論文の概要: Automatic Detection of Major Freeway Congestion Events Using Wireless
Traffic Sensor Data: A Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2007.05079v1
- Date: Thu, 9 Jul 2020 21:38:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 04:18:14.640115
- Title: Automatic Detection of Major Freeway Congestion Events Using Wireless
Traffic Sensor Data: A Machine Learning Approach
- Title（参考訳）: 無線交通センサデータを用いた主要高速道路混雑事象の自動検出:機械学習によるアプローチ
- Authors: Sanaz Aliari, Kaveh F. Sadabadi
- Abstract要約: 本稿では,高速道路交通渋滞事象の確実な検出と特徴付けのための機械学習に基づくアプローチを提案する。
速度データは最初10時間のスライディングウィンドウでタイムウインドウされ、3つのニューラルネットワークに入力される。
スライディングウィンドウは、各スローダウンイベントを複数回キャプチャし、渋滞検出の信頼性を高める。
- 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: Monitoring the dynamics of traffic in major corridors can provide invaluable
insight for traffic planning purposes. An important requirement for this
monitoring is the availability of methods to automatically detect major traffic
events and to annotate the abundance of travel data. This paper introduces a
machine learning based approach for reliable detection and characterization of
highway traffic congestion events from hundreds of hours of traffic speed data.
Indeed, the proposed approach is a generic approach for detection of changes in
any given time series, which is the wireless traffic sensor data in the present
study. The speed data is initially time-windowed by a ten-hour long sliding
window and fed into three Neural Networks that are used to detect the existence
and duration of congestion events (slowdowns) in each window. The sliding
window captures each slowdown event multiple times and results in increased
confidence in congestion detection. The training and parameter tuning are
performed on 17,483 hours of data that includes 168 slowdown events. This data
is collected and labeled as part of the ongoing probe data validation studies
at the Center for Advanced Transportation Technologies (CATT) at the University
of Maryland. The Neural networks are carefully trained to reduce the chances of
over-fitting to the training data. The experimental results show that this
approach is able to successfully detect most of the congestion events, while
significantly outperforming a heuristic rule-based approach. Moreover, the
proposed approach is shown to be more accurate in estimation of the start-time
and end-time of the congestion events.
- Abstract（参考訳）: 主要回廊における交通動態のモニタリングは、交通計画の目的に対して貴重な洞察を与えることができる。
このモニタリングの重要な要件は、主要なトラフィックイベントを自動的に検出し、旅行データに注釈を付ける方法が利用可能であることである。
本稿では,数百時間単位の交通速度データから,道路交通渋滞イベントの信頼性の高い検出と特徴付けのための機械学習手法を提案する。
実際、提案手法は、任意の時系列の変化を検出するための一般的なアプローチであり、これは現在の研究における無線交通センサデータである。
速度データは最初10時間のスライディングウィンドウでタイムウインドされ、各ウィンドウにおける混雑イベント(スローダウン)の存在と持続時間を検出するために使用される3つのニューラルネットワークに入力される。
スライディングウィンドウは、各スローダウンイベントを複数回キャプチャし、渋滞検出の信頼性を高める。
トレーニングとパラメータチューニングは168のスローダウンイベントを含む17,483時間のデータで実行される。
このデータは、メリーランド大学のCenter for Advanced Transportation Technologies(CATT)で進行中のプローブデータ検証研究の一部として収集され、ラベル付けされている。
ニューラルネットワークは、トレーニングデータに過剰に適合する可能性を減らすために慎重に訓練される。
実験結果から,本手法は混雑事象の大部分を検出できる一方で,ヒューリスティックなルールベースアプローチを著しく上回る結果が得られた。
さらに,渋滞イベントの開始時刻と終了時刻を推定する上で,提案手法がより正確であることを示す。
関連論文リスト
- Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。
スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。
その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
論文 参考訳（メタデータ） (2025-02-03T14:23:23Z) - Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。
単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
論文 参考訳（メタデータ） (2025-01-07T03:23:28Z) - A Machine Learning-based Algorithm for Automated Detection of
Frequency-based Events in Recorded Time Series of Sensor Data [0.0]
本研究では,時系列データ中の周波数に基づく事象を識別する新しい事象検出手法を提案する。
時系列データを解析するためには、訓練対象検出モデルを用いて頭蓋骨内にイベントを検出することができる。
このアルゴリズムは未知のデータセットに基づいて評価され、イベント検出の精度は0.97である。
論文 参考訳（メタデータ） (2023-10-16T21:35:23Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Traffic State Estimation from Vehicle Trajectories with Anisotropic Gaussian Processes [21.13555047611666]
本稿では,標準等方性GPカーネルを異方性カーネルに変換するカーネル回転再パラメータ化方式を提案する。
また、複数のレーンの交通状態を同時に推定できるマルチアウトプットGPへのアプローチも拡張しています。
連結車両(CV)と人間駆動車両(HV)の混合交通について検討し,交通状態推定(TSE)方式を5%から50%まで実験した。
論文 参考訳（メタデータ） (2023-03-04T03:59:17Z) - 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) - DeepFlow: Abnormal Traffic Flow Detection Using Siamese Networks [4.544151613454639]
我々は,シームズニューラルネットワークに基づくトラフィック異常検出システムであるDeepFlowを開発した。
本モデルでは,車両から収集した軌跡データを解析することにより,異常な交通流を検出することができる。
その結果,DeepFlowはF1スコアの78%で異常なトラフィックパターンを検出し,他の既存手法よりも優れていた。
論文 参考訳（メタデータ） (2021-08-26T19:56:05Z) - 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) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳（メタデータ） (2020-11-07T19:57:22Z) - Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
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。
論文 参考訳（メタデータ） (2020-06-22T14:26:19Z)
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。