[論文レビュー] Recent Advances in Traffic Accident Analysis and Prediction: A Comprehensive Review of Machine Learning Techniques

Noushin Behboudi, Sobhan Moosavi+1 more|arXiv (Cornell University)|Jun 20, 2024

Traffic Prediction and Management Techniques被引用数 9

ひとこと要約

この論文は交通事故分析と予測に関する191件のMLベース研究（2019–2024）をレビューし、リスク、頻度、深刻度、期間、統計分析を網羅します。

ABSTRACT

Traffic accidents pose a severe global public health issue, leading to 1.19 million fatalities annually, with the greatest impact on individuals aged 5 to 29 years old. This paper addresses the critical need for advanced predictive methods in road safety by conducting a comprehensive review of recent advancements in applying machine learning (ML) techniques to traffic accident analysis and prediction. It examines 191 studies from the last five years, focusing on predicting accident risk, frequency, severity, duration, as well as general statistical analysis of accident data. To our knowledge, this study is the first to provide such a comprehensive review, covering the state-of-the-art across a wide range of domains related to accident analysis and prediction. The review highlights the effectiveness of integrating diverse data sources and advanced ML techniques to improve prediction accuracy and handle the complexities of traffic data. By mapping the current landscape and identifying gaps in the literature, this study aims to guide future research towards significantly reducing traffic-related deaths and injuries by 2030, aligning with the World Health Organization (WHO) targets.

研究の動機と目的

• ML主導の交通事故分析と予測における最新の状態を評価する。
• 研究を事故リスク、頻度、深刻度、期間、統計分析の5カテゴリに分類する。
• 将来の研究を導くためのデータソース、方法論動向、およびギャップを特定する。
• 地理的およびデータソースの分布をマッピングしてデータの入手可能性と移行性を強調する。
• 研究を2030年までにWHOの道路安全目標と整合させるための推奨事項を提供する。

提案手法

• Google Scholar、ScienceDirect、IEEE Xplore、SpringerLink、Scopus（2019–2024）からの体系的文献収集。
• MLベースの事故分析タスクに焦点を当て、191件の関連研究をスクリーニング・フィルタリング。
• 研究をリスク、頻度、深刻度、期間、統計分析の5カテゴリーに分類。
• データソース、モデルタイプ（従来のMLとディープラーニング）、およびパフォーマンス上の考慮事項を統合。
• 手法の長所・短所および移行性を検討し、今後の研究方向を提案。

Figure 1 : An overview of global road traffic accident fatalities (2010 - 2023) according to the WHO reports ( [ 2 , 3 , 4 , 5 , 6 , 1 ] )

実験結果

リサーチクエスチョン

• RQ1 過去5年間で事故リスク、頻度、深刻度、期間予測に使用される主要なML手法は何か？
• RQ2 データソースとモデル選択は地域間の予測精度と移行性にどう影響するか？
• RQ3 交通事故分析の現在のMLアプローチにはどんなギャップがあり、道路安全アウトカムを改善するための推奨方向は何か？
• RQ4 統計モデリングとML手法は、事故データのパターン理解において互いをどのように補完するか？

主な発見

• ほとんどの研究は機械学習に依存しており、深層学習は最先端のトレンドとしてこれに継続して続いている。
• 複数ソースからのデータ統合は予測性能向上の重要な要因である。
• 公共データの利用可能性（米国、中国、英国、インド）は、世界的な事故頻度よりも地理的焦点を形作る。
• リスク、頻度、深刻度、期間について、ML手法は性能向上を示すが、データの不均衡や移行性の課題に直面している。
• 本レビューは2030年までにWHOの道路安全目標を達成するための実用的な推奨事項を提供する。

Figure 2 : Our Process to Collect and Summarize Relevant Research Articles