論文の概要: Traffic Data Imputation using Deep Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2002.04406v1
- Date: Tue, 21 Jan 2020 12:52:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 23:44:16.076759
- Title: Traffic Data Imputation using Deep Convolutional Neural Networks
- Title(参考訳): 深部畳み込みニューラルネットワークを用いた交通データ計算
- Authors: Ouafa Benkraouda, Bilal Thonnam Thodi, Hwasoo Yeo, Monica Menendez,
and Saif Eddin Jabari
- Abstract要約: 我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。
提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
- 参考スコア(独自算出の注目度): 2.7647400328727256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a statistical learning-based traffic speed estimation method that
uses sparse vehicle trajectory information. Using a convolutional
encoder-decoder based architecture, we show that a well trained neural network
can learn spatio-temporal traffic speed dynamics from time-space diagrams. We
demonstrate this for a homogeneous road section using simulated vehicle
trajectories and then validate it using real-world data from NGSIM. Our results
show that with probe vehicle penetration levels as low as 5\%, the proposed
estimation method can provide a sound reconstruction of macroscopic traffic
speeds and reproduce realistic shockwave patterns, implying applicability in a
variety of traffic conditions. We further discuss the model's reconstruction
mechanisms and confirm its ability to differentiate various traffic behaviors
such as congested and free-flow traffic states, transition dynamics, and
shockwave propagation.
- Abstract(参考訳): スパース車軌道情報を用いた統計的学習に基づく交通速度推定手法を提案する。
畳み込みエンコーダ-デコーダベースのアーキテクチャを用いて,よく訓練されたニューラルネットワークが時空間図から時空間的トラフィック速度ダイナミクスを学習できることを示す。
シミュレーション車両軌道を用いた同種道路断面の実証を行い,NGSIMによる実世界データを用いて検証した。
提案手法は, プローブ車両の浸透レベルが5\%以下であれば, マクロな交通速度を再現し, 現実的な衝撃波パターンを再現し, 様々な交通条件に適用可能であることを示す。
さらに, モデル再構成機構について考察し, 混雑・自由流交通状態, 遷移ダイナミクス, 衝撃波伝搬など, 様々な交通挙動を識別する能力を確認した。
関連論文リスト
- A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳(メタデータ) (2024-03-11T16:42:29Z) - Traffic Volume Prediction using Memory-Based Recurrent Neural Networks:
A comparative analysis of LSTM and GRU [5.320087179174425]
我々は、リアルタイムにトラフィック量を予測するための非線形メモリベースディープニューラルネットワークモデルを開発した。
本実験は,高ダイナミックかつ異種交通環境における交通量予測における提案モデルの有効性を実証するものである。
論文 参考訳(メタデータ) (2023-03-22T15:25:07Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳(メタデータ) (2023-03-07T18:28:41Z) - Traffic State Estimation from Vehicle Trajectories with Anisotropic Gaussian Processes [21.13555047611666]
本稿では,標準等方性GPカーネルを異方性カーネルに変換するカーネル回転再パラメータ化方式を提案する。
また、複数のレーンの交通状態を同時に推定できるマルチアウトプットGPへのアプローチも拡張しています。
連結車両(CV)と人間駆動車両(HV)の混合交通について検討し,交通状態推定(TSE)方式を5%から50%まで実験した。
論文 参考訳(メタデータ) (2023-03-04T03:59:17Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - 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) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳(メタデータ) (2021-09-29T07:51:49Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳(メタデータ) (2021-09-16T13:10:27Z) - Learning Traffic Speed Dynamics from Visualizations [3.0969191504482243]
時空の可視化からマクロ交通速度のダイナミクスを学習する深層学習法を提案する。
既存の推定手法と比較して,より詳細な推定解決が可能となる。
次世代シミュレーションプログラム(NGSIM)とドイツ高速道路(HighD)のデータセットから得られたデータを用いて,高速道路区間の高分解能交通速度場を推定した。
論文 参考訳(メタデータ) (2021-05-04T11:17:43Z) - Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural
Network [6.065344547161387]
本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。
提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
論文 参考訳(メタデータ) (2021-02-24T05:02:19Z) - Incorporating Kinematic Wave Theory into a Deep Learning Method for
High-Resolution Traffic Speed Estimation [3.0969191504482243]
本研究では, 波動に基づく深部畳み込みニューラルネットワーク(Deep CNN)を提案し, スパースプローブ車両軌道から高分解能交通速度のダイナミクスを推定する。
我々は,既存の学習に基づく推定手法の堅牢性を改善するために,運動波理論の原理を取り入れるための2つの重要なアプローチを導入する。
論文 参考訳(メタデータ) (2021-02-04T21:51:25Z)
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。