論文の概要: Non-recurrent Traffic Congestion Detection with a Coupled Scalable
Bayesian Robust Tensor Factorization Model
- arxiv url: http://arxiv.org/abs/2005.04567v1
- Date: Sun, 10 May 2020 03:58:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 01:48:21.799986
- Title: Non-recurrent Traffic Congestion Detection with a Coupled Scalable
Bayesian Robust Tensor Factorization Model
- Title(参考訳): 結合型スケーラブルベイズロバスト引張因子モデルによる非繰り返し交通渋滞検出
- Authors: Qin Li, Huachun Tan, Xizhu Jiang, Yuankai Wu, Linhui Ye
- Abstract要約: 非リカレント交通渋滞(NRTC)は通常、通勤者に予期せぬ遅れをもたらす。
NRTCをリアルタイムに正確に検出し、認識することが重要である。
- 参考スコア(独自算出の注目度): 5.141309607968161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-recurrent traffic congestion (NRTC) usually brings unexpected delays to
commuters. Hence, it is critical to accurately detect and recognize the NRTC in
a real-time manner. The advancement of road traffic detectors and loop
detectors provides researchers with a large-scale multivariable
temporal-spatial traffic data, which allows the deep research on NRTC to be
conducted. However, it remains a challenging task to construct an analytical
framework through which the natural spatial-temporal structural properties of
multivariable traffic information can be effectively represented and exploited
to better understand and detect NRTC. In this paper, we present a novel
analytical training-free framework based on coupled scalable Bayesian robust
tensor factorization (Coupled SBRTF). The framework can couple multivariable
traffic data including traffic flow, road speed, and occupancy through sharing
a similar or the same sparse structure. And, it naturally captures the
high-dimensional spatial-temporal structural properties of traffic data by
tensor factorization. With its entries revealing the distribution and magnitude
of NRTC, the shared sparse structure of the framework compasses sufficiently
abundant information about NRTC. While the low-rank part of the framework,
expresses the distribution of general expected traffic condition as an
auxiliary product. Experimental results on real-world traffic data show that
the proposed method outperforms coupled Bayesian robust principal component
analysis (coupled BRPCA), the rank sparsity tensor decomposition (RSTD), and
standard normal deviates (SND) in detecting NRTC. The proposed method performs
even better when only traffic data in weekdays are utilized, and hence can
provide more precise estimation of NRTC for daily commuters.
- Abstract(参考訳): 非リカレント交通渋滞(nrtc)は通常、通勤者に予期せぬ遅延をもたらす。
したがって、NRTCをリアルタイムに正確に検出し、認識することが重要である。
道路交通検出器とループ検出器の進歩は、NRTCの深い研究を可能にする大規模な多変量時空間交通データを提供する。
しかし,多変量トラヒック情報の自然空間的-時空間的構造特性を効果的に表現し,nrtcをよりよく理解し,検出する分析枠組みを構築することは依然として難しい課題である。
本稿では,結合型スケーラブルベイズ型ロバストテンソル因子分解(coupled sbrtf)に基づく,新しい解析的トレーニングフリーフレームワークを提案する。
このフレームワークは、類似または同一のスパース構造を共有することにより、交通流、道路速度、占有率を含む多変量トラフィックデータを分割することができる。
そして、テンソル因子化により、交通データの高次元時空間構造を自然に捉える。
NRTCの分布と大きさを明らかにするエントリによって、フレームワークの共有スパース構造は、NRTCに関する十分な量の情報をコンパスする。
フレームワークの低ランク部分では、一般的な交通条件の分布を補助積として表現する。
実世界のトラヒックデータを用いた実験の結果,提案手法はnrtcの検出において,結合ベイズ型ロバスト主成分分析(結合brpca),ランクスパルシティテンソル分解(rstd),標準正規偏差(snd)よりも優れていることがわかった。
提案手法は,平日の交通データのみを利用する場合,さらに性能が向上し,より正確なnrtcの推定が可能となった。
関連論文リスト
- Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳(メタデータ) (2023-03-10T02:22:33Z) - STGC-GNNs: A GNN-based traffic prediction framework with a
spatial-temporal Granger causality graph [3.324220648072334]
交通予測の鍵は、道路網を走行する交通の流れの時間的ダイナミクスを正確に表現することである。
既存の手法は局所的および静的な空間依存をモデル化し、長期予測に必要なグローバル・ダイナミックな交通情報を伝達できない。
我々は,GDTiが動的に変化する交通流の下で安定な交通流を支える伝達因果関係(TCR)としてマクロ的に振る舞うという新しい仮説を提案する。
論文 参考訳(メタデータ) (2022-10-30T09:33:51Z) - 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) - Estimating Link Flows in Road Networks with Synthetic Trajectory Data
Generation: Reinforcement Learning-based Approaches [7.369475193451259]
本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。
本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。
発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
論文 参考訳(メタデータ) (2022-06-26T13:14:52Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳(メタデータ) (2022-05-19T08:37:56Z) - 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) - 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) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-23T03:50:46Z) - A Nonconvex Low-Rank Tensor Completion Model for Spatiotemporal Traffic
Data Imputation [13.48205738743634]
様々なセンサシステムから収集された時空間トラフィックデータには,データ計算の欠如が一般的である。
本稿では,各変数に対する最適解を求めるアルゴリズムを提案する。
提案したモデルは、他のベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2020-03-23T13:27:01Z)
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。