Fugu-MT 論文翻訳(概要): Spatio-Temporal Graph Convolutional Networks for Road Network Inundation Status Prediction during Urban Flooding

論文の概要: Spatio-Temporal Graph Convolutional Networks for Road Network Inundation Status Prediction during Urban Flooding

arxiv url: http://arxiv.org/abs/2104.02276v1
Date: Tue, 6 Apr 2021 04:03:34 GMT
ステータス: 処理完了
システム内更新日: 2021-04-07 13:52:21.153919
Title: Spatio-Temporal Graph Convolutional Networks for Road Network Inundation Status Prediction during Urban Flooding
Title（参考訳）: 都市洪水時の道路ネットワーク浸出状況予測のための時空間グラフ畳み込みネットワーク
Authors: Faxi Yuan, Yuanchang Xu, Qingchun Li, Ali Mostafavi
Abstract要約: 本研究の目的は, 道路セグメントの近未来洪水の現状を, 道路セグメントの現状と隣接道路セグメントに基づいて予測することである。道路セグメントレベルでの道路ネットワークの洪水状況の予測に関する既存の研究は欠落している。
参考スコア（独自算出の注目度）: 1.376408511310322
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The objective of this study is to predict the near-future flooding status of road segments based on their own and adjacent road segments current status through the use of deep learning framework on fine-grained traffic data. Predictive flood monitoring for situational awareness of road network status plays a critical role to support crisis response activities such as evaluation of the loss of access to hospitals and shelters. Existing studies related to near-future prediction of road network flooding status at road segment level are missing. Using fine-grained traffic speed data related to road sections, this study designed and implemented three spatio-temporal graph convolutional network (STGCN) models to predict road network status during flood events at the road segment level in the context of the 2017 Hurricane Harvey in Harris County (Texas, USA). Model 1 consists of two spatio-temporal blocks considering the adjacency and distance between road segments, while Model 2 contains an additional elevation block to account for elevation difference between road segments. Model 3 includes three blocks for considering the adjacency and the product of distance and elevation difference between road segments. The analysis tested the STGCN models and evaluated their prediction performance. Our results indicated that Model 1 and Model 2 have reliable and accurate performance for predicting road network flooding status in near future (e.g., 2-4 hours) with model precision and recall values larger than 98% and 96%, respectively. With reliable road network status predictions in floods, the proposed model can benefit affected communities to avoid flooded roads and the emergency management agencies to implement evacuation and relief resource delivery plans.
Abstract（参考訳）: 本研究の目的は,詳細な交通データに深層学習フレームワークを用いて,道路セグメントと隣接する道路セグメントの洪水状況を予測することである。道路ネットワークの状況把握のための洪水予報モニタリングは,病院や避難所へのアクセス損失の評価などの危機対応活動を支援する上で重要な役割を担っている。道路セグメントレベルでの道路ネットワークの洪水状況の予測に関する既存の研究は欠落している。本研究は,道路区間に関する詳細な交通速度データを用いて,ハリス郡(テキサス州)の2017年ハリケーン・ハーヴェイで発生した道路セグメントレベルでの洪水時の道路ネットワーク状況を予測する3つの時空間グラフ畳み込みネットワーク(STGCN)モデルを設計,実装した。モデル1は2つの時空間ブロックから構成され、道路セグメント間の隣接性と距離を考慮し、モデル2は道路セグメント間の標高差を考慮に入れた追加の高架ブロックを含む。モデル3には3つのブロックが含まれており、道路セグメント間の距離と標高の差が生じる。解析はSTGCNモデルを試験し、予測性能を評価した。その結果,モデル1とモデル2は,モデル精度とリコール値が98%,モデル2が96%以上で,近い将来の道路ネットワーク浸水状況の予測性能(例:2～4時間)が向上していることがわかった。洪水における道路ネットワークの信頼性の高い状況予測により, 被災地や災害管理機関が避難・救援資源提供計画を実施するのを回避できる。

関連論文リスト

ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
論文参考訳（メタデータ） (2024-04-22T03:35:19Z)
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)
OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
論文参考訳（メタデータ） (2023-04-20T16:31:22Z)
Dynamic loss balancing and sequential enhancement for road-safety assessment and traffic scene classification [0.0]
道路安全検査は、道路インフラに寄与する道路事故死者を減らすのに欠かせない手段である。最近の研究は、道路安全属性としても知られる、慎重に選択されたリスク要因の観点から、道路安全評価を形式化している。本稿では,2段階のニューラルネットワークによる認識を自動化することにより,退屈な人的労働への依存を減らすことを提案する。
論文参考訳（メタデータ） (2022-11-08T11:10:07Z)
A Graph and Attentive Multi-Path Convolutional Network for Traffic Prediction [16.28015945020806]
本稿では,将来的な交通状況を予測するために,グラフおよび注意深いマルチパス畳み込みネットワーク(GAMCN)モデルを提案する。我々のモデルは交通条件に影響を与える空間的要因と時間的要因に焦点を当てている。予測精度は,予測誤差が最大18.9%,予測効率が23.4%である。
論文参考訳（メタデータ） (2022-05-30T16:24:43Z)
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 Road Flooding Risk with Machine Learning Approaches Using Crowdsourced Reports and Fine-grained Traffic Data [1.0554048699217669]
本研究の目的は,機械学習モデルを用いて地形,水文,時間的降水特性に基づいて,道路浸水リスクを予測することである。ハリケーン・ハービーの発見は、降水が道路の浸水感受性を予測する上で最も重要な特徴であることを示している。本研究は,道路レベルでの予測的洪水リスクマッピングの観点から,スマートフラッドレジリエンスの新たな分野を推し進めるものである。
論文参考訳（メタデータ） (2021-08-30T14:25:58Z)
PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic Condition Prediction [8.255993195520306]
本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
論文参考訳（メタデータ） (2021-08-05T07:42:43Z)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
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。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)
Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文参考訳（メタデータ） (2020-06-24T04:45:14Z)
A Network Percolation-based Contagion Model of Flood Propagation and Recession in Urban Road Networks [2.5876546798940616]
都市道路網は公共サービスの提供や緊急対応に不可欠である。本研究では,都市道路網における洪水水の時空間拡散・後退過程を数学的に記述する。提案モデルの適用は,2017年のハリケーン・ハーベイにおけるハリス郡の道路洪水の高解像度履歴データを用いて検証された。
論文参考訳（メタデータ） (2020-04-07T17:25:41Z)

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。