論文の概要: Smarter Parking: Using AI to Identify Parking Inefficiencies in Vancouver

• arxiv url: http://arxiv.org/abs/2003.09761v1
• Date: Sat, 21 Mar 2020 22:34:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 12:50:19.459433
• Title: Smarter Parking: Using AI to Identify Parking Inefficiencies in Vancouver
• Title（参考訳）: よりスマートな駐車: バンクーバーの駐車効率の低下をAIで識別する
• Authors: Devon Graham, Satish Kumar Sarraf, Taylor Lundy, Ali MohammadMehr, Sara Uppal, Tae Yoon Lee, Hedayat Zarkoob, Scott Duke Kominers, Kevin Leyton-Brown
• Abstract要約: 路上駐車は便利だが、多くの欠点がある。 スポットを探しているドライバーは、他の道路利用者よりも気を散らし、駐車中の車から出る人はサイクリストに危険をもたらす。 オフロード駐車場が近くにあり、余剰の容量がある場合、社会費は払えないかもしれない。
• 参考スコア（独自算出の注目度）: 10.321622301471493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: On-street parking is convenient, but has many disadvantages: on-street spots come at the expense of other road uses such as traffic lanes, transit lanes, bike lanes, or parklets; drivers looking for parking contribute substantially to traffic congestion and hence to greenhouse gas emissions; safety is reduced both due to the fact that drivers looking for spots are more distracted than other road users and that people exiting parked cars pose a risk to cyclists. These social costs may not be worth paying when off-street parking lots are nearby and have surplus capacity. To see where this might be true in downtown Vancouver, we used artificial intelligence techniques to estimate the amount of time it would take drivers to both park on and off street for destinations throughout the city. For on-street parking, we developed (1) a deep-learning model of block-by-block parking availability based on data from parking meters and audits and (2) a computational simulation of drivers searching for an on-street spot. For off-street parking, we developed a computational simulation of the time it would take drivers drive from their original destination to the nearest city-owned off-street lot and then to queue for a spot based on traffic and lot occupancy data. Finally, in both cases we also computed the time it would take the driver to walk from their parking spot to their original destination. We compared these time estimates for destinations in each block of Vancouver's downtown core and each hour of the day. We found many areas where off street would actually save drivers time over searching the streets for a spot, and many more where the time cost for parking off street was small. The identification of such areas provides an opportunity for the city to repurpose valuable curbside space for community-friendly uses more in line with its transportation goals.
• Abstract（参考訳）: 路上の駐車は便利だが、多くの欠点がある: 路上のスポットは、交通車線、交通車線、自転車道、パークレットなどの他の道路利用の犠牲になる; 駐車場を探しているドライバーは、交通渋滞と温室効果ガス排出に大きく寄与する; 安全は、スポットを探しているドライバーが他の道路利用者よりも注意をそらすこと、駐車中の車を降りる人がサイクリストに危険をもたらすことによる。 これらの社会的コストは、路上駐車場が近く、余剰容量があるときに支払う価値はないかもしれない。 バンクーバーのダウンタウンでそれがどこにあるかを調べるために、私たちは人工知能技術を使って、市内の目的地に駐車するドライバーの駐車時間と出発時間の両方を見積もった。 路上駐車において,(1)駐車メーターと監査データに基づくブロック・バイ・ブロック駐車の深層学習モデルを構築し,(2)路上駐車を探索するドライバーのシミュレーションを行った。 オフストリート駐車場では,運転者が元の目的地から最寄りの市営オフストリートロットまで運転する時間を計算シミュレーションし,交通量や交通量に基づく場所の待ち行列を作成した。 最後に、どちらのケースでも、ドライバーが駐車場から元の目的地まで歩くのにかかる時間を計算しました。 バンクーバーの中心街の中心部の各ブロックと1日の各時間における目的地の時間推定を比較した。 私たちは、オフ・ストリートが街路の捜索よりもドライバーの時間を節約する多くのエリアを見つけ、さらに、オフ・ストリートの駐車にかかる時間コストが小さい場所を見つけました。 このような地域を特定することで、市はその交通目的に合わせて、コミュニティフレンドリーな用途に価値ある縁地を再利用できる。

