論文の概要: A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction
- arxiv url: http://arxiv.org/abs/2012.13479v1
- Date: Fri, 25 Dec 2020 01:40:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 04:33:16.183782
- Title: A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction
- Title（参考訳）: 信号因果情報を用いた動脈交通予測のためのグラフ畳み込みネットワーク
- Authors: Victor Chan, Qijian Gan, and Alexandre Bayen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 63.470149585093665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and reliable prediction of traffic measurements plays a crucial role
in the development of modern intelligent transportation systems. Due to more
complex road geometries and the presence of signal control, arterial traffic
prediction is a level above freeway traffic prediction. Many existing studies
on arterial traffic prediction only consider temporal measurements of flow and
occupancy from loop sensors and neglect the rich spatial relationships between
upstream and downstream detectors. As a result, they often suffer large
prediction errors, especially for long horizons. We fill this gap by enhancing
a deep learning approach, Diffusion Convolutional Recurrent Neural Network,
with spatial information generated from signal timing plans at targeted
intersections. Traffic at signalized intersections is modeled as a diffusion
process with a transition matrix constructed from the phase splits of the
signal phase timing plan. We apply this novel method to predict traffic flow
from loop sensor measurements and signal timing plans at an arterial
intersection in Arcadia, CA. We demonstrate that our proposed method yields
superior forecasts; for a prediction horizon of 30 minutes, we cut the MAPE
down to 16% for morning peaks, 10% for off peaks, and even 8% for afternoon
peaks. In addition, we exemplify the robustness of our model through a number
of experiments with various settings in detector coverage, detector type, and
data quality.
- Abstract（参考訳）: 交通計測の正確かつ信頼性の高い予測は、現代のインテリジェント輸送システムの開発において重要な役割を担っている。
より複雑な道路ジオメトリと信号制御の存在により、動脈交通予測は高速道路交通予測よりも高いレベルである。
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。
その結果、特に長い地平線において、大きな予測誤差を被ることが多い。
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。
信号位相タイミング計画の位相分割から構成された遷移行列を用いた拡散過程として信号化交差点でのトラフィックをモデル化する。
本研究では,カリフォルニア州アルカディアの動脈交差部におけるループセンサ計測と信号タイミング計画から交通流を予測する手法を提案する。
提案手法は予測精度が優れており,30分間の予測では,朝ピーク時では16%,オフピーク時では10%,午後ピーク時では8%に短縮した。
さらに,検出器のカバー範囲,検出器タイプ,データ品質など,さまざまな設定による実験を通じて,モデルのロバスト性を実証する。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Spatio-Temporal Partial Sensing Forecast for Long-term Traffic [11.052930563842347]
本稿では,一部の場所でのみセンサを仮定して,長期交通量の部分的検知トラフィック予測について検討する。
この研究は、あらゆる場所にセンサーを配置することでコストが高くなるため、交通管理におけるインフラ投資コストを下げる上で重要である。
論文 参考訳（メタデータ） (2024-08-02T21:22:22Z) - Networkwide Traffic State Forecasting Using Exogenous Information: A
Multi-Dimensional Graph Attention-Based Approach [0.0]
本稿では,グラフに基づく交通予測手法(M-STGAT)を提案する。
過去の速度の観測に基づいてトラフィックを予測し、車線閉鎖イベント、温度、交通網の可視性などを予測する。
30分、45分、60分の予測地平線でテストを行う場合、3つの代替モデルを上回る結果が得られた。
論文 参考訳（メタデータ） (2023-10-18T21:57:20Z) - A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic
Flow Forecasting [21.6456624219159]
トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。
本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。
提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
論文 参考訳（メタデータ） (2023-03-31T03:07:53Z) - 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) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z) - 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) - 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) - Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。
生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。
我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
論文 参考訳（メタデータ） (2020-06-23T08:49:46Z) - 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。