論文の概要: Integrated Traffic Simulation-Prediction System using Neural Networks
with Application to the Los Angeles International Airport Road Network
- arxiv url: http://arxiv.org/abs/2008.01902v1
- Date: Wed, 5 Aug 2020 01:41:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 18:55:23.662241
- Title: Integrated Traffic Simulation-Prediction System using Neural Networks
with Application to the Los Angeles International Airport Road Network
- Title（参考訳）: ニューラルネットワークを用いた統合交通シミュレーション予測システムとロサンゼルス国際空港道路ネットワークへの応用
- Authors: Yihang Zhang, Aristotelis-Angelos Papadopoulos, Pengfei Chen, Faisal
Alasiri, Tianchen Yuan, Jin Zhou, Petros A. Ioannou
- Abstract要約: 提案システムは,最適化に基づくOD行列生成手法と,トラフィックフローのパターンを介してOD行列を予測するニューラルネットワーク(NN)モデルと,微視的トラフィックシミュレータを含む。
ロサンゼルス国際空港(LAX)中央ターミナルエリア(CTA)の道路ネットワーク上で提案システムをテストする。
- 参考スコア（独自算出の注目度）: 39.975268616636
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transportation networks are highly complex and the design of efficient
traffic management systems is difficult due to lack of adequate measured data
and accurate predictions of the traffic states. Traffic simulation models can
capture the complex dynamics of transportation networks by using limited
available traffic data and can help central traffic authorities in their
decision-making, if appropriate input is fed into the simulator. In this paper,
we design an integrated simulation-prediction system which estimates the
Origin-Destination (OD) matrix of a road network using only flow rate
information and predicts the behavior of the road network in different
simulation scenarios. The proposed system includes an optimization-based OD
matrix generation method, a Neural Network (NN) model trained to predict OD
matrices via the pattern of traffic flow and a microscopic traffic simulator
with a Dynamic Traffic Assignment (DTA) scheme to predict the behavior of the
transportation system. We test the proposed system on the road network of the
central terminal area (CTA) of the Los Angeles International Airport (LAX),
which demonstrates that the integrated traffic simulation-prediction system can
be used to simulate the effects of several real world scenarios such as lane
closures, curbside parking and other changes. The model is an effective tool
for learning the impact and possible benefits of changes in the network and for
analyzing scenarios at a very low cost without disrupting the network.
- Abstract（参考訳）: 交通ネットワークは非常に複雑であり、適切な測定データや交通状態の正確な予測がないため、効率的な交通管理システムの設計は困難である。
交通シミュレーションモデルは、限られた交通データを用いて交通ネットワークの複雑なダイナミクスを捉えることができ、適切な入力がシミュレータに供給された場合、中央交通当局の意思決定を助けることができる。
本稿では,フローレート情報のみを用いて道路ネットワークのオリジン・デスティネーション(OD)行列を推定し,異なるシミュレーションシナリオで道路ネットワークの挙動を予測する統合シミュレーション・予測システムを設計する。
提案システムは,最適化に基づくOD行列生成手法と,交通流のパターンによるOD行列の予測を訓練したニューラルネットワーク(NN)モデルと,交通システムの挙動を予測するDTA(Dynamic Traffic Assignment)スキームを用いた微視的交通シミュレータを含む。
提案システムはロサンゼルス国際空港(lax)の中央ターミナルエリア(cta)の道路ネットワーク上でテストされ,車線閉鎖や縁石側駐車などの現実世界のシナリオの効果をシミュレーションするために,統合交通シミュレーション・予測システムが利用できることを示した。
このモデルは、ネットワークの変化の影響と潜在的利益を学習し、ネットワークを混乱させることなく、非常に低コストでシナリオを分析するための効果的なツールである。
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) - RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。
我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。
本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
論文 参考訳（メタデータ） (2024-05-08T17:28:07Z) - 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) - Leveraging Neo4j and deep learning for traffic congestion simulation &
optimization [0.0]
渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。
また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
論文 参考訳（メタデータ） (2023-04-01T01:23:10Z) - Traffic Volume Prediction using Memory-Based Recurrent Neural Networks:
A comparative analysis of LSTM and GRU [5.320087179174425]
我々は、リアルタイムにトラフィック量を予測するための非線形メモリベースディープニューラルネットワークモデルを開発した。
本実験は,高ダイナミックかつ異種交通環境における交通量予測における提案モデルの有効性を実証するものである。
論文 参考訳（メタデータ） (2023-03-22T15:25:07Z) - 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) - Modeling Network-level Traffic Flow Transitions on Sparse Data [6.756998301171409]
本稿では,スパースデータからネットワークレベルのトラフィックフローを予測できるDTIGNNを提案する。
提案手法は最先端の手法よりも優れており,交通機関の意思決定支援に有効であることを示す。
論文 参考訳（メタデータ） (2022-08-13T13:30:35Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - 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) - 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)
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。