論文の概要: Modeling Traffic Congestion in Developing Countries using Google Maps Data

• arxiv url: http://arxiv.org/abs/2011.02359v1
• Date: Thu, 29 Oct 2020 13:46:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 00:19:03.253954
• Title: Modeling Traffic Congestion in Developing Countries using Google Maps Data
• Title（参考訳）: googleマップデータを用いた途上国の交通渋滞のモデル化
• Authors: Md. Aktaruzzaman Pramanik, Md Mahbubur Rahman, ASM Iftekhar Anam, Amin Ahsan Ali, M Ashraful Amin, and A K M Mahbubur Rahman
• Abstract要約: 本稿では,Google Mapのトラフィック層からのトラフィックデータを最小限のコストで収集する手法を提案する。 これらの単純なモデルであっても、交通渋滞を事前に予測できることが示されています。
• 参考スコア（独自算出の注目度）: 4.3117073200815375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic congestion research is on the rise, thanks to urbanization, economic growth, and industrialization. Developed countries invest a lot of research money in collecting traffic data using Radio Frequency Identification (RFID), loop detectors, speed sensors, high-end traffic light, and GPS. However, these processes are expensive, infeasible, and non-scalable for developing countries with numerous non-motorized vehicles, proliferated ride-sharing services, and frequent pedestrians. This paper proposes a novel approach to collect traffic data from Google Map's traffic layer with minimal cost. We have implemented widely used models such as Historical Averages (HA), Support Vector Regression (SVR), Support Vector Regression with Graph (SVR-Graph), Auto-Regressive Integrated Moving Average (ARIMA) to show the efficacy of the collected traffic data in forecasting future congestion. We show that even with these simple models, we could predict the traffic congestion ahead of time. We also demonstrate that the traffic patterns are significantly different between weekdays and weekends.
• Abstract（参考訳）: 交通渋滞の研究は、都市化、経済成長、工業化によって増加している。 開発途上国は、RFID(Radio Frequency Identification)、ループ検出器、速度センサ、ハイエンドの交通信号、GPSを使って、交通データ収集に多くの研究資金を投入している。 しかし、これらのプロセスは、多くの非電動車両、増殖したライドシェアリングサービス、頻繁な歩行者を持つ発展途上国にとって高価で実現不可能である。 本稿では,googleマップのトラフィック層から最小限のコストでトラフィックデータを収集する新しい手法を提案する。 我々は,履歴平均(ha),サポートベクトル回帰(svr),グラフを用いたサポートベクトル回帰(svr-graph),自動回帰統合移動平均(arima)などの広く利用されているモデルを実装し,将来の混雑予測における収集トラフィックデータの有効性を示した。 これらの単純なモデルであっても、交通渋滞を事前に予測できることが示されています。 また、トラフィックパターンが平日と週末で大きく異なることも示しています。

関連論文リスト

• 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)
• MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data [1.147374308875151]
  本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。 車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。 複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
  論文  参考訳（メタデータ） (2024-01-16T14:22:44Z)
• G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
  我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。 次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。 その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
  本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。 本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
  論文  参考訳（メタデータ） (2023-08-20T14:31:55Z)
• Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank [15.123457772023238]
  交通パターンバンク(TPB)を用いた都市間交通予測フレームワークを提案する。 TPBは、訓練済みのトラフィックパッチエンコーダを使用して、データ豊富な都市からの生のトラフィックデータを高次元空間に投影する。 隣接行列は、下流の時空間モデルで将来のトラフィックを予測するために構成される。
  論文  参考訳（メタデータ） (2023-08-17T13:29:57Z)
• 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)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• A First Look at Class Incremental Learning in Deep Learning Mobile Traffic Classification [68.11005070665364]
  インクリメンタルラーニング(IL)技術を使って、モデルに新しいクラスをフルリトレーニングせずに追加し、モデルのアップデートサイクルを高速化します。 iCarlはアートILメソッドのステートであり、MIRAGE-2019は40のAndroidアプリからのトラフィックを持つパブリックデータセットである。 解析によってその初期段階が明らかになっているにもかかわらず、IL技術は自動DLベースの交通分析システムへのロードマップに関する有望な研究分野である。
  論文  参考訳（メタデータ） (2021-07-09T14:28:16Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)
• An IoT-Based System: Big Urban Traffic Data Mining Through Airborne Pollutant Gases Analysis [0.0]
  イランなどの発展途上国では、人口の増加により車両の数が増加している。 交通警察官による交通渋滞を抑え、効率的に経路を拡大し、市民による交通の減少に最適な方法を選択する必要がある。 今日では、交通警察や都市交通管制システムなど多くの交通機関が、交通カメラ、誘導センサー、衛星画像、レーダーセンサー、超音波技術、電波識別(RFID)を都市交通診断に利用している。 本稿で提案する手法は,大気汚染量を算出して交通渋滞を発生させるスマートシステムを含むIOTに基づく交通渋滞の検出である。
  論文  参考訳（メタデータ） (2020-02-15T13:04:37Z)
• Traffic Modelling and Prediction via Symbolic Regression on Road Sensor Data [0.8602553195689513]
  本稿では,ラグ演算子により強化されたシンボル回帰に基づく,新しいかつ正確な交通流予測手法を提案する。 提案手法は都市道路の複雑度に適したロバストモデルであり,高速道路よりも予測が困難である。
  論文  参考訳（メタデータ） (2020-02-14T16:03:04Z)

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。