Deep learning model for accident risk prediction
| Project/Area Number |
20K14851
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 22050:Civil engineering plan and transportation engineering-related
|
|---|
| Research Institution | Ehime University |
|---|
Principal Investigator |
Tsubota Takahiro 愛媛大学, 理工学研究科(工学系), 講師 (00780066)
|
|---|
| Project Period (FY) |
2020-04-01 – 2022-03-31
|
| Project Status |
Completed (Fiscal Year 2021)
|
| Budget Amount *help |
¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2021: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2020: ¥2,470,000 (Direct Cost: ¥1,900,000、Indirect Cost: ¥570,000)
|
|---|
| Keywords | Traffic accident / Traffic engineering / Deep learning / 畳込みニューラルネットワーク / Accident prediction / Accident Risk / Deep Learning / 畳込ニューラルネットワーク / Traffic Safety / 交通事故リスク / 深層学習 / 高速道路 / 交通マネジメント / ビッグデータ |
|---|
| Outline of Research at the Start |
本研究では，動的に変動する事故リスクを考慮した交通マネジメントの実装を念頭に，交通事故リスクをリアルタイムに評価可能なディープラーニングモデルを構築するとともに，同モデルの有効性を実ネットワークにおいて検証する．具体的には，都市内，および都市間高速道路を対象とし，交通流観測データや天候データ，ならびに事故データ等を長期間蓄積したビッグデータを活用して研究を遂行する．2020年度は交通工学の知見を援用しつつ，交通事故発生リスク推定モデルの構築に有効な変数の選択，および同モデルの構築に取り組む．2021年度には実道路ネットワークの実交通流を対象に，構築したモデルの推定精度を検証する．
|
| Outline of Final Research Achievements |
This study aims to build a traffic accident risk prediction model using a deep learning model and to identify input data that can contribute to improving the prediction accuracy of the model. A near-future traffic accident risk prediction model was built for an intercity expressway. The model is based on a convolutional neural network, and speed, traffic volume, and time occupancy (OCC) of vehicle detectors were used as inputs. In order to examine the impact of the quality of the input data, an analysis was conducted considering the time-varying components of the traffic conditions. The results showed that the time-varying components of traffic volume and OCC were effective in improving forecast accuracy. It was also confirmed that the output of the constructed model was generally consistent with the actual accident probability.
|
| Academic Significance and Societal Importance of the Research Achievements |
交通事故は物的・人的に多大な損失をもたらす為、事故の起こりやすさ、すなわち事故リスクを予測し、ドライバーへの情報提供や交通対策により事故の発生を未然に防ぐことが重要となる。本研究で構築した事故リスク予測モデルは近未来の事故リスクを高精度に予測する為、事故リスク低減を目指した交通管制に活用可能であると期待される。また、深層学習モデルの精度向上において、交通工学分野の知見が有用であることを示した点においても、同分野におけるAI技術の活用において重要な示唆を与えたといえる。
|
Report
(3 results)
Research Products
(7 results)
