Fugu-MT 論文翻訳(概要): Neural Networks Model for Travel Time Prediction Based on ODTravel Time Matrix

論文の概要: Neural Networks Model for Travel Time Prediction Based on ODTravel Time Matrix

arxiv url: http://arxiv.org/abs/2004.04030v1
Date: Wed, 8 Apr 2020 15:01:13 GMT
ステータス: 処理完了
システム内更新日: 2022-12-15 07:52:12.277030
Title: Neural Networks Model for Travel Time Prediction Based on ODTravel Time Matrix
Title（参考訳）: ODTravel時間行列に基づく旅行時間予測のためのニューラルネットワークモデル
Authors: Ayobami E. Adewale and Amnir Hadachi
Abstract要約: 2つのニューラルネットワークモデル、すなわち多層パーセプトロン(MLP)と長短期モデル(LSTM)を開発し、忙しい経路のリンク移動時間を予測する。実験の結果,両モデルともほぼ正確な予測が可能であることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Public transportation system commuters are often interested in getting accurate travel time information to plan their daily activities. However, this information is often difficult to predict accurately due to the irregularities of road traffic, caused by factors such as weather conditions, road accidents, and traffic jams. In this study, two neural network models namely multi-layer(MLP) perceptron and long short-term model(LSTM) are developed for predicting link travel time of a busy route with input generated using Origin-Destination travel time matrix derived from a historical GPS dataset. The experiment result showed that both models can make near-accurate predictions however, LSTM is more susceptible to noise as time step increases.
Abstract（参考訳）: 公共交通機関の通勤者は、日々の活動を計画するための正確な旅行時間情報を得ることに関心がある。しかし, 気象条件, 道路事故, 交通渋滞などの要因により, 道路交通の異常が原因で, 正確な予測が難しい場合が多い。本研究では,多層(mlp)パーセプトロンと長期短期モデル(lstm)という2つのニューラルネットワークモデルを開発し,ヒストリカルgpsデータセットから得られた先行き移動時間行列を用いて入力した忙しい経路のリンク移動時間を予測する。実験の結果,両モデルともほぼ正確な予測が可能となったが,lstmは時間ステップが増加するにつれてノイズの影響を受けやすいことがわかった。

関連論文リスト

Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
論文参考訳（メタデータ） (2025-02-03T14:23:23Z)
Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
論文参考訳（メタデータ） (2025-01-07T03:23:28Z)
Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文参考訳（メタデータ） (2024-05-22T16:21:02Z)
Traffic estimation in unobserved network locations using data-driven macroscopic models [2.3543188414616534]
本稿では,自動交通カウンタとプローブ車両から収集したマクロモデルとマルチソースデータを利用して,これらの測定が不可能なリンクにおいて,交通流と走行時間を正確に推定する。 MaTEはマクロフロー理論に基礎を置いているため、全てのパラメータと変数は解釈可能である。合成データを用いた実験により, サンプル外リンクの走行時間と交通流を正確に推定できることがわかった。
論文参考訳（メタデータ） (2024-01-30T15:21:50Z)
GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
論文参考訳（メタデータ） (2022-11-13T06:32:28Z)
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)
Travel time prediction for congested freeways with a dynamic linear model [10.965065178451104]
非線形トラフィック状態を近似するために動的線形モデル(DLM)を提案する。特に短期予測では,精度が著しく向上した。
論文参考訳（メタデータ） (2020-09-02T12:48:06Z)
Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
論文参考訳（メタデータ） (2020-06-23T08:49:46Z)
FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文参考訳（メタデータ） (2020-06-07T08:10:47Z)
PCNN: Deep Convolutional Networks for Short-term Traffic Congestion Prediction [16.010576606023417]
そこで我々は,PCNNという新しい手法を提案し,短期交通渋滞予測のための周期的トラフィックデータをモデル化する。 PCNNには時系列の折り畳みと多粒度学習という2つの重要な手順がある。実世界の都市交通データセットの実験結果から,二次元行列への時系列データの折り畳みが有効であることが確認された。
論文参考訳（メタデータ） (2020-03-16T05:36:58Z)

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。