論文の概要: QTIP: Quick simulation-based adaptation of Traffic model per Incident
Parameters
- arxiv url: http://arxiv.org/abs/2003.04109v1
- Date: Mon, 9 Mar 2020 13:07:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 08:24:00.334045
- Title: QTIP: Quick simulation-based adaptation of Traffic model per Incident
Parameters
- Title(参考訳): QTIP:クイックシミュレーションに基づくインシデントパラメータごとの交通モデルの適応
- Authors: Inon Peled, Raghuveer Kamalakar, Carlos Lima Azevedo, Francisco C.
Pereira
- Abstract要約: QTIP(QTIP)は,交通の破壊に伴う予測モデルの適応のためのシミュレーションベースのフレームワークである。
QTIPは、影響を受ける道路のリアルタイムシミュレーションを複数のシナリオで実行し、結果を分析し、通常の予測モデルの変更を提案する。
デンマークの高速道路のケーススタディにおいて,QTIPを実験したところ,QTIPは道路事故発生最初の臨界時間において,交通予測を改善することができることがわかった。
- 参考スコア(独自算出の注目度): 6.59529078336196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current data-driven traffic prediction models are usually trained with large
datasets, e.g. several months of speeds and flows. Such models provide very
good fit for ordinary road conditions, but often fail just when they are most
needed: when traffic suffers a sudden and significant disruption, such as a
road incident. In this work, we describe QTIP: a simulation-based framework for
quasi-instantaneous adaptation of prediction models upon traffic disruption. In
a nutshell, QTIP performs real-time simulations of the affected road for
multiple scenarios, analyzes the results, and suggests a change to an ordinary
prediction model accordingly. QTIP constructs the simulated scenarios per
properties of the incident, as conveyed by immediate distress signals from
affected vehicles. Such real-time signals are provided by In-Vehicle Monitor
Systems, which are becoming increasingly prevalent world-wide. We experiment
QTIP in a case study of a Danish motorway, and the results show that QTIP can
improve traffic prediction in the first critical minutes of road incidents.
- Abstract(参考訳): 現在のデータ駆動トラフィック予測モデルは、通常、数ヶ月のスピードやフローなど、大きなデータセットでトレーニングされる。
このようなモデルは、通常の道路状況に非常に適合するが、最も必要な時にしばしば失敗する: 道路事故のような突然で重大な混乱に苦しむ場合。
本稿では,交通破壊に対する予測モデルの準瞬時適応のためのシミュレーションベースのフレームワークQTIPについて述べる。
簡単に言えば、QTIPは影響を受ける道路のリアルタイムシミュレーションを行い、その結果を分析し、通常の予測モデルの変更を提案する。
QTIPは、影響を受けた車両からの即時救難信号によって伝達される、インシデントの性質ごとのシミュレーションシナリオを構築する。
このようなリアルタイム信号は車載監視システムによって提供され、世界中で広く普及している。
デンマークの高速道路のケーススタディにおいて,QTIPを実験したところ,QTIPは道路事故発生最初の臨界時間において交通予測を改善することができることがわかった。
関連論文リスト
- BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。
本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。
本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文 参考訳(メタデータ) (2024-03-08T04:19:56Z) - An Application of Vector Autoregressive Model for Analyzing the Impact
of Weather And Nearby Traffic Flow On The Traffic Volume [0.0]
本稿では,付近の交通量と気象条件に基づいて,ある道路区間における交通流を予測することを目的とする。
また,気象条件や付近の交通量が目標地点の交通量に与える影響も確認した。
論文 参考訳(メタデータ) (2023-11-12T16:45:29Z) - Leveraging Neo4j and deep learning for traffic congestion simulation &
optimization [0.0]
渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。
また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
論文 参考訳(メタデータ) (2023-04-01T01:23:10Z) - 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) - 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) - Traffic-Twitter Transformer: A Nature Language Processing-joined
Framework For Network-wide Traffic Forecasting [14.71745498591372]
本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。
まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。
次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
論文 参考訳(メタデータ) (2022-06-19T20:17:15Z) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳(メタデータ) (2022-03-21T06:38:34Z) - 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) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - 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)
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。