ハイブリッドVAE-Diffusion系生成ニューラルネットワークによる拡張多種類データに基づくクラッシュ頻度モデルの高度化
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2501.10017v2発表種別：差し替え
要旨：交通事故頻度モデルは、交通量、道路形状、環境条件などの要因が交通事故発生に及ぼす影響を分析する。予測の不正確さは、これらの要因に関する理解を歪め、誤った政策や資源の無駄遣いを招き、交通安全を危うくする。交通事故頻度モデリングにおける主要な課題は、報告不足、事故発生確率の低さ、高いデータ収集コストによって引き起こされる過剰なゼロ観測値の蔓延である。これらのゼロ観測値は、しばしばモデルの精度を低下させ、バイアスを導入し、安全に関する意思決定を複雑にする。統計的手法、データ集約、リサンプリングなどの既存のアプローチは、この問題に対処しようとしているが、制約的な仮定に依存するか、または重大な情報損失をもたらし、事故データを歪める。これらの限界を克服するために、ゼロ観測値を削減し、多様な種類の表形式の事故データ（計数、順序、名義、実数値変数）の複雑さを処理するように設計されたハイブリッドVAE-Diffusionニューラルネットワークを提案する。このモデルによって生成された合成データの質を、類似性、精度、多様性、構造的一貫性などの指標を通じて評価し、その予測性能を従来の統計モデルと比較する。その結果、ハイブリッドVAE-Diffusionモデルは、すべての指標においてベースラインモデルを上回り、事故データの拡張と事故頻度予測の精度向上のためのより効果的なアプローチを提供することを示している。本研究は、交通事故頻度モデリングの改善とより良い政策決定への情報提供による交通安全の向上における合成データの可能性を強調している。
原文（英語）を表示
Title (EN): Enhancing Crash Frequency Modeling Based on Augmented Multi-Type Data by Hybrid VAE-Diffusion-Based Generative Neural Networks
arXiv:2501.10017v2 Announce Type: replace
Abstract: Crash frequency modelling analyzes the impact of factors like traffic volume, road geometry, and environmental conditions on crash occurrences. Inaccurate predictions can distort our understanding of these factors, leading to misguided policies and wasted resources, which jeopardize traffic safety. A key challenge in crash frequency modelling is the prevalence of excessive zero observations, caused by underreporting, the low probability of crashes, and high data collection costs. These zero observations often reduce model accuracy and introduce bias, complicating safety decision making. While existing approaches, such as statistical methods, data aggregation, and resampling, attempt to address this issue, they either rely on restrictive assumptions or result in significant information loss, distorting crash data. To overcome these limitations, we propose a hybrid VAE-Diffusion neural network, designed to reduce zero observations and handle the complexities of multi-type tabular crash data (count, ordinal, nominal, and real-valued variables). We assess the synthetic data quality generated by this model through metrics like similarity, accuracy, diversity, and structural consistency, and compare its predictive performance against traditional statistical models. Our findings demonstrate that the hybrid VAE-Diffusion model outperforms baseline models across all metrics, offering a more effective approach to augmenting crash data and improving the accuracy of crash frequency predictions. This study highlights the potential of synthetic data to enhance traffic safety by improving crash frequency modelling and informing better policy decisions.
Published: 2025-09-24 19:00 UTC