再帰神経ネットワークによる交通事故の重症度予測

本論文では、マレーシアの南北高速道路（NSE）で2009年から2015年の6年間に発生した1130件の事故記録に基づいて、交通事故の負傷重症度を予測するために再帰神経ネットワーク（RNN）を用いた深層学習モデルを開発し、適用しました。従来のニューラルネットワーク（NN）と比較して、RNNの手法は時系列データに対してより効果的であり、交通事故記録間の時間的相関を捉えることが期待されます。負傷重症度を予測するための最適なネットワークを決定するために、いくつかのネットワークアーキテクチャと設定が系統的なグリッドサーチを通じてテストされました。選択されたネットワークアーキテクチャは、長短期記憶（LSTM）層、2つの全結合（密）層、ソフトマックス層で構成されました。次に、過剰適合を避けるために、確率0.3のドロップアウト手法が適用されました。さらに、ネットワークはTensorflowフレームワーク内で確率的勾配降下法（SGD）アルゴリズム（学習率= 0.01）を使用してトレーニングされました。RNNモデルの感度分析をさらに行い、これらの要因が負傷重症度の結果に与える影響を特定しました。また、提案されたRNNモデルは、多層パーセプトロン（MLP）およびベイズロジスティック回帰（BLR）モデルと比較され、その利点と制限を理解しました。比較分析の結果、RNNモデルはMLPおよびBLRモデルよりも優れた性能を示しました。RNNモデルの検証精度は71.77％で、一方MLPおよびBLRモデルはそれぞれ65.48％と58.30％を達成しました。本研究の結果は、深層学習フレームワークにおけるRNNモデルが交通事故の負傷重症度を予測するための有望なツールであることを示しています。