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

• 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)
• Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
  交通流推定(TFE)はインテリジェント交通システムにおいて重要である。 本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。 このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
  論文  参考訳（メタデータ） (2024-07-10T20:26:04Z)
• Laplacian Convolutional Representation for Traffic Time Series Imputation [27.525490099749383]
  トラフィック時系列の局所的傾向を特徴付けるための時間正則化にラプラシアンカーネルを導入する。 循環行列核ノルムとラプラシアン核化時間正規化を併用して低ランクラプラシアン畳み込み表現(LCR)モデルを開発する。 各種時系列行動のトラヒック時系列を計算するためのベースラインモデルよりもLCRの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T04:08:56Z)
• 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)
• 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)
• 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。