論文の概要: Modeling Spontaneous Exit Choices in Intercity Expressway Traffic with
Quantum Walk
- arxiv url: http://arxiv.org/abs/2003.03032v1
- Date: Fri, 6 Mar 2020 05:03:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 09:08:11.083251
- Title: Modeling Spontaneous Exit Choices in Intercity Expressway Traffic with
Quantum Walk
- Title（参考訳）: 量子ウォークを用いた都市間高速道路交通における自然出口選択のモデル化
- Authors: Zhaoyuan Yu, Xinxin Zhou, Xu Hu, Wen Luo, Linwang Yuan, and A-Xing Zhu
- Abstract要約: 本研究では,自発出口選択による交通変動をモデル化したSQTM(Spontaneous Quantum Traffic Model)を開発した。
我々は,東中国の南京-昌州高速道路からの7つの出口からの時間毎の交通データを用いて,本モデルを検証した。
従来のランダムウォークARMAモデルと比較して、決定係数は21.28%から104.98%に増加し、相対平均二乗誤差は11.61%から32.92%に減少した。
- 参考スコア（独自算出の注目度）: 2.8203012383355803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In intercity expressway traffic, a driver frequently makes decisions to
adjust driving behavior according to time, location and traffic conditions,
which further affects when and where the driver will leave away from the
expressway traffic. Spontaneous exit choices by drivers are hard to observe and
thus it is a challenge to model intercity expressway traffic sufficiently. In
this paper, we developed a Spontaneous Quantum Traffic Model (SQTM), which
models the stochastic traffic fluctuation caused by spontaneous exit choices
and the residual regularity fluctuation with Quantum Walk and Autoregressive
Moving Average model (ARMA), respectively. SQTM considers the spontaneous exit
choice of a driver as a quantum stochastic process with a dynamical probability
function varies according to time, location and traffic conditions. A quantum
walk is applied to update the probability function, which simulates when and
where a driver will leave the traffic affected by spontaneous exit choices. We
validate our model with hourly traffic data from 7 exits from the
Nanjing-Changzhou expressway in Eastern China. For the 7 exits, the
coefficients of determination of SQTM ranged from 0.5 to 0.85. Compared with
classical random walk and ARMA model, the coefficients of determination were
increased by 21.28% to 104.98%, and relative mean square error decreased by
11.61% to 32.92%. We conclude that SQTM provides new potential for modeling
traffic dynamics with consideration of unobservable spontaneous driver's
decision-making.
- Abstract（参考訳）: 都市間高速道路交通において、運転者は、時間、場所、交通状況に応じて運転行動を調整する決定を下すことが多い。
ドライバーによる自発的な出口選択は観察が難しいため、都市間高速道路交通を十分にモデル化することが課題である。
本稿では,自発出口選択による確率的トラフィック変動と,量子ウォークと自己回帰移動平均モデル(ARMA)による残留規則性変動をモデル化したSQTM(Spontaneous Quantum Traffic Model)を開発した。
SQTMは、ドライバーの自発的な出口選択を、時間、位置、交通条件に応じて動的確率関数を持つ量子確率過程とみなす。
量子ウォークを適用して確率関数を更新する。これは運転者が自発的な出口選択の影響でトラフィックを離れるタイミングと場所をシミュレートする。
我々は,東中国の南京-昌州高速道路からの7つの出口からの時間交通データを用いて,本モデルを検証した。
7出口ではSQTMの判定係数は0.5から0.85の範囲であった。
従来のランダムウォークやARMAモデルと比較して、決定係数は21.28%から104.98%に増加し、相対平均二乗誤差は11.61%から32.92%に減少した。
我々は、SQTMは、観測不能な自発運転者の意思決定を考慮した交通力学のモデリングに新たな可能性をもたらすと結論付けた。
関連論文リスト
- Investigating Personalized Driving Behaviors in Dilemma Zones: Analysis and Prediction of Stop-or-Go Decisions [15.786599260846057]
我々は、個々のドライバーの停止決定を予測できるパーソナライズされたトランスフォーマーを開発した。
その結果、パーソナライズされたトランスフォーマーは、ジレンマゾーンにおけるドライバーの意思決定を3.7%から12.6%の精度で予測できることがわかった。
論文 参考訳（メタデータ） (2024-05-06T21:39:25Z) - ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。
ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
論文 参考訳（メタデータ） (2024-04-22T03:35:19Z) - Traffic Light Control with Reinforcement Learning [0.0]
本稿では,ディープラーニングを用いたリアルタイム交通信号制御手法を提案する。
キューの長さ、遅延、移動時間、スループットを考慮した報酬関数が組み込まれている。
モデルは現在の交通条件に基づいて動的に位相変化を決定する。
論文 参考訳（メタデータ） (2023-08-28T04:29:49Z) - Uncertainty Quantification for Image-based Traffic Prediction across
Cities [63.136794104678025]
不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。
複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。
モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
論文 参考訳（メタデータ） (2023-08-11T13:35:52Z) - iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed
Multi-Agent Reinforcement Learning [57.24340061741223]
本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。
インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
論文 参考訳（メタデータ） (2023-06-09T20:12:02Z) - Prediction Based Decision Making for Autonomous Highway Driving [3.6818636539023175]
本稿では,予測に基づく深層強化学習(Deep Reinforcement Learning, PDRL)意思決定モデルを提案する。
高速道路運転の意思決定プロセスにおいて、周囲の車両の操作意図を考慮に入れている。
その結果,提案したPDRLモデルでは,衝突数を減少させることで,Deep Reinforcement Learning (DRL)モデルと比較して意思決定性能が向上することがわかった。
論文 参考訳（メタデータ） (2022-09-05T19:28:30Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z) - Lane Change Decision-Making through Deep Reinforcement Learning [0.0]
レーン変更の決定には、Deep Q-Networkとルールベースの制約を使用します。
高レベルの側方決定と低レベルの規則に基づく軌道監視を組み合わせることで、安全かつ効率的な車線変更挙動を得ることができる。
論文 参考訳（メタデータ） (2021-12-24T01:36:15Z) - Calibration of Human Driving Behavior and Preference Using Naturalistic
Traffic Data [5.926030548326619]
自然トラフィックデータからドライバの好みを推定するためにモデルをどのように反転させることができるかを示す。
我々のアプローチの際立った利点は、計算負担を大幅に削減することである。
論文 参考訳（メタデータ） (2021-05-05T01:20:03Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z) - 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。