論文の概要: Short-Term Traffic Forecasting Using High-Resolution Traffic Data
- arxiv url: http://arxiv.org/abs/2006.12292v1
- Date: Mon, 22 Jun 2020 14:26:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 06:59:32.395667
- Title: Short-Term Traffic Forecasting Using High-Resolution Traffic Data
- Title（参考訳）: 高解像度交通データを用いた短期交通予測
- Authors: Wenqing Li, Chuhan Yang, Saif Eddin Jabari
- Abstract要約: 本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。
提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
- 参考スコア（独自算出の注目度）: 2.0625936401496237
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper develops a data-driven toolkit for traffic forecasting using
high-resolution (a.k.a. event-based) traffic data. This is the raw data
obtained from fixed sensors in urban roads. Time series of such raw data
exhibit heavy fluctuations from one time step to the next (typically on the
order of 0.1-1 second). Short-term forecasts (10-30 seconds into the future) of
traffic conditions are critical for traffic operations applications (e.g.,
adaptive signal control). But traffic forecasting tools in the literature deal
predominantly with 3-5 minute aggregated data, where the typical signal cycle
is on the order of 2 minutes. This renders such forecasts useless at the
operations level. To this end, we model the traffic forecasting problem as a
matrix completion problem, where the forecasting inputs are mapped to a higher
dimensional space using kernels. The formulation allows us to capture both
nonlinear dependencies between forecasting inputs and outputs but also allows
us to capture dependencies among the inputs. These dependencies correspond to
correlations between different locations in the network. We further employ
adaptive boosting to enhance the training accuracy and capture historical
patterns in the data. The performance of the proposed methods is verified using
high-resolution data obtained from a real-world traffic network in Abu Dhabi,
UAE. Our experimental results show that the proposed method outperforms other
state-of-the-art algorithms.
- Abstract（参考訳）: 本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。
これは都市道路の固定センサから得られた生データである。
このような生データの時系列は、あるステップから次のステップ(典型的には0.1-1秒)で大きな変動を示す。
交通状況の短期予測(将来10～30秒)は、交通運用アプリケーション(例えば適応信号制御)にとって重要である。
しかし、文献における交通予測ツールは、典型的な信号サイクルが2分間のオーダーである3～5分間の集計データを扱う。
これにより、そのような予測はオペレーションレベルで役に立たない。
この目的のために,予測入力をカーネルを用いて高次元空間にマッピングするマトリクス補完問題として,トラヒック予測問題をモデル化する。
この定式化により、予測入力と出力の間の非線形依存関係の両方をキャプチャできるが、入力間の依存関係もキャプチャできる。
これらの依存関係は、ネットワーク内の異なる場所間の相関に対応する。
さらに,学習精度の向上とデータの履歴パターンの把握に適応型ブースティングを適用した。
提案手法の性能は,uaeのアブダビにある実世界のトラヒックネットワークから得られた高解像度データを用いて検証した。
実験の結果,提案手法は他の最先端アルゴリズムよりも優れていることがわかった。
関連論文リスト
- An Application of Vector Autoregressive Model for Analyzing the Impact
of Weather And Nearby Traffic Flow On The Traffic Volume [0.0]
本稿では,付近の交通量と気象条件に基づいて,ある道路区間における交通流を予測することを目的とする。
また,気象条件や付近の交通量が目標地点の交通量に与える影響も確認した。
論文 参考訳（メタデータ） (2023-11-12T16:45:29Z) - 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) - A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic
Flow Forecasting [21.6456624219159]
トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。
本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。
提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
論文 参考訳（メタデータ） (2023-03-31T03:07:53Z) - Traffic Prediction with Transfer Learning: A Mutual Information-based
Approach [11.444576186559487]
そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。
TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
論文 参考訳（メタデータ） (2023-03-13T15:27:07Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - 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) - 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) - 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) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z) - Nonlinear Traffic Prediction as a Matrix Completion Problem with
Ensemble Learning [1.8352113484137629]
本稿では,信号化トラフィック運用管理における短期的な交通予測の問題に対処する。
高分解能(秒間)におけるセンサ状態の予測に焦点をあてる
私たちのコントリビューションは,3つの洞察を提供するものとして要約することができます。
論文 参考訳（メタデータ） (2020-01-08T13:10:40Z)
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。
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。