[論文レビュー] Quantile-Physics Hybrid Framework for Safe-Speed Recommendation under Diverse Weather Conditions Leveraging Connected Vehicle and Road Weather Information Systems Data

Wen Zhang, Adel W. Sadek+1 more|arXiv (Cornell University)|Feb 4, 2026

Traffic and Road Safety被引用数 0

ひとこと要約

ハイブリッド予測フレームワークは物理ベースの安全限界を用いたQuantile Regression Forestsを用いて、Buffalo, NYのCVとRWISデータを活用し、多様な天候下でリアルタイムの安全な速度区間を推奨する。

ABSTRACT

Inclement weather conditions can significantly impact driver visibility and tire-road surface friction, requiring adjusted safe driving speeds to reduce crash risk. This study proposes a hybrid predictive framework that recommends real-time safe speed intervals for freeway travel under diverse weather conditions. Leveraging high-resolution Connected Vehicle (CV) data and Road Weather Information System (RWIS) data collected in Buffalo, NY, from 2022 to 2023, we construct a spatiotemporally aligned dataset containing over 6.6 million records across 73 days. The core model employs Quantile Regression Forests (QRF) to estimate vehicle speed distributions in 10-minute windows, using 26 input features that capture meteorological, pavement, and temporal conditions. To enforce safety constraints, a physics-based upper speed limit is computed for each interval based on real-time road grip and visibility, ensuring that vehicles can safely stop within their sight distance. The final recommended interval fuses QRF-predicted quantiles with both posted speed limits and the physics-derived upper bound. Experimental results demonstrate strong predictive performance: the QRF model achieves a mean absolute error of 1.55 mph, with 96.43% of median speed predictions within 5 mph, a PICP (50%) of 48.55%, and robust generalization across weather types. The model's ability to respond to changing weather conditions and generalize across road segments shows promise for real-world deployment, thereby improving traffic safety and reducing weather-related crashes.

研究の動機と目的

• 悪天候下での安全速度推奨を動機づけ、衝突リスクを低減する。
• 高解像度のCVとRWISデータを活用して73日分・660万件の時空間データセットを構築する。
• 天候・路面条件下で速度分布と安全区間を出力する予測モデルを開発する。
• グリップと視距から導出される物理ベースの上限速度で安全性を確保する。

提案手法

• 速度分布を推定するためにQuantile Regression Forests (QRF)を訓練し、26の気象・舗装・時間特徴を組み込んだ10分間のウィンドウを対象とする。
• 実時の路面グリップと視認性を用いて各区間の物理ベースの上限速度を算出し、 sight distance内の安全停止を保証する。
• QRF予測の分位数と掲示速度制限および物理由来の上限値を統合して最終的な安全速度区間を形成する。
• 多様な天候タイプにわたる予測精度（MAE）とカバレッジ指標（PICP）でモデル性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 QRFは高解像度CVとRWISデータを用いて多様な気象条件下で速度分布を正確に推定できるか？
• RQ2 グリップと視認性に基づく物理ベースの上限値は推奨速度を安全のために意味深く制約するか？

主な発見

• QRFモデルは平均絶対誤差（MAE）1.55 mphを達成。
• 中央値速度予測の96.43%が真の中央値から5 mph以内に収まる。
• PICP（50%）は48.55%に達し、区間カバレージは良好だが完璧ではないことを示す。
• アプローチは天候タイプおよび路面区分全体で良好に一般化する。