論文の概要: Applications of deep learning in traffic congestion alleviation: A survey

• arxiv url: http://arxiv.org/abs/2102.09759v1
• Date: Fri, 19 Feb 2021 06:23:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-22 13:36:39.766851
• Title: Applications of deep learning in traffic congestion alleviation: A survey
• Title（参考訳）: 交通渋滞緩和における深層学習の応用 : 調査
• Authors: Nishant Kumar, Martin Raubal
• Abstract要約: 渋滞に関する予測タスクは、輸送ネットワークのサービスレベルを改善することを目的としている。 より高解像度のデータセットへのアクセスの増加に伴い、このような予測タスクにおけるディープラーニングの関連性が高まっている。 本稿では,渋滞の検出,予測,伝播に関わるタスクにおけるディープラーニング応用の現状について述べる。
• 参考スコア（独自算出の注目度）: 7.042262346669582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction tasks related to congestion are targeted at improving the level of service of the transportation network. With increasing access to larger datasets of higher resolution, the relevance of deep learning in such prediction tasks, is increasing. Several comprehensive survey papers in recent years have summarised the deep learning applications in the transportation domain. However, the system dynamics of the transportation network vary greatly between the non-congested state and the congested state -- thereby necessitating the need for a clear understanding of the challenges specific to congestion prediction. In this survey, we present the current state of deep learning applications in the tasks related to detection, prediction and propagation of congestion. Recurrent and non-recurrent congestion are discussed separately. Our survey leads us to uncover inherent challenges and gaps in the current state of research. Finally, we present some suggestions for future research directions as answers to the identified challenges.
• Abstract（参考訳）: 渋滞に関する予測タスクは、輸送ネットワークのサービスレベルを改善することを目的としている。 より高解像度のデータセットへのアクセスの増加に伴い、このような予測タスクにおけるディープラーニングの関連性が高まっている。 近年の総合的な調査論文は、交通分野におけるディープラーニングの応用を要約している。 しかし、輸送ネットワークのシステムダイナミクスは、非混雑状態と混雑状態の間に大きく異なるため、混雑予測に特有の課題を明確に理解する必要が生じる。 本調査では, 渋滞の検出, 予測, 伝播に関するタスクにおける深層学習応用の現状について述べる。 再発と非再発は別々に議論される。 私たちの調査は、現在の研究における固有の課題とギャップを明らかにすることにつながります。 最後に,今後の課題に対する回答として,今後の研究方向性を提案する。

関連論文リスト

• Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
  本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。 本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
  論文  参考訳（メタデータ） (2024-03-27T15:57:42Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
  蓄積とは、以前に獲得した知識の喪失または劣化を指す。 フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
  論文  参考訳（メタデータ） (2023-07-16T16:27:58Z)
• Traffic Prediction using Artificial Intelligence: Review of Recent Advances and Emerging Opportunities [2.5199066832791535]
  本調査は,交通予測手法の概要を概観することを目的としている。 具体的には、人工知能(AI)に基づく交通予測手法の最近の進歩と新たな研究機会に焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-31T06:25:19Z)
• A sequential transit network design algorithm with optimal learning under correlated beliefs [4.8951183832371]
  本研究では, 逐次的トランジットネットワーク設計と最適学習を組み合わせた人工知能駆動型アルゴリズムを提案する。 オペレータは、設計されたルートと実際の旅行需要との整合性からリスクを回避するために、徐々に経路システムを拡大する。 バリデーションのために、ニューヨーク市の公共利用マイクロデータエリアに基づく人工ネットワーク上に、新しいルートシステムを設計する。
  論文  参考訳（メタデータ） (2023-05-16T14:14:51Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• Listening to the city, attentively: A Spatio-Temporal Attention Boosted Autoencoder for the Short-Term Flow Prediction Problem [0.9625436987364908]
  マルチアテンション(空間的および時間的)を備えたSTREED-Netと呼ばれるフレームワークを提案し、高レベルの空間的および時間的特徴をより良くマイニングする。 都市が分断された異なる地域の流入と流出を予測するために、3つの実際のデータセットの実験を行います。
  論文  参考訳（メタデータ） (2021-03-01T13:17:33Z)
• Deep Learning on Traffic Prediction: Methods, Analysis and Future Directions [32.25707921285397]
  本稿では,複数の観点からの交通予測における深層学習に基づくアプローチに関する包括的調査を行う。 まず,既存の交通予測手法を要約し,分類について述べる。 第2に、異なるトラフィック予測アプリケーションにおける最先端のアプローチをリストアップする。
  論文  参考訳（メタデータ） (2020-04-18T08:28:10Z)

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。