Fugu-MT 論文翻訳(概要): Defining Traffic States using Spatio-temporal Traffic Graphs

論文の概要: Defining Traffic States using Spatio-temporal Traffic Graphs

arxiv url: http://arxiv.org/abs/2008.00827v1
Date: Mon, 27 Jul 2020 17:27:52 GMT
ステータス: 処理完了
システム内更新日: 2022-11-06 08:02:21.304592
Title: Defining Traffic States using Spatio-temporal Traffic Graphs
Title（参考訳）: 時空間交通グラフを用いた交通状態の定義
Authors: Debaditya Roy, K. Naveen Kumar, C. Krishna Mohan
Abstract要約: 本稿では,交通グラフを用いた交差点の空間領域の交通状況の把握手法を提案する。これらのトラフィックグラフが時間とともに異なるトラフィック状態を示す方法 — a) 渋滞が形成されている(クランプ)、あるいは、渋滞が分散している(アンクランプ)、c) トラフィックが正常に流れている(中性)。
参考スコア（独自算出の注目度）: 9.861775841965386
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Intersections are one of the main sources of congestion and hence, it is important to understand traffic behavior at intersections. Particularly, in developing countries with high vehicle density, mixed traffic type, and lane-less driving behavior, it is difficult to distinguish between congested and normal traffic behavior. In this work, we propose a way to understand the traffic state of smaller spatial regions at intersections using traffic graphs. The way these traffic graphs evolve over time reveals different traffic states - a) a congestion is forming (clumping), the congestion is dispersing (unclumping), or c) the traffic is flowing normally (neutral). We train a spatio-temporal deep network to identify these changes. Also, we introduce a large dataset called EyeonTraffic (EoT) containing 3 hours of aerial videos collected at 3 busy intersections in Ahmedabad, India. Our experiments on the EoT dataset show that the traffic graphs can help in correctly identifying congestion-prone behavior in different spatial regions of an intersection.
Abstract（参考訳）: 交差点は混雑の主な原因の1つであり,交差点における交通行動を理解することが重要である。特に, 自動車密度, 混在交通タイプ, レーンレス運転行動の発達途上国では, 渋滞と正常交通行動の区別が困難である。本研究では,トラヒックグラフを用いて交差点におけるより小さな空間領域の交通状態を理解する手法を提案する。トラフィックグラフが時間とともにどのように進化するかは、異なるトラフィック状態を明らかにします。a) 渋滞が形成されている(クランプ)、渋滞が分散している(アンクランプ)、c) トラフィックが正常に流れている(中性)。これらの変化を特定するために、時空間深層ネットワークをトレーニングする。また、インド・アフマドバードの3つの交差点で収集された3時間の空中ビデオを含むEyeonTraffic (EoT)と呼ばれる大規模なデータセットも紹介した。 EoTデータセットを用いた実験により,交通グラフは交差点の異なる空間領域における混雑傾向を正確に識別するのに役立つことが示された。

関連論文リスト

Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
論文参考訳（メタデータ） (2024-04-22T03:35:19Z)
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)
FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph [10.675666104503119]
本稿では,詳細な深部交通推論をedIと呼ぶ。道路間の関係をモデル化するために,交通信号に基づくきめ細かい交通グラフを構築した。私たちは、都市レベルのきめ細かい交通予測を最初に実施しました。
論文参考訳（メタデータ） (2023-06-19T14:03:42Z)
Relation-based Motion Prediction using Traffic Scene Graphs [12.68339084600328]
交通現場の関連情報を表現し,その環境を理解することは,自動運転の成功に不可欠である。本研究では,交通参加者に関する様々な予測を行うために,交通シーンを空間意味シーングラフの形式でモデル化する。我々の学習と推論手法はグラフニューラルネットワーク(GNN)を用いて,交通参加者間の空間的意味関係に関する明示的な情報を取り入れることで,述語結果が改善されることを示す。
論文参考訳（メタデータ） (2022-11-24T13:04:08Z)
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)
A Graph-based U-Net Model for Predicting Traffic in unseen Cities [5.501569874656471]
トラフィックデータの表現方法は、スピードやボリュームといったトラフィックの属性を可視化するヒートマップを時間的に変更する形で行われる。本稿では,U-Netアーキテクチャとグラフ層を組み合わせた空間一般化手法を提案する。
論文参考訳（メタデータ） (2022-02-11T09:11:04Z)
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)
Courteous Behavior of Automated Vehicles at Unsignalized Intersections via Reinforcement Learning [30.00761722505295]
深層強化学習を用いた混在交通状況における交差点における交通流の最適化手法を提案する。我々の強化学習エージェントは、信号のない交差点で接続された自動運転車が道路の権利を放棄し、交通の流れを最適化するために他の車両に利する、集中型制御器のポリシーを学習する。
論文参考訳（メタデータ） (2021-06-11T13:16:48Z)
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)
HOG, LBP and SVM based Traffic Density Estimation at Intersection [4.199844472131922]
車両の大量輸送は交通渋滞、不要な遅延、汚染、損失、健康問題、事故、緊急車両の通行、交通違反を引き起こす。従来の交通管理・制御システムではこの問題に対処できない。交通流の効率を高めるために最適化された、賢明な制御システムが必要である。
論文参考訳（メタデータ） (2020-05-04T18:08:35Z)

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。