論文の概要: iTV: Inferring Traffic Violation-Prone Locations with Vehicle
Trajectories and Road Environment Data
- arxiv url: http://arxiv.org/abs/2005.12387v2
- Date: Mon, 27 Jul 2020 15:04:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-20 18:03:31.219431
- Title: iTV: Inferring Traffic Violation-Prone Locations with Vehicle
Trajectories and Road Environment Data
- Title（参考訳）: iTV:自動車軌道と道路環境データによる交通違反発生経路の推定
- Authors: Zhihan Jiang, Longbiao Chen, Binbin Zhou, Jinchun Huang, Tianqi Xie,
Xiaoliang Fan, Cheng Wang
- Abstract要約: 本研究では,大規模車両軌跡データと環境データに基づいて,都市部における交通違反発生箇所を推定する枠組みを提案する。
提案手法の有効性を評価するため,中国2都市から収集した大規模・現実世界の車両軌道について広範な研究を行った。
- 参考スコア（独自算出の注目度）: 12.715237421592624
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic violations like illegal parking, illegal turning, and speeding have
become one of the greatest challenges in urban transportation systems, bringing
potential risks of traffic congestions, vehicle accidents, and parking
difficulties. To maximize the utility and effectiveness of the traffic
enforcement strategies aiming at reducing traffic violations, it is essential
for urban authorities to infer the traffic violation-prone locations in the
city. Therefore, we propose a low-cost, comprehensive, and dynamic framework to
infer traffic violation-prone locations in cities based on the large-scale
vehicle trajectory data and road environment data. Firstly, we normalize the
trajectory data by map matching algorithms and extract key driving behaviors,
i.e., turning behaviors, parking behaviors, and speeds of vehicles. Secondly,
we restore spatiotemporal contexts of driving behaviors to get corresponding
traffic restrictions such as no parking, no turning, and speed restrictions.
After matching the traffic restrictions with driving behaviors, we get the
traffic violation distribution. Finally, we extract the spatiotemporal patterns
of traffic violations, and build a visualization system to showcase the
inferred traffic violation-prone locations. To evaluate the effectiveness of
the proposed method, we conduct extensive studies on large-scale, real-world
vehicle GPS trajectories collected from two Chinese cities, respectively.
Evaluation results confirm that the proposed framework infers traffic
violation-prone locations effectively and efficiently, providing comprehensive
decision supports for traffic enforcement strategies.
- Abstract（参考訳）: 違法駐車、違法転回、スピード違反などの交通違反は、都市交通システムにおける最大の課題の一つとなり、交通渋滞、自動車事故、駐車困難などの潜在的なリスクをもたらしている。
交通違反の軽減を目指す交通取締戦略の有用性と効果を最大化するためには、都市当局が市内の交通違反の傾向を推測することが不可欠である。
そこで本稿では,大規模車両軌道データと道路環境データに基づいて,都市部における交通違反発生箇所を推定する,低コストで包括的でダイナミックな枠組みを提案する。
まず,地図マッチングアルゴリズムを用いて軌道データの正規化を行い,車両の回転挙動,駐車挙動,速度などのキー駆動動作を抽出する。
第2に,運転行動の時空間的文脈を復元し,駐車禁止,旋回禁止,速度制限などの対応する交通制限を得る。
交通規制と運転行動とを一致させた後、交通違反分布を得る。
最後に,交通違反の時空間パターンを抽出し,推定した交通違反発生箇所を可視化するシステムを構築する。
提案手法の有効性を評価するため,中国2都市から収集した大規模・現実世界の車両GPSトラジェクトリについて広範な研究を行った。
評価の結果,提案手法は交通違反発生箇所を効果的かつ効率的に推定し,交通執行戦略の包括的決定支援を提供することを確認した。
関連論文リスト
- GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - Next-gen traffic surveillance: AI-assisted mobile traffic violation
detection system [0.0]
交通事故で毎日1300万人が命を落としている。
機械学習とコンピュータビジョンを活用する人工知能アルゴリズムの統合は、正確なトラフィックルールの実施を促進する。
本稿では、コンピュータビジョンと機械学習が、様々な交通違反を検出する堅牢なアルゴリズムの作成を可能にする方法について述べる。
論文 参考訳（メタデータ） (2023-11-24T22:42:47Z) - Deep Reinforcement Learning for the Joint Control of Traffic Light
Signaling and Vehicle Speed Advice [8.506271224735029]
本稿では,交通信号制御と車両速度アドバイスの両方の制御を共同で学習する試みを提案する。
実験では,11のベンチマークシナリオ中8つのシナリオにおいて,共同制御手法により平均走行遅延を低減し,信号機のみを制御する。
論文 参考訳（メタデータ） (2023-09-18T15:45:22Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳（メタデータ） (2023-06-13T05:58:57Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Courteous Behavior of Automated Vehicles at Unsignalized Intersections
via Reinforcement Learning [30.00761722505295]
深層強化学習を用いた混在交通状況における交差点における交通流の最適化手法を提案する。
我々の強化学習エージェントは、信号のない交差点で接続された自動運転車が道路の権利を放棄し、交通の流れを最適化するために他の車両に利する、集中型制御器のポリシーを学習する。
論文 参考訳（メタデータ） (2021-06-11T13:16:48Z) - 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) - Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
運転環境の要素が道路ルールの出現の原因となるかを分析する。
2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。
我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
論文 参考訳（メタデータ） (2020-11-21T09:43:50Z) - HOG, LBP and SVM based Traffic Density Estimation at Intersection [4.199844472131922]
車両の大量輸送は交通渋滞、不要な遅延、汚染、損失、健康問題、事故、緊急車両の通行、交通違反を引き起こす。
従来の交通管理・制御システムではこの問題に対処できない。
交通流の効率を高めるために最適化された、賢明な制御システムが必要である。
論文 参考訳（メタデータ） (2020-05-04T18:08:35Z) - An IoT-Based System: Big Urban Traffic Data Mining Through Airborne
Pollutant Gases Analysis [0.0]
イランなどの発展途上国では、人口の増加により車両の数が増加している。
交通警察官による交通渋滞を抑え、効率的に経路を拡大し、市民による交通の減少に最適な方法を選択する必要がある。
今日では、交通警察や都市交通管制システムなど多くの交通機関が、交通カメラ、誘導センサー、衛星画像、レーダーセンサー、超音波技術、電波識別(RFID)を都市交通診断に利用している。
本稿で提案する手法は,大気汚染量を算出して交通渋滞を発生させるスマートシステムを含むIOTに基づく交通渋滞の検出である。
論文 参考訳（メタデータ） (2020-02-15T13:04:37Z)
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。