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

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)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
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)
Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。本研究では,都市におけるモビリティ予測の新たな視点について紹介する。都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文参考訳（メタデータ） (2023-12-04T07:39:05Z)
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)
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。