Fugu-MT 論文翻訳(概要): A Novel Ramp Metering Approach Based on Machine Learning and Historical Data

論文の概要: A Novel Ramp Metering Approach Based on Machine Learning and Historical Data

arxiv url: http://arxiv.org/abs/2005.13992v1
Date: Tue, 26 May 2020 21:05:01 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 23:55:36.671839
Title: A Novel Ramp Metering Approach Based on Machine Learning and Historical Data
Title（参考訳）: 機械学習と履歴データに基づく新しいランプメータリング手法
Authors: Anahita Sanandaji, Saeed Ghanbartehrani, Zahra Mokhtari, Kimia Tajik
Abstract要約: ランプ計測は、様々な交通条件下で高速道路の効率を維持するための実証された方法である。我々は機械学習を用いて、ランプ計測のための新しいリアルタイム予測モデルを開発した。
参考スコア（独自算出の注目度）: 0.7349727826230861
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The random nature of traffic conditions on freeways can cause excessive congestions and irregularities in the traffic flow. Ramp metering is a proven effective method to maintain freeway efficiency under various traffic conditions. Creating a reliable and practical ramp metering algorithm that considers both critical traffic measures and historical data is still a challenging problem. In this study we use machine learning approaches to develop a novel real-time prediction model for ramp metering. We evaluate the potentials of our approach in providing promising results by comparing it with a baseline traffic-responsive ramp metering algorithm.
Abstract（参考訳）: 高速道路の交通条件のランダムな性質は、過度の混雑と交通の流れの不規則を引き起こす可能性がある。ランプ計測は様々な交通条件下で高速道路の効率を維持するための有効な方法である。重要な交通手段と過去のデータの両方を考慮する、信頼性が高く実用的なランプメータリングアルゴリズムの作成は、いまだに難しい問題である。本研究では,ランプメータリングのための新しいリアルタイム予測モデルの開発に機械学習を用いた。提案手法の有効性を,ベースラインの交通応答型ランプ計測アルゴリズムとの比較により評価した。

関連論文リスト

Calibration of Vehicular Traffic Simulation Models by Local Optimization [43.942239814508106]
トラフィックカウントデータを用いたシミュレーションモデルのキャリブレーションは、環境の複雑さ、データの欠如、トラフィックダイナミクスの不確実性のために困難である。本稿では,シミュレーションに基づく新しい交通キャリブレーション手法を提案する。ベルギーのブリュッセルで,実交通監視装置のデータを用いて提案手法の評価を行った。
論文参考訳（メタデータ） (2025-02-17T09:17:01Z)
Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文参考訳（メタデータ） (2024-10-28T09:19:29Z)
A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data [0.0]
本研究では,機械学習アルゴリズムと実交通情報を組み合わせた都市移動性向上手法を提案する。ニューヨーク市の黄色いタクシー旅行のデータを用いて,旅行時間と渋滞解析の予測モデルを構築した。本研究は、高度データ駆動方式による都市渋滞の低減と交通効率の向上を目的とした継続的な取り組みに寄与する。
論文参考訳（メタデータ） (2024-10-07T16:16:49Z)
A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文参考訳（メタデータ） (2024-03-11T16:42:29Z)
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)
A Transfer Learning Framework for Proactive Ramp Metering Performance Assessment [2.269435462100948]
そこで本研究では,新しいランプ計測制御方式を導入する際に,高速道路の交通パラメータを予測する枠組みを提案する。高速道路セグメントの既知状況前後における交通状態の時空間的特徴の関連を学習することにより,提案手法は,新しい高速道路セグメントの交通パラメータを予測するために,この学習を移譲することができる。
論文参考訳（メタデータ） (2023-08-07T12:44:10Z)
Leveraging Neo4j and deep learning for traffic congestion simulation & optimization [0.0]
渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
論文参考訳（メタデータ） (2023-04-01T01:23:10Z)
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)
Learning Traffic Speed Dynamics from Visualizations [3.0969191504482243]
時空の可視化からマクロ交通速度のダイナミクスを学習する深層学習法を提案する。既存の推定手法と比較して,より詳細な推定解決が可能となる。次世代シミュレーションプログラム(NGSIM)とドイツ高速道路(HighD)のデータセットから得られたデータを用いて,高速道路区間の高分解能交通速度場を推定した。
論文参考訳（メタデータ） (2021-05-04T11:17:43Z)
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)

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。