論文の概要: Large-scale Analysis and Simulation of Traffic Flow using Markov Models
- arxiv url: http://arxiv.org/abs/2007.02681v1
- Date: Mon, 6 Jul 2020 12:31:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 03:29:50.676957
- Title: Large-scale Analysis and Simulation of Traffic Flow using Markov Models
- Title(参考訳): マルコフモデルを用いた交通流の大規模解析とシミュレーション
- Authors: Ren\'at\'o Besenczi, Norbert B\'atfai, P\'eter Jeszenszky, Roland
Major, Fanny Monori, M\'arton Isp\'any
- Abstract要約: 交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。
本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。
我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
- 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: Modeling and simulating movement of vehicles in established transportation
infrastructures, especially in large urban road networks is an important task.
It helps with understanding and handling traffic problems, optimizing traffic
regulations and adapting the traffic management in real time for unexpected
disaster events. A mathematically rigorous stochastic model that can be used
for traffic analysis was proposed earlier by other researchers which is based
on an interplay between graph and Markov chain theories. This model provides a
transition probability matrix which describes the traffic's dynamic with its
unique stationary distribution of the vehicles on the road network. In this
paper, a new parametrization is presented for this model by introducing the
concept of two-dimensional stationary distribution which can handle the
traffic's dynamic together with the vehicles' distribution. In addition, the
weighted least squares estimation method is applied for estimating this new
parameter matrix using trajectory data. In a case study, we apply our method on
the Taxi Trajectory Prediction dataset and road network data from the
OpenStreetMap project, both available publicly. To test our approach, we have
implemented the proposed model in software. We have run simulations in medium
and large scales and both the model and estimation procedure, based on
artificial and real datasets, have been proved satisfactory. In a real
application, we have unfolded a stationary distribution on the map graph of
Porto, based on the dataset. The approach described here combines techniques
whose use together to analyze traffic on large road networks has not previously
been reported.
- Abstract(参考訳): 既存の交通インフラ,特に大都市道路網における車両の移動のモデル化とシミュレーションは重要な課題である。
交通問題を理解し、対処し、交通規制を最適化し、予期しない災害イベントに対してリアルタイムに交通管理を適用するのに役立つ。
交通分析に使用できる数学的に厳密な確率モデルが、グラフとマルコフ連鎖理論の相互作用に基づく他の研究者によって以前に提案された。
このモデルは、道路ネットワーク上の車両のユニークな定常分布とトラフィックのダイナミクスを記述する遷移確率行列を提供する。
本稿では,車両の走行動態を車両分布とともに扱う2次元定常分布の概念を導入することにより,このモデルに対する新しいパラメトリゼーションを提案する。
さらに, このパラメータ行列を軌道データを用いて推定するために, 重み付き最小二乗推定法を適用した。
そこで本研究では,OpenStreetMapプロジェクトのTaxi Trajectory Predictionデータセットと道路ネットワークデータに本手法を適用した。
我々のアプローチをテストするために、我々は提案するモデルをソフトウェアに実装した。
我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
実際のアプリケーションでは、データセットに基づいて、Portoのマップグラフ上に静止分布を展開しました。
ここで説明するアプローチは、大規模道路網のトラフィック分析に併用した手法を組み合わさったもので、これまで報告されていない。
関連論文リスト
- 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) - BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。
本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。
本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文 参考訳(メタデータ) (2024-03-08T04:19:56Z) - MA2GCN: Multi Adjacency relationship Attention Graph Convolutional
Networks for Traffic Prediction using Trajectory data [1.147374308875151]
本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。
車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。
複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
論文 参考訳(メタデータ) (2024-01-16T14:22:44Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳(メタデータ) (2023-03-07T18:28:41Z) - A spatial-temporal short-term traffic flow prediction model based on
dynamical-learning graph convolution mechanism [0.0]
短期的な交通流予測は知的交通システム(ITS)の重要な分岐であり、交通管理において重要な役割を果たしている。
グラフ畳み込みネットワーク(GCN)は道路網のグラフィカルな構造データを扱うために交通予測モデルで広く利用されている。
この欠点に対処するために、新しい位置グラフ畳み込みネットワーク(Location-GCN)を提案する。
論文 参考訳(メタデータ) (2022-05-10T09:19:12Z) - Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic
Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。
モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
論文 参考訳(メタデータ) (2022-02-21T19:45:15Z) - RTGNN: A Novel Approach to Model Stochastic Traffic Dynamics [9.267045415696263]
RTGNN(Recurrent Traffic Graph Neural Network)を提案する。
RTGNNはマルコフモデルであり、エゴ車両の運動に条件付けられた将来の交通状態を推測することができる。
我々は、トラフィックダイナミックスの本質的な部分的可観測性を反映するために、トラフィック状態の一部として、エージェントの隠れ状態である"意図"を明示的にモデル化する。
論文 参考訳(メタデータ) (2022-02-21T03:55:00Z) - 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) - 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) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。
提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
論文 参考訳(メタデータ) (2020-01-21T12:52:58Z)
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。