論文の概要: Big Data application in congestion detection and classification using Apache spark

• arxiv url: http://arxiv.org/abs/2101.06524v1
• Date: Sat, 16 Jan 2021 21:26:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 04:27:52.135048
• Title: Big Data application in congestion detection and classification using Apache spark
• Title（参考訳）: apache sparkを用いた混雑検出と分類におけるビッグデータアプリケーション
• Authors: Atousa Zarindast, Anuj Sharma
• Abstract要約: 本研究では,効率的な混雑検出モデルを提案する。 基礎となるネットワークは、I-35、I-80、I-29、I-380の3017のセグメントで構成され、全長は1570マイル (0.4-0.6) である。 混雑検出の結果,提案手法の精度は90%であり,99.88%削減できた。
• 参考スコア（独自算出の注目度）: 4.107284515497257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the era of big data, an explosive amount of information is now available. This enormous increase of Big Data in both academia and industry requires large-scale data processing systems. A large body of research is behind optimizing Spark's performance to make it state of the art, a fast and general data processing system. Many science and engineering fields have advanced with Big Data analytics, such as Biology, finance, and transportation. Intelligent transportation systems (ITS) gain popularity and direct benefit from the richness of information. The objective is to improve the safety and management of transportation networks by reducing congestion and incidents. The first step toward the goal is better understanding, modeling, and detecting congestion across a network efficiently and effectively. In this study, we introduce an efficient congestion detection model. The underlying network consists of 3017 segments in I-35, I-80, I-29, and I-380 freeways with an overall length of 1570 miles and averaged (0.4-0.6) miles per segment. The result of congestion detection shows the proposed method is 90% accurate while has reduced computation time by 99.88%.
• Abstract（参考訳）: ビッグデータの時代とともに、爆発的な情報も利用可能になった。 学術と産業の両方におけるビッグデータの膨大な増加には、大規模なデータ処理システムが必要です。 Sparkのパフォーマンスを最適化して、高速で汎用的なデータ処理システムである最先端技術として、大規模な研究が行われている。 多くの科学と工学分野は、生物学、金融、輸送といったビッグデータ分析で進歩している。 インテリジェントトランスポートシステム(ITS)は、情報の豊かさから人気と直接的な利益を得る。 渋滞やインシデントを減らすことで交通ネットワークの安全性と管理を改善することを目的とする。 目標に向かう第一歩は、ネットワーク全体の混雑を効率的に効果的に理解し、モデリングし、検出することである。 本研究では,効率的な混雑検出モデルを提案する。 基礎となるネットワークは、I-35、I-80、I-29、I-380の3017のセグメントで構成され、全長は1570マイル (0.4-0.6) である。 その結果,提案手法の精度は90%であり,計算時間を99.88%削減できた。

関連論文リスト

• Distil the informative essence of loop detector data set: Is network-level traffic forecasting hungry for more data? [0.8002196839441036]
  本稿では,予測モデルのトレーニングに実際に有効なループデータのサンプル数を検討するために,不確実性を考慮したトラフィック予測フレームワークを提案する。 提案手法は,大規模トラフィックデータセットの真の情報内容を評価する上で有用である。
  論文  参考訳（メタデータ） (2023-10-31T11:23:10Z)
• Edge Computing-Enabled Road Condition Monitoring: System Development and Evaluation [5.296678854362804]
  リアルタイム舗装状態監視は、高速道路の機関にタイムリーかつ正確な情報を提供する。 既存の技術は手動のデータ処理に大きく依存しており、高価であるため、頻繁なネットワークレベルの舗装状態監視のためにスケールするのが困難である。 本研究では,安価なマイクロエレクトロメカニカルシステム(MEMS)センサ,エッジコンピューティング,マイクロコントローラのインターネット接続機能を活用したソリューションを提案する。
  論文  参考訳（メタデータ） (2023-10-09T00:55:41Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• 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)
• A Hybrid Physics Machine Learning Approach for Macroscopic Traffic State Estimation [20.716261308570555]
  本稿では,革新的なトラフィック状態推定フレームワークを提案する。 入力として、交通センサからの限られた情報を使用し、正確でフルフィールドで推定された交通状況を構築する。 実験の結果,提案手法は実地交通情報を正確に推定できることが証明された。
  論文  参考訳（メタデータ） (2022-02-01T06:04:18Z)
• 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)
• GAIA: A Transfer Learning System of Object Detection that Fits Your Needs [136.60609274344893]
  大規模データセットの事前学習によるトランスファーラーニングは,コンピュータビジョンや自然言語処理において,ますます重要な役割を担っている。 本稿では,物体検出の領域に着目し,GAIAと呼ばれる移動学習システムを提案する。 GAIAは、レイテンシ制約や指定されたデータドメインなどの下流要求に適合するモデルを選択する、強力な事前訓練されたウェイトを提供することができる。
  論文  参考訳（メタデータ） (2021-06-21T18:24:20Z)
• Feature Engineering for Data-driven Traffic State Forecast in Urban Road Networks [1.370633147306388]
  長期的な予測では、より遠いリンクやネットワークの領域のトラフィック状態は、データ駆動アルゴリズムに貴重な情報を提供すると期待されている。 本稿では,大規模な車両群が収集したクラスタリングネットワークアルゴリズムとFCD(Floating Car)の1年間の期待について検討する。
  論文  参考訳（メタデータ） (2020-09-17T15:03:33Z)
• Automatic Detection of Major Freeway Congestion Events Using Wireless Traffic Sensor Data: A Machine Learning Approach [0.0]
  本稿では,高速道路交通渋滞事象の確実な検出と特徴付けのための機械学習に基づくアプローチを提案する。 速度データは最初10時間のスライディングウィンドウでタイムウインドウされ、3つのニューラルネットワークに入力される。 スライディングウィンドウは、各スローダウンイベントを複数回キャプチャし、渋滞検出の信頼性を高める。
  論文  参考訳（メタデータ） (2020-07-09T21:38:45Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。