論文の概要: Deep Learning on Traffic Prediction: Methods, Analysis and Future Directions

• arxiv url: http://arxiv.org/abs/2004.08555v4
• Date: Fri, 19 Mar 2021 01:40:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 05:45:27.767900
• Title: Deep Learning on Traffic Prediction: Methods, Analysis and Future Directions
• Title（参考訳）: 交通予測の深層学習:手法・分析・今後の方向性
• Authors: Xueyan Yin, Genze Wu, Jinze Wei, Yanming Shen, Heng Qi, and Baocai Yin
• Abstract要約: 本稿では,複数の観点からの交通予測における深層学習に基づくアプローチに関する包括的調査を行う。 まず,既存の交通予測手法を要約し,分類について述べる。 第2に、異なるトラフィック予測アプリケーションにおける最先端のアプローチをリストアップする。
• 参考スコア（独自算出の注目度）: 32.25707921285397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic prediction plays an essential role in intelligent transportation system. Accurate traffic prediction can assist route planing, guide vehicle dispatching, and mitigate traffic congestion. This problem is challenging due to the complicated and dynamic spatio-temporal dependencies between different regions in the road network. Recently, a significant amount of research efforts have been devoted to this area, especially deep learning method, greatly advancing traffic prediction abilities. The purpose of this paper is to provide a comprehensive survey on deep learning-based approaches in traffic prediction from multiple perspectives. Specifically, we first summarize the existing traffic prediction methods, and give a taxonomy. Second, we list the state-of-the-art approaches in different traffic prediction applications. Third, we comprehensively collect and organize widely used public datasets in the existing literature to facilitate other researchers. Furthermore, we give an evaluation and analysis by conducting extensive experiments to compare the performance of different methods on a real-world public dataset. Finally, we discuss open challenges in this field.
• Abstract（参考訳）: 交通予測はインテリジェント交通システムにおいて重要な役割を果たす。 正確な交通予測は、ルート計画、車両の派遣誘導、交通渋滞の緩和に役立つ。 この問題は、道路網内の異なる地域間の複雑でダイナミックな時空間依存性のために難しい。 近年,この領域,特に深層学習手法に多大な研究努力が注がれており,交通予測能力が大幅に向上している。 本研究の目的は,交通予測における深層学習に基づくアプローチに関する総合的な調査を行うことである。 具体的には,まず既存の交通予測手法を概説し,分類法を提案する。 第2に、異なるトラフィック予測アプリケーションにおける最先端のアプローチをリストアップする。 第3に、既存の文献で広く使われている公開データセットを包括的に収集し、整理し、他の研究者に役立てる。 さらに,実世界の公開データセットにおける異なる手法の性能を比較するために,広範囲な実験を行い,評価と分析を行う。 最後に、この分野におけるオープンチャレンジについて論じる。

関連論文リスト

• 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)
• TrafPS: A Shapley-based Visual Analytics Approach to Interpret Traffic [39.8945062366245]
  TrafPSは、交通管理と都市計画における意思決定を支援するために、交通予測結果の視覚的分析手法である。 ドメインエキスパートのタスク要求に基づき,多視点探索と重要なフローパターンの解析にインタラクティブなビジュアルインタフェースを用いる。 2つの実世界のケーススタディは、TrafPSが重要なルートを特定し、都市計画における意思決定支援に有効であることを実証している。
  論文  参考訳（メタデータ） (2024-03-07T01:00:55Z)
• Machine Learning for Autonomous Vehicle's Trajectory Prediction: A comprehensive survey, Challenges, and Future Research Directions [3.655021726150368]
  AVの文脈における軌道予測に関する200以上の研究について検討した。 本総説では,いくつかの深層学習手法を総合的に評価する。 既存の文献の課題を特定し,潜在的研究の方向性を概説することにより,AV軌道予測領域における知識の進歩に大きく貢献する。
  論文  参考訳（メタデータ） (2023-07-12T10:20:19Z)
• Traffic Prediction using Artificial Intelligence: Review of Recent Advances and Emerging Opportunities [2.5199066832791535]
  本調査は,交通予測手法の概要を概観することを目的としている。 具体的には、人工知能(AI)に基づく交通予測手法の最近の進歩と新たな研究機会に焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-31T06:25:19Z)
• Multi-Vehicle Trajectory Prediction at Intersections using State and Intention Information [50.40632021583213]
  道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。 この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。 この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
  論文  参考訳（メタデータ） (2023-01-06T15:13:23Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• Multistep traffic speed prediction: A deep learning based approach using latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
  ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。 深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。 提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
  論文  参考訳（メタデータ） (2021-11-03T10:17:48Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• Pedestrian Action Anticipation using Contextual Feature Fusion in Stacked RNNs [19.13270454742958]
  交差点における歩行者行動予測問題の解法を提案する。 提案手法では,シーン動的・視覚的特徴の両面から収集した情報を徐々にネットワークに融合する新しいRNNアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2020-05-13T20:59:37Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。