関連論文リスト

• Crowdsourced reviews reveal substantial disparities in public perceptions of parking [2.3034861262968453]
  本研究は,全米の駐車場に対する一般の認識を調査するため,費用対効果が高く,広くアクセス可能なデータソースであるクラウドソースオンラインレビューを紹介した。 Google Mapsから得られた911のコアベース統計領域(CBSA)を対象に,駐車関連レビュー4,987,483件のPOI(1,129,460点)について検討した。 POI型とCBSA型にまたがるパーキング感の顕著な変化がみられ,レストランPOIは最もネガティブな傾向を示した。
  論文  参考訳（メタデータ） (2024-07-06T15:17:17Z)
• Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
  On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。 我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
  論文  参考訳（メタデータ） (2024-06-30T04:21:46Z)
• Efficient Parking Search using Shared Fleet Data [2.0967973517861003]
  スマート環境における自由駐車場の発見は,マルコフ決定過程(MDP)としてモデル化し,解決することができる。 環境中の全ての車両の駐車意図を知ることは、不確実性を排除します。 本稿では,車両内のデータ共有が,特定のドライバーの検索時間にどの程度有用か,という課題について考察する。
  論文  参考訳（メタデータ） (2024-04-16T15:20:28Z)
• Truck Parking Usage Prediction with Decomposed Graph Neural Networks [15.291200515217513]
  貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。 正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。 本稿では地域時間グラフニューラルネットワーク(RegT-CN)を提案する。
  論文  参考訳（メタデータ） (2024-01-23T17:14:01Z)
• Prior Based Online Lane Graph Extraction from Single Onboard Camera Image [133.68032636906133]
  単眼カメラ画像からレーングラフをオンラインに推定する。 前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。 オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
  論文  参考訳（メタデータ） (2023-07-25T08:58:26Z)
• Deep learning based black spot identification on Greek road networks [52.77024349608834]
  時間的現象であるブラックスポットの識別には、地理的な位置と時間に基づく道路事故の発生の分析が含まれる。 この研究は、警察や政府発行の自動車事故レポートのデータを利用して、ギリシャの道路網の交通事故をブラックスポットの認識に焦点をあてた。
  論文  参考訳（メタデータ） (2023-06-19T07:08:30Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• Public Parking Spot Detection And Geo-localization Using Transfer Learning [0.0]
  世界中の都市では、公共駐車場と空き駐車場の配置が大きな問題であり、通勤者の時間と交通渋滞が増大している。 この研究は、携帯電話カメラからのGeo-Tagged画像のデータセットを、ニューラルネットワーク駆動のパブリックカメラによって検出された利用可能な駐車スペースを備えたヨハネスブルグの最も便利な公共駐車場へのナビゲートに利用する方法を説明する。
  論文  参考訳（メタデータ） (2022-09-01T04:09:51Z)
• Parking Analytics Framework using Deep Learning [1.4146420810689422]
  本稿では,自動車の駐車状況をリアルタイムで把握し,その利用状況を分析する手法を提案する。 このソリューションは、画像解析とディープラーニング技術の組み合わせに基づいている。
  論文  参考訳（メタデータ） (2022-03-15T11:16:59Z)
• Universal Embeddings for Spatio-Temporal Tagging of Self-Driving Logs [72.67604044776662]
  我々は、生のセンサデータから、自動運転シーンの時間的タグ付けの問題に取り組む。 提案手法では,全てのタグに対する普遍的な埋め込みを学習し,多くの属性を効率的にタグ付けし,限られたデータで新しい属性を高速に学習する。
  論文  参考訳（メタデータ） (2020-11-12T02:18:16Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)

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。