Detailergebnis zu DOK-Nr. 81269
Anwendung von Few-Shot Learning bei der Klassifizierung von Fußgängerunfällen (Orig. engl.: Applying few-shot learning in classifying pedestrian crash typing)
| Autoren |
Y. Weng S. Das S. German Paal |
|---|---|
| Sachgebiete |
1.4 Statistik (Straßen, Kfz, Unfälle) 5.6 Fußgängerverkehr, Fußwege, Fußgängerüberwege 6.2 Verkehrsberechnungen, Verkehrsmodelle |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2677, H. 8, 2023, S. 563-572, 3 B, 4 T, 28 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Fußgängerinnen und Fußgänger machen 23 % aller Verkehrstoten weltweit aus. Nachdem die Zahl der tödlichen Fußverkehrsunfälle drei Jahrzehnte lang rückläufig war, steigt sie in den Vereinigten Staaten wieder an. Mit 6 941 Todesfällen im Jahr 2020 ist dies die höchste Zahl seit mehr als zwei Jahrzehnten, was die Fortschritte auf dem Weg zu einem Verkehrssystem ohne Todesopfer behindert. Das "Pedestrian and Bicycle Crash Analysis Tool“ (PBCAT) wurde entwickelt, um die Handlungen der Beteiligten vor einem Unfall zu beschreiben, um die Abfolge der Ereignisse und die auslösenden Handlungen, die zu Unfällen zwischen Kraftfahrzeugen und dem Fuß- oder Radverkehr führen, besser zu definieren. Zweifellos beeinflussen die polizeilichen Unfalldaten die Entscheidungsprozesse in den Verkehrsbehörden. Anhand von Unfalldaten aus drei texanischen Großstädten (im Zeitraum von 2018 bis 2020) wurde in der Studie die Datenqualität von polizeilichen Unfallberichten über Verkehrsunfälle mit Fußverkehrsbeteiligung bewertet. Da die Typisierung dieser Unfälle viele Kategorien umfasst, reichen herkömmliche Algorithmen des maschinellen Lernens nicht aus, um das Klassifizierungsproblem aus narrativen Texten zu lösen. In der Studie wurde das "few-shot learning“ (FSL), ein fortschrittliches maschinelles Lernen, eingesetzt, um dieses Problem zu lösen. Unter Verwendung des Vorwissens, das aus fünf verschiedenen Unfalltypen gewonnen wurde, und einiger etikettierter Datenpunkte von drei unbekannten neuen Unfalltypen, erreichte das vorgeschlagene Modell eine Gesamtgenauigkeit von etwa 40 %. Außerdem wurden vier verschiedene Konfigurationen von Unfalltypen gebildet und getestet, was zeigt, dass das Modell robust ist.