論文の概要: Travel time prediction for congested freeways with a dynamic linear
model
- arxiv url: http://arxiv.org/abs/2009.01016v1
- Date: Wed, 2 Sep 2020 12:48:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 18:52:46.906172
- Title: Travel time prediction for congested freeways with a dynamic linear
model
- Title(参考訳): 動的線形モデルを用いた渋滞高速道路の走行時間予測
- Authors: Semin Kwak and Nikolas Geroliminis
- Abstract要約: 非線形トラフィック状態を近似するために動的線形モデル(DLM)を提案する。
特に短期予測では,精度が著しく向上した。
- 参考スコア(独自算出の注目度): 10.965065178451104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of travel time is an essential feature to support
Intelligent Transportation Systems (ITS). The non-linearity of traffic states,
however, makes this prediction a challenging task. Here we propose to use
dynamic linear models (DLMs) to approximate the non-linear traffic states.
Unlike a static linear regression model, the DLMs assume that their parameters
are changing across time. We design a DLM with model parameters defined at each
time unit to describe the spatio-temporal characteristics of time-series
traffic data. Based on our DLM and its model parameters analytically trained
using historical data, we suggest an optimal linear predictor in the minimum
mean square error (MMSE) sense. We compare our prediction accuracy of travel
time for freeways in California (I210-E and I5-S) under highly congested
traffic conditions with those of other methods: the instantaneous travel time,
k-nearest neighbor, support vector regression, and artificial neural network.
We show significant improvements in the accuracy, especially for short-term
prediction.
- Abstract(参考訳): 旅行時間の正確な予測は、インテリジェントトランスポーテーションシステム(ITS)をサポートするために欠かせない特徴である。
しかし、交通状態の非線形性は、この予測を困難なタスクにする。
本稿では,非線形トラフィック状態を近似するために動的線形モデル(DLM)を提案する。
静的線形回帰モデルとは異なり、DLMはパラメータが時間とともに変化していると仮定する。
時系列トラフィックデータの時空間特性を記述するために,各時間単位で定義されるモデルパラメータを用いたDLMを設計する。
DLMとそのモデルパラメータを歴史的データを用いて解析的に訓練し,最小平均二乗誤差(MMSE)の意味で最適線形予測器を提案する。
我々は,カリフォルニア州の高速道路(I210-EとI5-S)の交通条件下での走行時間の予測精度を,瞬時走行時間,k-アネレスト近傍,サポートベクトル回帰,人工ニューラルネットワークなどの他の手法と比較した。
特に短期予測では,精度が大幅に向上した。
関連論文リスト
- Spatial-Temporal Large Language Model for Traffic Prediction [22.78807405820044]
交通予測のための時空間大言語モデル(ST-LLM)を提案する。
ST-LLMは各場所のタイムステップをトークンとして再定義し、時空間埋め込みモジュールを組み込む。
少数ショットとゼロショットの予測シナリオにおいて、堅牢なパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-01-18T17:03:59Z) - Newell's theory based feature transformations for spatio-temporal
traffic prediction [0.0]
本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。
この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。
私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
論文 参考訳(メタデータ) (2023-07-12T06:31:43Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳(メタデータ) (2022-03-25T16:59:08Z) - 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 model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳(メタデータ) (2021-02-12T18:17:12Z) - 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) - An Effective Dynamic Spatio-temporal Framework with Multi-Source
Information for Traffic Prediction [0.22940141855172028]
提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3~7%向上する。
実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3~7%向上した。
論文 参考訳(メタデータ) (2020-05-08T14:23:52Z) - Neural Networks Model for Travel Time Prediction Based on ODTravel Time
Matrix [0.0]
2つのニューラルネットワークモデル、すなわち多層パーセプトロン(MLP)と長短期モデル(LSTM)を開発し、忙しい経路のリンク移動時間を予測する。
実験の結果,両モデルともほぼ正確な予測が可能であることがわかった。
論文 参考訳(メタデータ) (2020-04-08T15:01:13Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z) - 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。