論文の概要: Traffic Flow Forecast of Road Networks with Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2006.04670v1
• Date: Mon, 8 Jun 2020 15:17:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 00:52:03.066242
• Title: Traffic Flow Forecast of Road Networks with Recurrent Neural Networks
• Title（参考訳）: 繰り返しニューラルネットワークを用いた道路網の交通流予測
• Authors: Ralf R\"uther and Andreas Klos and Marius Rosenbaum and Wolfram Schiffmann
• Abstract要約: 効率的なインテリジェント交通システムには交通流の予測が不可欠である。 本研究では, 様々なリカレントニューラルネットワークを用いて, この予測を行う。 多くの場合、ゲート再帰単位を持つベクトル出力モデルは、テストセット上で最小の誤差を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The interest in developing smart cities has increased dramatically in recent years. In this context an intelligent transportation system depicts a major topic. The forecast of traffic flow is indispensable for an efficient intelligent transportation system. The traffic flow forecast is a difficult task, due to its stochastic and non linear nature. Besides classical statistical methods, neural networks are a promising possibility to predict future traffic flow. In our work, this prediction is performed with various recurrent neural networks. These are trained on measurements of induction loops, which are placed in intersections of the city. We utilized data from beginning of January to the end of July in 2018. Each model incorporates sequences of the measured traffic flow from all sensors and predicts the future traffic flow for each sensor simultaneously. A variety of model architectures, forecast horizons and input data were investigated. Most often the vector output model with gated recurrent units achieved the smallest error on the test set over all considered prediction scenarios. Due to the small amount of data, generalization of the trained models is limited.
• Abstract（参考訳）: スマートシティ開発への関心は近年劇的に高まっている。 この文脈では、インテリジェント輸送システムは主要なトピックを描いている。 効率的なインテリジェント交通システムには交通流の予測が不可欠である。 交通の流れの予測は、確率的かつ非線形な性質のため、難しい作業である。 古典的な統計手法の他に、ニューラルネットワークは将来のトラフィックフローを予測する可能性を秘めている。 本研究では, 様々なリカレントニューラルネットワークを用いて, この予測を行う。 これらは、市の交差点に位置する誘導ループの測定に基づいて訓練される。 2018年1月から7月末までのデータを活用した。 各モデルは、すべてのセンサから計測されたトラフィックフローのシーケンスを組み込んで、各センサの将来のトラフィックフローを同時に予測する。 様々なモデルアーキテクチャ,予測地平線,入力データについて検討した。 大抵の場合、ゲート再帰単位を持つベクトル出力モデルは、考慮された全ての予測シナリオでテストセットの最小誤差を達成した。 データが少ないため、訓練されたモデルの一般化は限られている。

関連論文リスト

• Distil the informative essence of loop detector data set: Is network-level traffic forecasting hungry for more data? [0.8002196839441036]
  本稿では,予測モデルのトレーニングに実際に有効なループデータのサンプル数を検討するために,不確実性を考慮したトラフィック予測フレームワークを提案する。 提案手法は,大規模トラフィックデータセットの真の情報内容を評価する上で有用である。
  論文  参考訳（メタデータ） (2023-10-31T11:23:10Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
  インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。 本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:12:17Z)
• Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
  多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。 本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。 また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
  論文  参考訳（メタデータ） (2022-03-08T09:46:50Z)
• 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)
• Short-term traffic prediction using physics-aware neural networks [0.0]
  道路上の車両のフラックスの短期予測を行うアルゴリズムを提案する。 このアルゴリズムは物理を意識したリカレントニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2021-09-21T15:31:33Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• Graph Neural Network for Traffic Forecasting: A Survey [1.1977931648859175]
  本稿では,交通予測問題に対するグラフニューラルネットワークの適用を探求する,初めての総合的な調査である。 我々は,各問題と今後の研究方向性について,オープンデータとソースリソースのコレクションを提示する。 また、最新の論文、オープンデータ、およびソースリソースを更新するための公開Githubリポジトリも作成しました。
  論文  参考訳（メタデータ） (2021-01-27T02:35:41Z)
• 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)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。