論文の概要: Dynamic Traffic Modeling From Overhead Imagery

• arxiv url: http://arxiv.org/abs/2012.10530v1
• Date: Fri, 18 Dec 2020 21:48:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:09:38.407739
• Title: Dynamic Traffic Modeling From Overhead Imagery
• Title（参考訳）: オーバーヘッド画像からの動的交通モデリング
• Authors: Scott Workman, Nathan Jacobs
• Abstract要約: 本稿では,畳み込みニューラルネットワークを用いた交通速度の動的マップ生成手法を提案する。 モデルをトレーニングするために、ニューヨーク市から収集した過去のトラフィックデータを活用する。
• 参考スコア（独自算出の注目度）: 35.5820716257079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Our goal is to use overhead imagery to understand patterns in traffic flow, for instance answering questions such as how fast could you traverse Times Square at 3am on a Sunday. A traditional approach for solving this problem would be to model the speed of each road segment as a function of time. However, this strategy is limited in that a significant amount of data must first be collected before a model can be used and it fails to generalize to new areas. Instead, we propose an automatic approach for generating dynamic maps of traffic speeds using convolutional neural networks. Our method operates on overhead imagery, is conditioned on location and time, and outputs a local motion model that captures likely directions of travel and corresponding travel speeds. To train our model, we take advantage of historical traffic data collected from New York City. Experimental results demonstrate that our method can be applied to generate accurate city-scale traffic models.
• Abstract（参考訳）: 私たちの目標は,日曜日の午前3時にタイムズスクエアを横切る速度など,トラフィックフローのパターンを理解するために,オーバーヘッドイメージを使用することです。 この問題を解決する伝統的なアプローチは、各道路セグメントの速度を時間の関数としてモデル化することである。 しかし、この戦略は、モデルが使われる前に大量のデータが最初に収集されなければならず、新しい領域に一般化できないという点で制限されている。 そこで我々は,畳み込みニューラルネットワークを用いて交通速度の動的マップを生成する手法を提案する。 本手法は頭上画像で動作し, 位置と時刻を条件とし, 移動方向と対応する移動速度を捉えた局所運動モデルを出力する。 モデルをトレーニングするには、ニューヨーク市から収集した歴史的交通データを活用する。 実験により,本手法を都市交通モデルに応用できることを実証した。

関連論文リスト

• Probabilistic Image-Driven Traffic Modeling via Remote Sensing [8.234589405189187]
  都市交通モデルの構築に使用できるマルチモーダル・マルチタスクトランスフォーマーに基づくセグメンテーションアーキテクチャを提案する。 そこで我々は,Dynamic Traffic Speedsベンチマークデータセットを用いて提案手法を広範囲に評価し,現状を著しく改善した。
  論文  参考訳（メタデータ） (2024-03-08T18:43:28Z)
• 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)
• Traffic Pattern Classification in Smart Cities Using Deep Recurrent Neural Network [0.519400993594577]
  本稿では,ディープリカレントニューラルネットワークに基づく交通パターン分類手法を提案する。 提案モデルでは、畳み込み層と繰り返し層を組み合わせて、トラフィックパターンデータから特徴を抽出する。 その結果,提案モデルは,95%の精度でスマートシティの交通パターンを正確に分類できることがわかった。
  論文  参考訳（メタデータ） (2024-01-24T20:24:32Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Traffic4cast -- Large-scale Traffic Prediction using 3DResNet and Sparse-UNet [2.568084386350801]
  本研究の目的は、歴史的データポイントを用いて、複数の都市における正常化された平均交通速度とサブリージョンの流れを予測する機械学習モデルを構築することである。 本大会では3DRparseNetes と Sparse-UNet の3つの課題について検討する。 この結果から,提案モデルがベースラインアルゴリズムよりもはるかに優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-10T23:40:52Z)
• 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)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• Multi View Spatial-Temporal Model for Travel Time Estimation [14.591364075326984]
  時空間と軌跡の依存性を捉えるためのマルチビュー時空間モデル(MVSTM)を提案する。 具体的には,空間ビューのモデル化にGraph2vec,軌跡ビューのモデル化にデュアルチャネル時間モジュール,トラフィックセマンティクスのモデル化に構造埋め込みを用いる。 大規模タクシー軌道データを用いた実験により,本手法は新規手法よりも有効であることが示された。
  論文  参考訳（メタデータ） (2021-09-15T16:11:18Z)
• 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)
• Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
  都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。 本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-13T21:14:38Z)

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。