論文の概要: Grey Models for Short-Term Queue Length Predictions for Adaptive Traffic Signal Control

• arxiv url: http://arxiv.org/abs/1912.12676v1
• Date: Sun, 29 Dec 2019 15:33:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-17 07:36:47.298213
• Title: Grey Models for Short-Term Queue Length Predictions for Adaptive Traffic Signal Control
• Title（参考訳）: 適応的交通信号制御のための短期待ち行列長予測のためのグレイモデル
• Authors: Gurcan Comert, Zadid Khan, Mizanur Rahman, Mashrur Chowdhury
• Abstract要約: 待ち行列長のリアルタイム予測は、ASCSとの交点における異なる動きの拍子やタイミングを調整するのに利用できる。 本研究の目的は,ASCSで活用可能な信号化交差点の待ち時間予測モデルを開発することである。 サウスカロライナ州レキシントンの道路ネットワーク上で,ASCSと交差する5つの交差点の待ち行列長データを用いたケーススタディを行った。
• 参考スコア（独自算出の注目度）: 9.880646813334812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic congestion at a signalized intersection greatly reduces the travel time reliability in urban areas. Adaptive signal control system (ASCS) is the most advanced traffic signal technology that regulates the signal phasing and timings considering the patterns in real-time in order to reduce congestion. Real-time prediction of queue lengths can be used to adjust the phasing and timings for different movements at an intersection with ASCS. The accuracy of the prediction varies based on the factors, such as the stochastic nature of the vehicle arrival rates, time of the day, weather and driver characteristics. In addition, accurate prediction for multilane, undersaturated and saturated traffic scenarios is challenging. Thus, the objective of this study is to develop queue length prediction models for signalized intersections that can be leveraged by ASCS using four variations of Grey systems: (i) the first order single variable Grey model (GM(1,1)); (ii) GM(1,1) with Fourier error corrections; (iii) the Grey Verhulst model (GVM), and (iv) GVM with Fourier error corrections. The efficacy of the GM is that they facilitate fast processing; as these models do not require a large amount of data; as would be needed in artificial intelligence models; and they are able to adapt to stochastic changes, unlike statistical models. We have conducted a case study using queue length data from five intersections with ASCS on a calibrated roadway network in Lexington, South Carolina. GM were compared with linear, nonlinear time series models, and long short-term memory (LSTM) neural network. Based on our analyses, we found that EGVM reduces the prediction error over closest competing models (i.e., LSTM and time series models) in predicting average and maximum queue lengths by 40% and 42%, respectively, in terms of Root Mean Squared Error, and 51% and 50%, respectively, in terms of Mean Absolute Error.
• Abstract（参考訳）: 信号交差点での交通渋滞は都市部の走行時間の信頼性を大幅に低下させる。 アダプティブ信号制御システム (ASCS) は, 渋滞を軽減するため, 信号の投射とタイミングをリアルタイムに考慮して制御する最も先進的な信号制御技術である。 待ち行列長のリアルタイム予測は、ASCSとの交点における異なる動きの拍子やタイミングを調整するのに利用できる。 予測の精度は、車両到着率の確率的性質、日時、天気、運転者の特性などによって異なる。 さらに, マルチレーン, 不飽和, 飽和交通シナリオの正確な予測は困難である。 そこで本研究の目的は,4種類のグレーシステムを用いてascで活用可能な信号化交差点の待ち行列長予測モデルを開発することである。 (i)一階単変数グレイモデル(GM(1,1)) (ii) フーリエ誤差補正付きgm(1,1) (三)GVM(Grey Verhulst Model)及び (4)フーリエ誤差補正付きGVM。 GMの有効性は、高速な処理を促進すること、これらのモデルが大量のデータを必要としないこと、人工知能モデルで必要とされること、統計モデルとは異なり確率的な変化に適応できることである。 サウスカロライナ州レキシントンの道路ネットワーク上でASCSと交差する5つの交差点の待ち行列長データを用いたケーススタディを行った。 GMは線形非線形時系列モデルと長い短期記憶(LSTM)ニューラルネットワークと比較した。 その結果, egvmは, 平均待ち行列長を40%, 最大待ち行列長を42%, 平均絶対誤差で51%, 50%の予測誤差を, 最接近モデル (lstmモデル, 時系列モデル) に対して, 予測誤差を40%, 最大待ち行列長を40%, 最大待ち行列長を42%減少させることがわかった。

関連論文リスト

• A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
  本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。 モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
  論文  参考訳（メタデータ） (2024-06-02T05:41:25Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
  シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。 モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
  論文  参考訳（メタデータ） (2022-11-13T06:32:28Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Deep Sequence Modeling for Anomalous ISP Traffic Prediction [3.689539481706835]
  異常交通予測のための異なるディープシーケンスモデルの性能について検討・評価を行った。 LSTM_Encoder_Decoder (LSTM_En_De) は我々の実験で最高の予測モデルである。
  論文  参考訳（メタデータ） (2022-05-03T17:01:45Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Travel time prediction for congested freeways with a dynamic linear model [10.965065178451104]
  非線形トラフィック状態を近似するために動的線形モデル(DLM)を提案する。 特に短期予測では,精度が著しく向上した。
  論文  参考訳（メタデータ） (2020-09-02T12:48:06Z)
• Predicting Coordinated Actuated Traffic Signal Change Times using LSTM Neural Networks [14.767495209601016]
  本研究は、4段階の長期記憶深層学習に基づく方法論を詳述し、合理的な切換時間推定を提供する。 モデルへの入力には、コントローラロジック、信号タイミングパラメータ、日時、検出器からのトラフィック状態、車両のアクティベーションデータ、歩行者のアクティベーションデータが含まれていた。 LSTMにおける平均二乗誤差,平均絶対誤差,平均相対誤差を含む各損失関数の比較解析を行い,新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2020-08-10T15:11:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。