Fugu-MT 論文翻訳(概要): Feature Engineering for Data-driven Traffic State Forecast in Urban Road Networks

論文の概要: Feature Engineering for Data-driven Traffic State Forecast in Urban Road Networks

arxiv url: http://arxiv.org/abs/2009.08354v1
Date: Thu, 17 Sep 2020 15:03:33 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 12:15:03.129531
Title: Feature Engineering for Data-driven Traffic State Forecast in Urban Road Networks
Title（参考訳）: 都市道路網におけるデータ駆動交通状態予測のための特徴工学
Authors: Felix Rempe, Klaus Bogenberger
Abstract要約: 長期的な予測では、より遠いリンクやネットワークの領域のトラフィック状態は、データ駆動アルゴリズムに貴重な情報を提供すると期待されている。本稿では,大規模な車両群が収集したクラスタリングネットワークアルゴリズムとFCD(Floating Car)の1年間の期待について検討する。
参考スコア（独自算出の注目度）: 1.370633147306388
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Most traffic state forecast algorithms when applied to urban road networks consider only the links in close proximity to the target location. However, for longer-term forecasts also the traffic state of more distant links or regions of the network are expected to provide valuable information for a data-driven algorithm. This paper studies these expectations of using a network clustering algorithm and one year of Floating Car (FCD) collected by a large fleet of vehicles. First, a clustering algorithm is applied to the data in order to extract congestion-prone regions in the Munich city network. The level of congestion inside these clusters is analyzed with the help of statistical tools. Clear spatio-temporal congestion patterns and correlations between the clustered regions are identified. These correlations are integrated into a K- Nearest Neighbors (KNN) travel time prediction algorithm. In a comparison with other approaches, this method achieves the best results. The statistical results and the performance of the KNN predictor indicate that the consideration of the network-wide traffic is a valuable feature for predictors and a promising way to develop more accurate algorithms in the future.
Abstract（参考訳）: 都市道路網に適用されるほとんどの交通状況予測アルゴリズムは、ターゲット位置に近いリンクのみを考慮している。しかし、長期的な予測では、より遠いリンクやネットワークの領域のトラフィック状態も、データ駆動アルゴリズムに貴重な情報を提供すると期待されている。本稿では,大規模な車両群が収集したネットワーククラスタリングアルゴリズムとFCD(Floating Car)の1年間の期待について検討する。まず,ミュンヘンの都市ネットワークにおける渋滞発生地域を抽出するために,クラスタリングアルゴリズムを適用した。これらのクラスタ内の混雑レベルは、統計ツールの助けを借りて分析される。空間的空間的混雑パターンと群集領域間の相関を同定した。これらの相関関係は、KNearest Neighbors(KNN)旅行時間予測アルゴリズムに統合される。他の手法と比較すると、この方法は最良の結果が得られる。 knn予測器の統計的結果と性能は、ネットワーク全体のトラフィックを考慮することは予測者にとって貴重な特徴であり、将来より正確なアルゴリズムを開発するための有望な方法であることを示している。

関連論文リスト

Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-06-15T14:50:27Z)
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)
STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文参考訳（メタデータ） (2022-03-21T06:38:34Z)
Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities [9.891703123090528]
本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。 DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。 3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
論文参考訳（メタデータ） (2022-02-08T03:58:39Z)
Multistep traffic speed prediction: A deep learning based approach using latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
論文参考訳（メタデータ） (2021-11-03T10:17:48Z)
Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
論文参考訳（メタデータ） (2021-09-11T09:04:35Z)
Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文参考訳（メタデータ） (2021-03-13T06:56:29Z)
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)
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)
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-23T03:50:46Z)
Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。