論文の概要: Dynamic Toll Prediction Using Historical Data on Toll Roads: Case Study
of the I-66 Inner Beltway
- arxiv url: http://arxiv.org/abs/2104.10684v1
- Date: Tue, 20 Apr 2021 19:13:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-24 04:16:27.393805
- Title: Dynamic Toll Prediction Using Historical Data on Toll Roads: Case Study
of the I-66 Inner Beltway
- Title（参考訳）: 有料道路の歴史的データを用いた動的料金予測:I-66内ベルトウェイを事例として
- Authors: Sara Zahedian, Amir Nohekhan, Kaveh Farokhi Sadabadi
- Abstract要約: 本研究の目的は,ランダムフォレスト,多層パーセプトロン,長期記憶モデルのトレーニングとテストを通じて,料金の正確な予測を提供することである。
テストセット上でのモデルの予測性能は、すべてのモデルがベースモデルよりも著しく優れているが、ランダムフォレストがすべてのモデルを上回ることを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Providing the users of a dynamic tolling system with predictions of tolling
prices and the travel time difference between the toll road and the alternative
routes enables them to make their travel decisions before starting their trip.
This study aims to provide accurate predictions of tolling price through
training and testing random forest, multilayer perceptron, and long short-term
memory models and compare them with the current situation that the best
prediction is extending the current toll to the next timesteps. The prediction
time horizon includes five 6-minute time intervals ahead of the present time.
The prediction performance of models over the testing set reveals that while
all the models were significantly better than the base model, the random forest
outperforms all models. For instance, while in the trained models, the mean
absolute error range is from $1.5 to $2.5 for the next six minutes to the next
30 minutes, respectively, the same measure in the base model is in the range of
$2.5 to $6. The prediction of travel time difference along the toll road and
its alternative route with the shortest travel time revealed that the
multilayer perceptron performs marginally better than the base model. However,
due to a relatively stable travel time difference, the current travel time
difference is an acceptable prediction for the next 30 minutes prediction
horizon.
- Abstract（参考訳）: 動的料金体系の利用者に対して、料金の値上げと有料道路と代替ルートの走行時間差の予測を提供することで、旅行開始前に旅行決定を行うことができる。
本研究の目的は、ランダムフォレスト、多層パーセプトロン、長期記憶モデルのトレーニングおよびテストを通じて、トーリング価格の正確な予測を行い、それらを現在のトーリング価格を次のタイムステップまで延ばすという現在の状況と比較することである。
予測時間軸は、現在時刻より5分前の6分間の時間間隔を含む。
テストセット上でのモデルの予測性能は、すべてのモデルがベースモデルよりも著しく優れているが、ランダムフォレストがすべてのモデルを上回ることを示している。
例えば、トレーニングされたモデルでは、平均的な絶対エラー範囲は次の6分間で1.5ドルから2.5ドルから次の30分までですが、ベースモデルでも同じ尺度は2.5ドルから6ドルの範囲です。
有料道路沿いの走行時間差の予測と最短走行時間での代替経路の予測により,多層パーセプトロンはベースモデルよりも極端に優れた性能を示した。
しかし、比較的安定した移動時間差のため、現在の移動時間差は次の30分間の予測地平線に対して許容できる予測である。
関連論文リスト
- HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
HPNetは、新しい動的軌道予測手法である。
逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。
私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
論文 参考訳（メタデータ） (2024-04-09T14:42:31Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based
Recurrent Neural Networks [0.5399800035598186]
本稿では,高速道路における周辺車両の車線変更時期を正確に予測するシステムの開発について述べる。
大規模な実世界のデータセットに基づく評価は、最も困難な状況であっても、我々のアプローチが信頼できる予測を行うことができることを示している。
論文 参考訳（メタデータ） (2021-02-02T11:04:22Z) - From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。
我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。
また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文 参考訳（メタデータ） (2020-12-02T21:01:29Z) - Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
持続時間予測に有効な2つのモデルを提案する。
1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。
我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
論文 参考訳（メタデータ） (2020-11-05T01:52:11Z) - Multimodal semantic forecasting based on conditional generation of
future features [0.0]
本稿では,道路走行シーンにおける意味予測について考察する。
既存のほとんどのアプローチでは、この問題を将来の特徴の決定論的回帰や、観測されたフレームの将来の予測として扱う。
本稿では,観測フレーム上に条件付きマルチモーダル生成モデルのサンプリングとして,マルチモーダル予測を定式化する。
論文 参考訳（メタデータ） (2020-10-18T18:59:52Z) - Travel time prediction for congested freeways with a dynamic linear
model [10.965065178451104]
非線形トラフィック状態を近似するために動的線形モデル(DLM)を提案する。
特に短期予測では,精度が著しく向上した。
論文 参考訳（メタデータ） (2020-09-02T12:48:06Z) - Long-Term Prediction of Lane Change Maneuver Through a Multilayer
Perceptron [5.267336573374459]
横方向情報や角度情報のない長期(510秒)レーン変更予測モデルを提案する。
ロジスティック回帰モデル、多層パーセプトロン(MLP)モデル、リカレントニューラルネットワーク(RNN)モデルを含む3つの予測モデルが導入されている。
評価結果から, 開発した予測モデルでは, 実車線変更操作の75%を平均8.05秒で捉えることができることがわかった。
論文 参考訳（メタデータ） (2020-06-23T05:32:40Z) - BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。
特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。
また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
論文 参考訳（メタデータ） (2020-03-20T17:03:36Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。