論文の概要: From Twitter to Traffic Predictor: Next-Day Morning Traffic Prediction Using Social Media Data

• arxiv url: http://arxiv.org/abs/2009.13794v3
• Date: Wed, 29 Dec 2021 23:03:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 05:52:35.391961
• Title: From Twitter to Traffic Predictor: Next-Day Morning Traffic Prediction Using Social Media Data
• Title（参考訳）: Twitterからトラフィック予測へ:ソーシャルメディアデータによる次の朝の交通予測
• Authors: Weiran Yao, Sean Qian
• Abstract要約: 早朝の交通予報は朝の通勤交通管理に不可欠である。 我々は、人々の仕事や休息パターンの影響を理解するための調査方法として、Twitterメッセージのマイニングを提案する。 我々は、人々のつぶやきプロファイルを用いて朝の通勤混雑を予測する予測フレームワークを構築した。
• 参考スコア（独自算出の注目度）: 7.329080023791103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The effectiveness of traditional traffic prediction methods is often extremely limited when forecasting traffic dynamics in early morning. The reason is that traffic can break down drastically during the early morning commute, and the time and duration of this break-down vary substantially from day to day. Early morning traffic forecast is crucial to inform morning-commute traffic management, but they are generally challenging to predict in advance, particularly by midnight. In this paper, we propose to mine Twitter messages as a probing method to understand the impacts of people's work and rest patterns in the evening/midnight of the previous day to the next-day morning traffic. The model is tested on freeway networks in Pittsburgh as experiments. The resulting relationship is surprisingly simple and powerful. We find that, in general, the earlier people rest as indicated from Tweets, the more congested roads will be in the next morning. The occurrence of big events in the evening before, represented by higher or lower tweet sentiment than normal, often implies lower travel demand in the next morning than normal days. Besides, people's tweeting activities in the night before and early morning are statistically associated with congestion in morning peak hours. We make use of such relationships to build a predictive framework which forecasts morning commute congestion using people's tweeting profiles extracted by 5 am or as late as the midnight prior to the morning. The Pittsburgh study supports that our framework can precisely predict morning congestion, particularly for some road segments upstream of roadway bottlenecks with large day-to-day congestion variation. Our approach considerably outperforms those existing methods without Twitter message features, and it can learn meaningful representation of demand from tweeting profiles that offer managerial insights.
• Abstract（参考訳）: 従来の交通予測手法の有効性は早朝の交通動態の予測において極めて制限されることが多い。 その理由は、早朝の通勤中に交通が大幅にダウンし、この遮断の時間と期間が日によって大きく異なるためである。 早朝の交通予報は朝型交通管理に不可欠であるが、特に真夜中までには前もって予測することが困難である。 本稿では,前日の夕方から翌日の朝にかけての人々の作業や休息パターンが与える影響を理解するための調査手法として,twitter メッセージをマイニングすることを提案する。 このモデルは実験としてピッツバーグの高速道路網でテストされている。 結果として生じる関係は驚くほどシンプルで強力です。 概して、ツイートから示されるように初期の人々が休むと、混雑する道路は翌朝になる。 前日の夕方に起きた大きな出来事は、通常よりも高いか低いツイートの感情で表され、通常よりも次の朝の旅行需要が低いことを意味することが多い。 また、深夜と早朝のつぶやき活動は、朝のピーク時の混雑と統計的に関連付けられている。 このような関係を利用して、午前5時または深夜に抽出した人々のつぶやきプロファイルを用いて、朝の通勤混雑を予測する予測フレームワークを構築している。 ピッツバーグ・スタディは、特に道路のボトルネックの上流の一部の道路区間において、日々の混雑変動が大きいため、我々の枠組みが朝の混雑を正確に予測できることを支持しています。 当社のアプローチは、Twitterのメッセージ機能なしで既存の方法よりもかなり優れており、管理的な洞察を提供するツイートプロファイルから需要の有意義な表現を学習することができる。

関連論文リスト

• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• 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)
• Augmenting Lane Perception and Topology Understanding with Standard Definition Navigation Maps [51.24861159115138]
  Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。 本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。 この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
  論文  参考訳（メタデータ） (2023-11-07T15:42:22Z)
• Prior Based Online Lane Graph Extraction from Single Onboard Camera Image [133.68032636906133]
  単眼カメラ画像からレーングラフをオンラインに推定する。 前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。 オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
  論文  参考訳（メタデータ） (2023-07-25T08:58:26Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Traffic Congestion Prediction Using Machine Learning Techniques [2.034025911158587]
  本稿では,日,時間,天気データに基づいて渋滞を予測する交通渋滞予測モデルを提案する。 このモデルでは、道路の混雑が1週間前に予測され、平均RMSEは1.12である。
  論文  参考訳（メタデータ） (2022-06-22T11:17:46Z)
• Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting [14.71745498591372]
  本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。 まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。 次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
  論文  参考訳（メタデータ） (2022-06-19T20:17:15Z)
• The Atlas of Lane Changes: Investigating Location-dependent Lane Change Behaviors Using Measurement Data from a Customer Fleet [4.055489363682199]
  我々は、位置特異的なa-プリオリレーン変化確率を計算することによって、この共通プラクティスを拡大する第一歩を踏み出す。 人間の運転行動は、それぞれの場所によって全く同じ交通状況で変化する可能性がある。 信頼できる車線変更確率を導出するためには、広い顧客層が成功の鍵となる。
  論文  参考訳（メタデータ） (2021-06-23T07:29:19Z)
• Deriving the Traveler Behavior Information from Social Media: A Case Study in Manhattan with Twitter [0.0]
  Twitterのようなソーシャルメディアプラットフォームは、交通問題に対処する上で、まったく新しい視点を提供する。 本稿では,旅行行動情報の抽出におけるTwitterの可能性について検討する。
  論文  参考訳（メタデータ） (2021-01-27T15:19:50Z)
• 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)
• Traffic congestion and travel time prediction based on historical congestion maps and identification of consensual days [0.0]
  本稿では,高速道路における交通状況と走行時間をリアルタイムに推定するための,新しいプラクティスレディ手法を提案する。 フランスの高速道路で収集された10ヶ月のデータを使ってテストされる。
  論文  参考訳（メタデータ） (2020-11-10T12:46:08Z)

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。