論文の概要: Street-level Travel-time Estimation via Aggregated Uber Data

• arxiv url: http://arxiv.org/abs/2001.04533v1
• Date: Mon, 13 Jan 2020 21:14:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 22:21:47.308481
• Title: Street-level Travel-time Estimation via Aggregated Uber Data
• Title（参考訳）: 集約されたuberデータによる路上走行時間推定
• Authors: Kelsey Maass, Arun V Sathanur, Arif Khan, Robert Rallo
• Abstract要約: 都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。 本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
• 参考スコア（独自算出の注目度）: 2.838842554577539
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating temporal patterns in travel times along road segments in urban settings is of central importance to traffic engineers and city planners. In this work, we propose a methodology to leverage coarse-grained and aggregated travel time data to estimate the street-level travel times of a given metropolitan area. Our main focus is to estimate travel times along the arterial road segments where relevant data are often unavailable. The central idea of our approach is to leverage easy-to-obtain, aggregated data sets with broad spatial coverage, such as the data published by Uber Movement, as the fabric over which other expensive, fine-grained datasets, such as loop counter and probe data, can be overlaid. Our proposed methodology uses a graph representation of the road network and combines several techniques such as graph-based routing, trip sampling, graph sparsification, and least-squares optimization to estimate the street-level travel times. Using sampled trips and weighted shortest-path routing, we iteratively solve constrained least-squares problems to obtain the travel time estimates. We demonstrate our method on the Los Angeles metropolitan-area street network, where aggregated travel time data is available for trips between traffic analysis zones. Additionally, we present techniques to scale our approach via a novel graph pseudo-sparsification technique.
• Abstract（参考訳）: 都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。 本研究では,大都市圏の道路レベル移動時間を評価するために,粗粒度と集約された移動時間データを活用する手法を提案する。 我々の主な焦点は、しばしば関連するデータが利用できない幹線道路区間の走行時間を推定することである。 当社のアプローチの中心的な考え方は、uber movementが公開したデータのような、監視しやすい集約されたデータセットを、ループカウンタやプローブデータなど、他の高価なきめ細かいデータセットがオーバーレイ可能な布地として活用することにあります。 提案手法は,道路ネットワークのグラフ表現を用いて,グラフベースのルーティング,トリップサンプリング,グラフスペーシフィケーション,最小二乗最適化などの手法を組み合わせて,街路レベルの走行時間を推定する。 サンプルトリップと重み付き最短経路ルーティングを用いて,制約付き最小二乗問題を繰り返し解き,旅行時間の推定値を得る。 本手法をロサンゼルス大都市圏の街路ネットワークで実証し,交通分析ゾーン間を移動するためのトラヒックタイムデータを収集した。 さらに,新しいグラフ擬似分離手法を用いて,アプローチをスケールする手法を提案する。

関連論文リスト

• A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data [0.0]
  本研究では,機械学習アルゴリズムと実交通情報を組み合わせた都市移動性向上手法を提案する。 ニューヨーク市の黄色いタクシー旅行のデータを用いて,旅行時間と渋滞解析の予測モデルを構築した。 本研究は、高度データ駆動方式による都市渋滞の低減と交通効率の向上を目的とした継続的な取り組みに寄与する。
  論文  参考訳（メタデータ） (2024-10-07T16:16:49Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Traffic Prediction with Transfer Learning: A Mutual Information-based Approach [11.444576186559487]
  そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。 TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
  論文  参考訳（メタデータ） (2023-03-13T15:27:07Z)
• Multitask Weakly Supervised Learning for Origin Destination Travel Time Estimation [8.531695291898815]
  本論文は,道路網とOD旅行時間とを組み合わせて推定し始める。 現在の経路の共発生確率を最大化する新たな経路回復関数が提案されている。 我々は、Xi'anとChengduで、幅広い現実世界のタクシーのデータセットの実験を行っている。
  論文  参考訳（メタデータ） (2023-01-13T00:11:56Z)
• HTTE: A Hybrid Technique For Travel Time Estimation In Sparse Data Environments [4.711557349742932]
  本稿では, 歴史的, 希少な実時間軌道データを利用した旅行時間推定のための新しいハイブリッドアルゴリズムを提案する。 経路と出発時刻が与えられた場合、各道路区間間の履歴情報、実時間軌跡データ、相関を考慮に入れた旅行時間を推定する。
  論文  参考訳（メタデータ） (2023-01-12T21:07:14Z)
• 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)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• STAD: Spatio-Temporal Adjustment of Traffic-Oblivious Travel-Time Estimation [1.1731001328350983]
  本稿では,出先,目的地,出発時刻の形式で表現された旅行要求に対して,旅行時間推定を調節するシステムSTADを提案する。 STADは、機械学習とスパーストリップデータを使用して、基本的なルーティングエンジンの欠陥を学習する。 Doha、New York City、Portoの実際の旅行データセットの実験では、最初の2都市では14%、後者では29%の絶対誤差が減少している。
  論文  参考訳（メタデータ） (2020-06-08T09:47:55Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。