論文の概要: Predicting Coordinated Actuated Traffic Signal Change Times using LSTM Neural Networks

• arxiv url: http://arxiv.org/abs/2008.08035v1
• Date: Mon, 10 Aug 2020 15:11:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 22:21:06.109218
• Title: Predicting Coordinated Actuated Traffic Signal Change Times using LSTM Neural Networks
• Title（参考訳）: lstmニューラルネットワークを用いた協調的交通信号変更時間予測
• Authors: Seifeldeen Eteifa, Hesham A. Rakha, Hoda Eldardiry
• Abstract要約: 本研究は、4段階の長期記憶深層学習に基づく方法論を詳述し、合理的な切換時間推定を提供する。 モデルへの入力には、コントローラロジック、信号タイミングパラメータ、日時、検出器からのトラフィック状態、車両のアクティベーションデータ、歩行者のアクティベーションデータが含まれていた。 LSTMにおける平均二乗誤差,平均絶対誤差,平均相対誤差を含む各損失関数の比較解析を行い,新しい損失関数を提案する。
• 参考スコア（独自算出の注目度）: 14.767495209601016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle acceleration and deceleration maneuvers at traffic signals results in significant fuel and energy consumption levels. Green light optimal speed advisory systems require reliable estimates of signal switching times to improve vehicle fuel efficiency. Obtaining these estimates is difficult for actuated signals where the length of each green indication changes to accommodate varying traffic conditions. This study details a four-step Long Short-Term Memory deep learning-based methodology that can be used to provide reasonable switching time estimates from green to red and vice versa while being robust to missing data. The four steps are data gathering, data preparation, machine learning model tuning, and model testing and evaluation. The input to the models included controller logic, signal timing parameters, time of day, traffic state from detectors, vehicle actuation data, and pedestrian actuation data. The methodology is applied and evaluated on data from an intersection in Northern Virginia. A comparative analysis is conducted between different loss functions including the mean squared error, mean absolute error, and mean relative error used in LSTM and a new loss function is proposed. The results show that while the proposed loss function outperforms conventional loss functions in terms of overall absolute error values, the choice of the loss function is dependent on the prediction horizon. In particular, the proposed loss function is outperformed by the mean relative error for very short prediction horizons and mean squared error for very long prediction horizons.
• Abstract（参考訳）: 交通信号における車両の加速と減速の操作は、かなりの燃料とエネルギー消費レベルをもたらす。 グリーンライト最適速度アドバイザリシステムは、車両の燃費を改善するために信号切替時間の信頼性の高い推定を必要とする。 これらの推定値を得ることは、各グリーン表示の長さが様々な交通条件に適合するように変化するような信号機では困難である。 本研究では、4段階の短期記憶深層学習に基づく手法について詳述する。この手法は緑から赤への合理的な切り替え時間を推定し、その逆もデータ欠落に対して堅牢である。 4つのステップは、データ収集、データ準備、機械学習モデルチューニング、モデルテストと評価である。 モデルへの入力には、制御ロジック、信号タイミングパラメータ、時刻、検出器からの交通状況、車両のアクチュエーションデータ、歩行者のアクチュエーションデータが含まれていた。 この手法は北バージニアの交差点のデータに基づいて適用され、評価される。 LSTMにおける平均二乗誤差,平均絶対誤差,平均相対誤差を含む各損失関数の比較解析を行い,新しい損失関数を提案する。 その結果,提案する損失関数は全体の絶対誤差値で従来の損失関数を上回っているが,損失関数の選択は予測地平線に依存することがわかった。 特に、提案した損失関数は、非常に短い予測地平線に対する平均相対誤差と、非常に長い予測地平線に対する平均2乗誤差によりより優れる。

関連論文リスト

• A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios [0.0]
  本稿では、重み解析と不均衡な分類問題から着想を得た種々の損失関数を探索し、この問題に対処する。 平均絶対誤差(MAE)を最適化する場合,MAE-Focal Loss関数が最も有効であることがわかった。 本研究は,混雑による急激な速度変化を予測する深層学習モデルの能力を高める。
  論文  参考訳（メタデータ） (2023-08-29T17:44:02Z)
• A Machine Learning Method for Predicting Traffic Signal Timing from Probe Vehicle Data [2.479294896735424]
  信号位相とタイミングデータを知ることで、時間とエネルギー効率の最適な車両ルーティングが可能になる。 車両プローブデータから交通信号のタイミング情報を推定する機械学習(ML)手法を提案する。
  論文  参考訳（メタデータ） (2023-08-04T15:10:07Z)
• 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)
• Traffic incident duration prediction via a deep learning framework for text description encoding [9.424574945499842]
  本稿では,限られた情報から入射時間を予測するための新しい融合フレームワークを提案する。 申請地域はサンフランシスコ市であり、交通事故記録と過去の交通渋滞情報の両方が豊富である。
  論文  参考訳（メタデータ） (2022-09-19T03:16:13Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• 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)
• Grey Models for Short-Term Queue Length Predictions for Adaptive Traffic Signal Control [9.880646813334812]
  待ち行列長のリアルタイム予測は、ASCSとの交点における異なる動きの拍子やタイミングを調整するのに利用できる。 本研究の目的は,ASCSで活用可能な信号化交差点の待ち時間予測モデルを開発することである。 サウスカロライナ州レキシントンの道路ネットワーク上で,ASCSと交差する5つの交差点の待ち行列長データを用いたケーススタディを行った。
  論文  参考訳（メタデータ） (2019-12-29T15:33:03Z)

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。