論文の概要: Traffic congestion and travel time prediction based on historical
congestion maps and identification of consensual days
- arxiv url: http://arxiv.org/abs/2011.05073v2
- Date: Thu, 12 Nov 2020 16:12:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 08:14:57.709136
- Title: Traffic congestion and travel time prediction based on historical
congestion maps and identification of consensual days
- Title（参考訳）: 歴史的混雑図に基づく交通渋滞と旅行時間予測と合意日の同定
- Authors: Nicolas Chiabaut, R\'emi Faitout
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, a new practice-ready method for the real-time estimation of
traffic conditions and travel times on highways is introduced. First, after a
principal component analysis, observation days of a historical dataset are
clustered. Two different methods are compared: a Gaussian Mixture Model and a
k-means algorithm. The clustering results reveal that congestion maps of days
of the same group have substantial similarity in their traffic conditions and
dynamic. Such a map is a binary visualization of the congestion propagation on
the freeway, giving more importance to the traffic dynamics. Second, a
consensus day is identified in each cluster as the most representative day of
the community according to the congestion maps. Third, this information
obtained from the historical data is used to predict traffic congestion
propagation and travel times. Thus, the first measurements of a new day are
used to determine which consensual day is the closest to this new day. The past
observations recorded for that consensual day are then used to predict future
traffic conditions and travel times. This method is tested using ten months of
data collected on a French freeway and shows very encouraging results.
- Abstract（参考訳）: 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新しいプラクティスレディ手法を提案する。
まず、主成分分析の後、過去のデータセットの観測日をクラスタ化する。
ガウス混合モデルとk平均アルゴリズムの2つの異なる手法を比較した。
クラスタリングの結果、同じグループの日々の混雑マップは交通条件と動的にかなり類似していることが判明した。
このような地図は高速道路の混雑伝播のバイナリな可視化であり、交通力学をより重要視している。
第2に、混雑マップによれば、各クラスタでコンセンサスデーがコミュニティの最も代表的な日として特定される。
第三に、この履歴データから得られた情報を用いて交通渋滞の伝播と走行時間を予測する。
したがって、この新日がどの合意日が最も近いかを決定するために、新しい日の最初の測定が用いられる。
その日の過去の観測は、将来の交通状況や旅行時間を予測するために使われる。
この方法は、フランス高速道路で収集された10ヶ月のデータを用いてテストされ、非常に励みやすい結果を示す。
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) - 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 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) - 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) - 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) - 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) - Defining Traffic States using Spatio-temporal Traffic Graphs [9.861775841965386]
本稿では,交通グラフを用いた交差点の空間領域の交通状況の把握手法を提案する。
これらのトラフィックグラフが時間とともに異なるトラフィック状態を示す方法 — a) 渋滞が形成されている(クランプ)、あるいは、渋滞が分散している(アンクランプ)、c) トラフィックが正常に流れている(中性)。
論文 参考訳（メタデータ） (2020-07-27T17:27:52Z) - 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) - 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)
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。