論文の概要: Traffic Flow Estimation using LTE Radio Frequency Counters and Machine Learning

• arxiv url: http://arxiv.org/abs/2101.09143v1
• Date: Fri, 22 Jan 2021 15:05:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-03-20 23:08:23.741715
• Title: Traffic Flow Estimation using LTE Radio Frequency Counters and Machine Learning
• Title（参考訳）: LTEラジオ周波数カウンタと機械学習を用いた交通流推定
• Authors: Forough Yaghoubi (1), Armin Catovic (2), Arthur Gusmao (1), Jan Pieczkowski (1), Peter Boros (1) ((1) Ericsson AB, (2) Schibsted Media Group)
• Abstract要約: 本稿では,LTE/4G無線周波数性能測定カウンタを用いた新しいトラフィックフロー推定手法を提案する。 我々のアプローチは、時間だけでなく空間においてもソリューションを一般化するためにトランスファーラーニングを適用することの利点が示される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the demand for vehicles continues to outpace construction of new roads, it becomes imperative we implement strategies that improve utilization of existing transport infrastructure. Traffic sensors form a crucial part of many such strategies, giving us valuable insights into road utilization. However, due to cost and lead time associated with installation and maintenance of traffic sensors, municipalities and traffic authorities look toward cheaper and more scalable alternatives. Due to their ubiquitous nature and wide global deployment, cellular networks offer one such alternative. In this paper we present a novel method for traffic flow estimation using standardized LTE/4G radio frequency performance measurement counters. The problem is cast as a supervised regression task using both classical and deep learning methods. We further apply transfer learning to compensate that many locations lack traffic sensor data that could be used for training. We show that our approach benefits from applying transfer learning to generalize the solution not only in time but also in space (i.e., various parts of the city). The results are very promising and, unlike competing solutions, our approach utilizes aggregate LTE radio frequency counter data that is inherently privacy-preserving, readily available, and scales globally without any additional network impact.
• Abstract（参考訳）: 車両需要が新道路の建設を上回り続ける中、既存の交通インフラの活用を改善する戦略を実施することが不可欠となる。 交通センサーは多くの戦略の重要な部分を形成し、道路利用に関する貴重な洞察を与えてくれます。 しかし、交通センサの設置と整備に伴うコストとリード時間により、自治体や交通当局は安価でスケーラブルな代替手段を模索している。 ユビキタスな性質と広範なグローバル展開のため、セルラーネットワークはそのような代替手段を提供する。 本稿では,LTE/4G無線周波数性能測定カウンタを用いたトラフィックフロー推定手法を提案する。 この問題は古典的手法と深層学習法の両方を用いて教師付き回帰タスクとしてキャストされる。 さらに、多くのロケーションにトレーニングに使用できるトラフィックセンサデータがないことを補うために、転送学習を適用する。 われわれのアプローチは、時間だけでなく空間(すなわち都市の様々な部分)でも解を一般化するために移動学習を適用することの利点を示す。 結果は非常に有望であり、競合するソリューションとは異なり、当社のアプローチはLTEの電波カウンタデータを利用しており、これは本質的にプライバシーを保護し、容易に利用できる。

関連論文リスト

• Data-Driven Transfer Learning Framework for Estimating Turning Movement Counts [2.5920304684810014]
  本研究では,交点における移動数(TMC)の推定に伝達学習を活用する新しい枠組みを提案する。 提案したTLモデルの性能を8つの最先端回帰モデルと比較し,平均絶対誤差とルート平均正方形誤差の最小値を得た。
  論文  参考訳（メタデータ） (2024-12-13T05:02:16Z)
• SSMT: Few-Shot Traffic Forecasting with Single Source Meta-Transfer [19.768107394061374]
  本稿では,交通予測に単一ソース市にのみ依存するSSMT(Single Source Meta-Transfer Learning)を提案する。 提案手法は, 限られたデータを持つ都市において, この伝達された知識を活用して, 数発の交通予報を可能にする。 我々は、ソースシティからの多様な時間的トラフィックパターンを活用することで、正弦波位置符号化の考え方を拡張し、メタラーニングタスクを確立する。
  論文  参考訳（メタデータ） (2024-10-21T02:17:25Z)
• MoveLight: Enhancing Traffic Signal Control through Movement-Centric Deep Reinforcement Learning [13.369840354712021]
  MoveLightは移動中心の深層強化学習を通じて都市交通管理を強化する新しい交通信号制御システムである。 詳細なリアルタイムデータと高度な機械学習技術を活用することで、MoveLightは従来の信号制御手法の限界を克服する。
  論文  参考訳（メタデータ） (2024-07-24T14:17:16Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Short Run Transit Route Planning Decision Support System Using a Deep Learning-Based Weighted Graph [0.0]
  本稿では,公共交通機関の計画立案者が短期間の経路改善を迅速に特定できるような,意思決定支援システムのための新しいディープラーニング手法を提案する。 本手法は,日中の2つの停留所間の経路をシームレスに調整することにより,時間を短縮し,PTサービスを増強する。 本研究では,道路セグメントの遅延値を予測するためのディープラーニングモデルを訓練し,これらの遅延値を輸送グラフのエッジ重みとして利用することにより,効率的な経路探索を実現する。
  論文  参考訳（メタデータ） (2023-08-24T14:37:55Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• Continual Meta-Reinforcement Learning for UAV-Aided Vehicular Wireless Networks [29.89196067653312]
  無人航空基地局(UABS)は、V2Xサービスによる拡張センシングなどのアプリケーションをサポートするために、車載無線ネットワークに配備することができる。 このようなシステムの鍵となる問題は、UABSの軌道を効率的に最適化し、カバー範囲を最大化するアルゴリズムを設計することである。 本稿では,以前に経験した交通構成から新しい条件へ情報を伝達する手段として,連続メタRLを提案する。
  論文  参考訳（メタデータ） (2022-07-13T11:28:02Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Traffic Management of Autonomous Vehicles using Policy Based Deep Reinforcement Learning and Intelligent Routing [0.26249027950824505]
  本稿では,交差点の混雑状況に応じて交通信号を調整するDRLに基づく信号制御システムを提案する。 交差点の後方の道路での渋滞に対処するため,道路ネットワーク上で車両のバランスをとるために再ルート手法を用いた。
  論文  参考訳（メタデータ） (2022-06-28T02:46:20Z)
• 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)
• 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)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)

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。