関連する用語 (4件)： リアルタイム ,  衝突予測 ,  モデル ,  学習