論文の概要: Learning to Recommend Signal Plans under Incidents with Real-Time Traffic Prediction

• arxiv url: http://arxiv.org/abs/2005.13522v1
• Date: Thu, 21 May 2020 01:30:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 23:12:20.604360
• Title: Learning to Recommend Signal Plans under Incidents with Real-Time Traffic Prediction
• Title（参考訳）: リアルタイム交通予測による事故時の信号計画の推薦学習
• Authors: Weiran Yao, Sean Qian
• Abstract要約: 交通インシデント管理の有効性は、しばしば、遅延応答時間と過度の作業負荷によって制限される。 本稿では,データとドメイン知識の両面からリアルタイムに共振器信号プランを推薦する新たな意思決定フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.329080023791103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The main question to address in this paper is to recommend optimal signal timing plans in real time under incidents by incorporating domain knowledge developed with the traffic signal timing plans tuned for possible incidents, and learning from historical data of both traffic and implemented signals timing. The effectiveness of traffic incident management is often limited by the late response time and excessive workload of traffic operators. This paper proposes a novel decision-making framework that learns from both data and domain knowledge to real-time recommend contingency signal plans that accommodate non-recurrent traffic, with the outputs from real-time traffic prediction at least 30 minutes in advance. Specifically, considering the rare occurrences of engagement of contingency signal plans for incidents, we propose to decompose the end-to-end recommendation task into two hierarchical models: real-time traffic prediction and plan association. We learn the connections between the two models through metric learning, which reinforces partial-order preferences observed from historical signal engagement records. We demonstrate the effectiveness of our approach by testing this framework on the traffic network in Cranberry Township in 2019. Results show that our recommendation system has a precision score of 96.75% and recall of 87.5% on the testing plan, and make recommendation of an average of 22.5 minutes lead time ahead of Waze alerts. The results suggest that our framework is capable of giving traffic operators a significant time window to access the conditions and respond appropriately.
• Abstract（参考訳）: 本論では,事故発生時の信号タイミング計画と,事故発生時の信号タイミング計画とを組み込んだドメイン知識を取り入れ,交通・信号タイミングの履歴データから学習することで,インシデント時の信号タイミングプランをリアルタイムに推薦することを目的とする。 交通インシデント管理の有効性は、しばしば、遅延応答時間と過度の作業負荷によって制限される。 本稿では,データとドメインの知識から,非リカレントトラフィックに対応するリアルタイムレコメンデーション・コンティンジェンシー・シグナルプランを学習し,少なくとも30分前にリアルタイムトラフィック予測から出力する,新たな意思決定フレームワークを提案する。 具体的には、インシデントに対する緊急信号計画の関与が稀であることを考慮し、エンドツーエンドのレコメンデーションタスクをリアルタイム交通予測とプランアソシエーションの2つの階層モデルに分解することを提案する。 この2つのモデル間の関係をメトリック学習を通じて学習し,過去の信号エンゲージメント記録から観測される部分次選好を補強する。 2019年にクランベリー郡区のトラヒックネットワーク上でこの枠組みをテストすることにより,本手法の有効性を実証した。 その結果,我々の推薦システムは精度96.75%,テストプラン87.5%をリコールし,平均22.5分リードタイムをWaze警告に先立って推奨していることがわかった。 その結果,トラヒックオペレータが条件にアクセスし,適切な応答を行うための時間窓が確保できることが示唆された。

関連論文リスト

• An Attention-Based Multi-Context Convolutional Encoder-Decoder Neural Network for Work Zone Traffic Impact Prediction [6.14400858731508]
  ワークゾーンは、非リカレント交通渋滞や道路事故の主な原因の1つである。 多様なプラットフォームからのワークゾーンとトラフィックデータの利用を向上させるデータ統合パイプラインを提案する。 計画された作業ゾーンイベントにおける交通速度と事故発生確率を予測するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-31T17:38:49Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting [14.71745498591372]
  本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。 まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。 次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
  論文  参考訳（メタデータ） (2022-06-19T20:17:15Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)
• 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)
• Data-Driven Intersection Management Solutions for Mixed Traffic of Human-Driven and Connected and Automated Vehicles [0.0]
  この論文は、コネクテッドカーとオートマチックカーの存在下での都市交通制御のための2つの解決策を提案する。 まず, 協調的交差点管理問題に対して, 集中型小隊制御器を提案する。 第二に,コネクテッドカーの存在下での適応信号制御のためのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:44:45Z)
• Towards Good Practices of U-Net for Traffic Forecasting [16.919515280128472]
  予測トラフィック問題を,時間的依存が比較的弱い将来のフレーム予測タスクとして検討する。 本稿では,予測されたトラフィックフローをより合理的にするためのロードマップ生成手法を提案する。 我々は、オーバーフィッティングを防ぐために、検証セットに基づいた微調整戦略を使用し、予測結果を効果的に改善する。
  論文  参考訳（メタデータ） (2020-12-04T13:54:49Z)
• Batch-Augmented Multi-Agent Reinforcement Learning for Efficient Traffic Signal Optimization [9.456254189014127]
  提案手法は,現在使用されている固定時間信号機に比べて,待ち時間において交通渋滞を36%削減する。 提案手法は,現在使用されている固定時間信号計画と比較して,待ち時間において渋滞を36%低減することを示す。
  論文  参考訳（メタデータ） (2020-05-19T17:53:05Z)

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。