論文の概要: Short-Term Traffic Flow Prediction Using Variational LSTM Networks
- arxiv url: http://arxiv.org/abs/2002.07922v1
- Date: Tue, 18 Feb 2020 23:22:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 19:16:29.230302
- Title: Short-Term Traffic Flow Prediction Using Variational LSTM Networks
- Title(参考訳): 変動LSTMネットワークを用いた短期交通流予測
- Authors: Mehrdad Farahani, Marzieh Farahani, Mohammad Manthouri, Okyay Kaynak
- Abstract要約: 本研究では,歴史データに基づく深層学習手法を用いて交通流予測モデルを提案する。
2019年、カルトランス性能測定システム(PeMS)から6ヶ月間収集された歴史的データ。
提案した予測モデルは、短いVLSTM-Eにおける変分長短期記憶である。
- 参考スコア(独自算出の注目度): 3.2364716800671873
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Traffic flow characteristics are one of the most critical decision-making and
traffic policing factors in a region. Awareness of the predicted status of the
traffic flow has prime importance in traffic management and traffic information
divisions. The purpose of this research is to suggest a forecasting model for
traffic flow by using deep learning techniques based on historical data in the
Intelligent Transportation Systems area. The historical data collected from the
Caltrans Performance Measurement Systems (PeMS) for six months in 2019. The
proposed prediction model is a Variational Long Short-Term Memory Encoder in
brief VLSTM-E try to estimate the flow accurately in contrast to other
conventional methods. VLSTM-E can provide more reliable short-term traffic flow
by considering the distribution and missing values.
- Abstract(参考訳): 交通流動特性は、ある地域で最も重要な意思決定および交通警察の要因の1つである。
交通流の予測状態に対する認識は、交通管理と交通情報部門において最も重要なものである。
本研究の目的は,知的交通システムにおける歴史データに基づく深層学習技術を用いて,交通流の予測モデルを提案することである。
2019年、カルトランス性能測定システム(PeMS)から6ヶ月間収集された歴史的データ。
提案した予測モデルは,VLSTM-Eの変動長短期記憶エンコーダであり,他の従来の手法と比較して正確に流れを推定しようとする。
VLSTM-Eは、分散と欠落した値を考慮して、より信頼性の高い短期的トラフィックフローを提供できる。
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) - Newell's theory based feature transformations for spatio-temporal
traffic prediction [0.0]
本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。
この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。
私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
論文 参考訳(メタデータ) (2023-07-12T06:31:43Z) - A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic
Flow Forecasting [21.6456624219159]
トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。
本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。
提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
論文 参考訳(メタデータ) (2023-03-31T03:07:53Z) - 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) - 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) - Accurate non-stationary short-term traffic flow prediction method [0.0]
本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。
提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
論文 参考訳(メタデータ) (2022-05-01T17:11:34Z) - 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) - 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) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳(メタデータ) (2020-07-10T16:00:44Z) - Distributed Fine-Grained Traffic Speed Prediction for Large-Scale
Transportation Networks based on Automatic LSTM Customization and Sharing [0.27528170226206433]
DistPreは、大規模交通ネットワークのための分散きめ細かな交通速度予測スキームである。
D DistPreは、大規模な交通ネットワークにおいて、時間効率のLSTMカスタマイズと正確な交通速度予測を提供する。
論文 参考訳(メタデータ) (2020-05-10T21:24:23Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z)
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。