Mining traffic accident features by evolutionary fuzzy rules

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F13%3A86088868" target="_blank" >RIV/61989100:27240/13:86088868 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61989100:27740/13:86088868

Výsledek na webu

<a href="http://dx.doi.org/10.1109/CIVTS.2013.6612287" target="_blank" >http://dx.doi.org/10.1109/CIVTS.2013.6612287</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/CIVTS.2013.6612287" target="_blank" >10.1109/CIVTS.2013.6612287</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Mining traffic accident features by evolutionary fuzzy rules

Popis výsledku v původním jazyce

Traffic accidents represent a major problem threatening peoples lives, health, and property. Traffic behavior and driving in particular is a social and cultural phenomenon that exhibits significant differences across countries and regions. Therefore, traffic models developed in one country might not be suitable for other countries. Similarly, attributes of importance, dependencies, and patterns found in data describing traffic in one region might not be valid for other regions. All this makes traffic accident analysis and modelling a task suitable for data mining and machine learning approaches that develop models based on actual real-world data. In this study, we investigate a data set describing traffic accidents in Ethiopia and use a machine learning method based on artificial evolution and fuzzy systems to mine symbolic description of selected features of the data set.

Název v anglickém jazyce

Mining traffic accident features by evolutionary fuzzy rules

Popis výsledku anglicky

Traffic accidents represent a major problem threatening peoples lives, health, and property. Traffic behavior and driving in particular is a social and cultural phenomenon that exhibits significant differences across countries and regions. Therefore, traffic models developed in one country might not be suitable for other countries. Similarly, attributes of importance, dependencies, and patterns found in data describing traffic in one region might not be valid for other regions. All this makes traffic accident analysis and modelling a task suitable for data mining and machine learning approaches that develop models based on actual real-world data. In this study, we investigate a data set describing traffic accidents in Ethiopia and use a machine learning method based on artificial evolution and fuzzy systems to mine symbolic description of selected features of the data set.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 2013 IEEE Symposium on Computational Intelligence in Vehicles and Transportation Systems, CIVTS 2013 - 2013 IEEE Symposium Series on Computational Intelligence, SSCI 2013

ISBN

978-1-4673-5913-9

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

38-43

Název nakladatele

IEEE

Místo vydání

New York

Místo konání akce

Singapur

Datum konání akce

16. 5. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—