論文の概要: Gaussian Processes for Traffic Speed Prediction at Different Aggregation
Levels
- arxiv url: http://arxiv.org/abs/2011.11866v1
- Date: Tue, 24 Nov 2020 03:05:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 12:44:10.461977
- Title: Gaussian Processes for Traffic Speed Prediction at Different Aggregation
Levels
- Title(参考訳): 集束レベルでの交通速度予測のためのガウス過程
- Authors: Gurcan Comert
- Abstract要約: 本研究は,交通速度予測にガウス過程(GP)を適用した。
生成したモデルの性能について, 各種凝集レベル(1~60分)の1段階予測を検証した。
その結果、GPモデルは、同様の計算時間で比較モデルよりも一貫して性能を向上できると期待されている。
- 参考スコア(独自算出の注目度): 3.997680012976965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic behavior of traffic adversely affect the performance of the
prediction models in intelligent transportation applications. This study
applies Gaussian processes (GPs) to traffic speed prediction. Such predictions
can be used by various transportation applications, such as real-time route
guidance, ramp metering, congestion pricing and special events traffic
management. One-step predictions with various aggregation levels (1 to
60-minute) are tested for performance of the generated models. Univariate and
multivariate GPs are compared with several other linear, nonlinear time series,
and Grey system models using loop and Inrix probe vehicle datasets from
California, Portland, and Virginia freeways respectively. Based on the test
data samples, results are promising that GP models are able to consistently
outperform compared models with similar computational times.
- Abstract(参考訳): 知的輸送における交通の動的挙動は予測モデルの性能に悪影響を及ぼす。
本研究は交通速度予測にガウス過程(GP)を適用する。
このような予測は、リアルタイム経路案内、ランプメータ、混雑料金、特別なイベント交通管理など、様々な交通アプリケーションで使用することができる。
様々な集約レベル(1分から60分)のワンステップ予測を生成モデルの性能のためにテストする。
単変量および多変量GPは、カリフォルニア、ポートランド、バージニアの高速道路からのループおよびInrixプローブ車両データセットを用いて、他の線形および非線形時系列およびグレイシステムモデルと比較される。
実験データから, GPモデルが同様の計算時間で比較したモデルより一貫して性能を向上できることが期待できる。
関連論文リスト
- Contextual Stochastic Vehicle Routing with Time Windows [47.91283991228738]
本研究は,車両経路問題に時間窓 (VRPTW) と走行時間を用いて検討する。
観測された特徴に照らし合わせて,輸送コストと到着遅れの罰則を最小化する,文脈的VRPTWを導入する。
本稿では,歴史データを用いた新しいデータ駆動規範モデルを提案する。
論文 参考訳(メタデータ) (2024-02-10T14:56:36Z) - Online Test-Time Adaptation of Spatial-Temporal Traffic Flow Forecasting [13.770733370640565]
本稿では,時空間交通流予測問題に対するオンラインテスト時間適応手法の最初の研究を行う。
本稿では,直列分解法(ADCSD)による適応二重補正法を提案する。
提案手法では,テストフェーズ中にトレーニングされたモデル全体を微調整する代わりに,トレーニングされたモデルの後,ライトネットワークをアタッチし,データ入力が観測されるたびに,ライトネットワークのみをテストプロセスで微調整する。
論文 参考訳(メタデータ) (2024-01-08T12:04:39Z) - Robustness Benchmark of Road User Trajectory Prediction Models for
Automated Driving [0.0]
車両内のモデル展開中に観測される機能不全をシミュレートする摂動に対して、機械学習モデルをベンチマークする。
同様の摂動を持つモデルのトレーニングは、パフォーマンスの劣化を効果的に低減し、エラーは+87.5%まで増加する。
効果的な緩和戦略であるにもかかわらず、トレーニング中の摂動によるデータ拡張は、予期せぬ摂動に対する堅牢性を保証するものではない、と我々は主張する。
論文 参考訳(メタデータ) (2023-04-04T15:47:42Z) - GATraj: A Graph- and Attention-based Multi-Agent Trajectory Prediction
Model [18.762609012554147]
軌道予測は、自律運転やロボットナビゲーションといったインテリジェントシステムにおいて、長年にわたって問題となっていた。
本稿では,予測精度と推定速度のバランスが良好であるGATrajという注目グラフモデルを提案する。
論文 参考訳(メタデータ) (2022-09-16T11:29:19Z) - Deep Sequence Modeling for Anomalous ISP Traffic Prediction [3.689539481706835]
異常交通予測のための異なるディープシーケンスモデルの性能について検討・評価を行った。
LSTM_Encoder_Decoder (LSTM_En_De) は我々の実験で最高の予測モデルである。
論文 参考訳(メタデータ) (2022-05-03T17:01:45Z) - TransFollower: Long-Sequence Car-Following Trajectory Prediction through
Transformer [44.93030718234555]
本研究では,アテンションベーストランスフォーマーモデルに基づく自動車追従軌道予測モデルを提案する。
上海博物学運転研究会(SH-NDS)から抽出した実世界112,597台の乗用車追跡イベントを用いて、我々のモデルを訓練・試験する。
論文 参考訳(メタデータ) (2022-02-04T07:59:22Z) - 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) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:17:42Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳(メタデータ) (2021-02-12T18:17:12Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z) - QTIP: Quick simulation-based adaptation of Traffic model per Incident
Parameters [6.59529078336196]
QTIP(QTIP)は,交通の破壊に伴う予測モデルの適応のためのシミュレーションベースのフレームワークである。
QTIPは、影響を受ける道路のリアルタイムシミュレーションを複数のシナリオで実行し、結果を分析し、通常の予測モデルの変更を提案する。
デンマークの高速道路のケーススタディにおいて,QTIPを実験したところ,QTIPは道路事故発生最初の臨界時間において,交通予測を改善することができることがわかった。
論文 参考訳(メタデータ) (2020-03-09T13:07:07Z)
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。