論文の概要: Cycle-to-Cycle Queue Length Estimation from Connected Vehicles with
Filtering on Primary Parameters
- arxiv url: http://arxiv.org/abs/2011.09370v1
- Date: Wed, 18 Nov 2020 16:09:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 03:55:15.041071
- Title: Cycle-to-Cycle Queue Length Estimation from Connected Vehicles with
Filtering on Primary Parameters
- Title（参考訳）: 一次パラメータに基づくフィルタ付き連結車両のサイクル・サイクル待ち時間推定
- Authors: Gurcan Comert, Negash Begashaw
- Abstract要約: 本研究では,連結車両情報フィルタリングが待ち時間推定モデルに与える影響について検討する。
マイクロシミュレーションを用いて、既知の到着率と市場浸透率のシナリオに対して精度を検証した。
その結果,パラメータ推定器はKalmanフィルタとParticleフィルタで15分以内に真の値を見つけることができることがわかった。
- 参考スコア（独自算出の注目度）: 6.282068591820945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimation models from connected vehicles often assume low level parameters
such as arrival rates and market penetration rates as known or estimate them in
real-time. At low market penetration rates, such parameter estimators produce
large errors making estimated queue lengths inefficient for control or
operations applications. In order to improve accuracy of low level parameter
estimations, this study investigates the impact of connected vehicles
information filtering on queue length estimation models. Filters are used as
multilevel real-time estimators. Accuracy is tested against known arrival rate
and market penetration rate scenarios using microsimulations. To understand the
effectiveness for short-term or for dynamic processes, arrival rates, and
market penetration rates are changed every 15 minutes. The results show that
with Kalman and Particle filters, parameter estimators are able to find the
true values within 15 minutes and meet and surpass the accuracy of known
parameter scenarios especially for low market penetration rates. In addition,
using last known estimated queue lengths when no connected vehicle is present
performs better than inputting average estimated values. Moreover, the study
shows that both filtering algorithms are suitable for real-time applications
that require less than 0.1 second computational time.
- Abstract（参考訳）: 連結車両からの推定モデルは、しばしば到着率や市場浸透率などの低レベルパラメータを既知のように仮定し、リアルタイムで推定する。
低市場浸透率では、そのようなパラメータ推定器は大きなエラーを発生させ、推定キュー長は制御や操作のアプリケーションでは非効率になる。
低レベルパラメータ推定の精度を向上させるために,連結車両情報フィルタリングが待ち行列長推定モデルに与える影響を検討する。
フィルタはマルチレベルリアルタイム推定器として使用される。
マイクロシミュレーションを用いて、既知の到着率と市場浸透率シナリオに対する精度をテストする。
短期的または動的プロセスの有効性を理解するため、到着率と市場浸透率を15分毎に変更する。
その結果, パラメータ推定器は, カルマンフィルタとパーティクルフィルタを用いて15分以内に真の値を見つけ, 特に市場浸透率の低いパラメータシナリオの精度を達成し, 達成できることがわかった。
また、連結車両が存在しない場合の待ち行列長は、平均推定値の入力よりも優れている。
さらに,2つのフィルタリングアルゴリズムは,0.1秒未満の計算時間を必要とするリアルタイムアプリケーションに適していることを示した。
関連論文リスト
- Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data [19.01488741469791]
斜め交通速度を正確に推定するための効率的でロバストな低ランクモデルを提案する。
提案手法は,TSEシナリオにおけるルート平均角誤差(RMSE)を最大12%改善する。
最先端のSOTA(State-of-the-art)メソッドよりも20倍以上高速に動作します。
論文 参考訳（メタデータ） (2024-11-06T15:13:40Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳（メタデータ） (2022-12-14T01:21:05Z) - GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。
モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
論文 参考訳（メタデータ） (2022-11-13T06:32:28Z) - 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) - Short Duration Traffic Flow Prediction Using Kalman Filtering [0.0]
調査は、ソバンバグ・モスク近郊のダッカのミルプル・ロードで行われた。
ストリームには異質なトラフィックの混合が含まれており、予測の不確実性を示している。
提案されたモデルの平均絶対パーセンテージ誤差(MAPE)は14.62であり、KFTモデルは合理的に予測できることを示している。
論文 参考訳（メタデータ） (2022-08-06T00:30:47Z) - Adaptive Low-Pass Filtering using Sliding Window Gaussian Processes [71.23286211775084]
ガウス過程回帰に基づく適応型低域通過フィルタを提案する。
本研究では,提案手法の誤差が一様境界であることを示す。
論文 参考訳（メタデータ） (2021-11-05T17:06:59Z) - Predicting Coordinated Actuated Traffic Signal Change Times using LSTM
Neural Networks [14.767495209601016]
本研究は、4段階の長期記憶深層学習に基づく方法論を詳述し、合理的な切換時間推定を提供する。
モデルへの入力には、コントローラロジック、信号タイミングパラメータ、日時、検出器からのトラフィック状態、車両のアクティベーションデータ、歩行者のアクティベーションデータが含まれていた。
LSTMにおける平均二乗誤差,平均絶対誤差,平均相対誤差を含む各損失関数の比較解析を行い,新しい損失関数を提案する。
論文 参考訳（メタデータ） (2020-08-10T15:11:21Z) - Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。
可変スキップは、10-100$timesの効率向上をもたらすことを示す。
論文 参考訳（メタデータ） (2020-07-10T19:01:40Z) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2020-06-24T23:13:11Z) - Deep Echo State Networks for Short-Term Traffic Forecasting: Performance
Comparison and Statistical Assessment [8.586891288891263]
短期的な交通予測では、関心のある交通パラメータの将来の値を正確に予測することが目的である。
Deep Echo State Networksは、考慮されている他のモデリングモデルよりも正確なトラフィック予測を実現している。
論文 参考訳（メタデータ） (2020-04-17T11:07:25Z) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳（メタデータ） (2020-04-04T14:16:27Z)
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。