Interpretable Traffic Event Analysis with Bayesian Networks

要約

交通事故分析のための既存の機械学習ベースの方法は、下流のタスクに高品質の結果を提供できますが、この重大な問題にとって重要な解釈可能性に欠けています。
この論文は、交通事故予測のためのベイジアンネットワークに基づく解釈可能なフレームワークを提案します。
解釈を容易にするために、重要な交通データ情報を保持しながら、交通データをフレームワークにフィードするデータセット構築パイプラインを設計します。
具体的なケーススタディを使用すると、私たちのフレームワークは、米国全土の天候と交通事象の因果関係に基づいたデータセットからベイジアン ネットワークを導き出すことができます。
その結果、私たちのフレームワークは、さまざまな条件下で交通事故の確率がどのように変化するかを調べながら、競争力のある精度で交通事故を予測することを可能にし、交通と気象現象の間の透明な関係を示します。
さらに、ネットワークの視覚化により、さまざまな変数間の関係の分析が簡素化され、交通事故の主な原因が明らかになり、最終的には交通事故を減らすための貴重な参考資料が提供されます。

要約(オリジナル)

Although existing machine learning-based methods for traffic accident analysis can provide good quality results to downstream tasks, they lack interpretability which is crucial for this critical problem. This paper proposes an interpretable framework based on Bayesian Networks for traffic accident prediction. To enable the ease of interpretability, we design a dataset construction pipeline to feed the traffic data into the framework while retaining the essential traffic data information. With a concrete case study, our framework can derive a Bayesian Network from a dataset based on the causal relationships between weather and traffic events across the United States. Consequently, our framework enables the prediction of traffic accidents with competitive accuracy while examining how the probability of these events changes under different conditions, thus illustrating transparent relationships between traffic and weather events. Additionally, the visualization of the network simplifies the analysis of relationships between different variables, revealing the primary causes of traffic accidents and ultimately providing a valuable reference for reducing traffic accidents.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google