Multisource Accident Datasets‐Driven Deep Learning‐Based Traffic Accident Portrait for Accident Reasoning
Notice bibliographique
Résumé
Traffic accident data‐based portrait plays a vital role in accident cause investigation, relationship reasoning, prevention, and control. The traffic accident data tend to be multisourced with increasingly hidden and complicated accident relationships. The existing reported research focus more on traffic drivers’ measurement of penalty, the relationship among drivers, cars, and dates, etc. How to use multisource data based on deep learning, especially based on the Chinese recent unstructured data and structured data to establish accident portrait for individual and groups of accident drivers, still lacks. Moreover, how to perform multisource accident data label extraction, identity, and relationship extraction are still challenging problems. This paper proposes a multisource accident datasets‐driven deep learning‐based traffic accident portrait method. Our multisource accident datasets‐driven deep learning model is composed of the following three submodels: (1) the structured data accident model using our accident feature‐driven bidirectional long short‐term memory (Bi‐LSTM) and accident feature‐driven bidirectional conditional random field (Bi‐CRF) model to extract labels, (2) the unstructured traffic accident data model using our accident feature‐driven piecewise convolutional neural network (PCNN) model to identify the extracted labels, and (3) the semistructured traffic accident data processing model. Moreover, to solve the problem of how to construct hidden relationship among the multisource accident data, a multisource accident data visualization method based on traffic accident knowledge graph where the accident relational inference algorithm is to complete the hidden relationship between traffic accident data labels is used and then data are visualized using the traffic accident knowledge graph. This paper uses the NER dataset of the People’s Daily and a manually labeled dataset to test the Bi‐LSTM + Bi‐CRF model, and it acquires the highest scores of 0.9562 and 0.9779 compared with several other models. This paper uses the DuIE dataset and a manually labeled dataset to test the PCNN model, and it acquires the highest scores of 0.9674 and 0.9108 compared with several other models. Experiments verified our model’s merits than other models in regards to accident label extraction, accident identity identification, and accident relationship extraction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».