論文の概要: Learning Traffic Speed Dynamics from Visualizations
- arxiv url: http://arxiv.org/abs/2105.01423v1
- Date: Tue, 4 May 2021 11:17:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 12:52:28.543740
- Title: Learning Traffic Speed Dynamics from Visualizations
- Title（参考訳）: 可視化による交通速度ダイナミクスの学習
- Authors: Bilal Thonnam Thodi, Zaid Saeed Khan, Saif Eddin Jabari and Monica
Menendez
- Abstract要約: 時空の可視化からマクロ交通速度のダイナミクスを学習する深層学習法を提案する。
既存の推定手法と比較して,より詳細な推定解決が可能となる。
次世代シミュレーションプログラム(NGSIM)とドイツ高速道路(HighD)のデータセットから得られたデータを用いて,高速道路区間の高分解能交通速度場を推定した。
- 参考スコア（独自算出の注目度）: 3.0969191504482243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Space-time visualizations of macroscopic or microscopic traffic variables is
a qualitative tool used by traffic engineers to understand and analyze
different aspects of road traffic dynamics. We present a deep learning method
to learn the macroscopic traffic speed dynamics from these space-time
visualizations, and demonstrate its application in the framework of traffic
state estimation. Compared to existing estimation approaches, our approach
allows a finer estimation resolution, eliminates the dependence on the initial
conditions, and is agnostic to external factors such as traffic demand, road
inhomogeneities and driving behaviors. Our model respects causality in traffic
dynamics, which improves the robustness of estimation. We present the
high-resolution traffic speed fields estimated for several freeway sections
using the data obtained from the Next Generation Simulation Program (NGSIM) and
German Highway (HighD) datasets. We further demonstrate the quality and utility
of the estimation by inferring vehicle trajectories from the estimated speed
fields, and discuss the benefits of deep neural network models in approximating
the traffic dynamics.
- Abstract（参考訳）: マクロな交通変数や微視的な交通変数の時空間可視化は、交通工学者が道路交通力学の様々な側面を理解し解析するために用いる定性的ツールである。
本稿では,これらの時空可視化からマクロトラヒック速度ダイナミクスを学ぶための深層学習手法を提案し,トラヒック状態推定の枠組みにおける適用例を示す。
既存の推定手法と比較して,より詳細な推定を可能とし,初期条件への依存をなくし,交通需要,道路不均一性,運転行動などの外部要因に依存しない手法である。
我々のモデルは交通力学の因果関係を尊重し、推定の堅牢性を改善する。
次世代シミュレーションプログラム(NGSIM)とドイツ高速道路(HighD)のデータセットから得られたデータを用いて,高速道路区間の高分解能交通速度場を推定した。
さらに,推定速度場から車両軌跡を推定することにより,推定の質と有用性を示し,交通動態を近似するディープニューラルネットワークモデルの利点について考察する。
関連論文リスト
- A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - Traffic Reconstruction and Analysis of Natural Driving Behaviors at
Unsignalized Intersections [1.7273380623090846]
この研究は、TNのメンフィスにある様々な無署名の交差点で、その日の異なる時間に交通を記録していた。
ビデオデータを手動でラベル付けして特定の変数をキャプチャした後,SUMOシミュレーション環境におけるトラフィックシナリオを再構築した。
これらのシミュレーションから得られた出力データは、車両移動の時間空間図、走行時間頻度分布、ボトルネック点を特定するための速度配置プロットなど、包括的な分析を提供する。
論文 参考訳（メタデータ） (2023-12-22T09:38:06Z) - 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) - Leveraging Neo4j and deep learning for traffic congestion simulation &
optimization [0.0]
渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。
また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
論文 参考訳（メタデータ） (2023-04-01T01:23:10Z) - Traffic Volume Prediction using Memory-Based Recurrent Neural Networks:
A comparative analysis of LSTM and GRU [5.320087179174425]
我々は、リアルタイムにトラフィック量を予測するための非線形メモリベースディープニューラルネットワークモデルを開発した。
本実験は,高ダイナミックかつ異種交通環境における交通量予測における提案モデルの有効性を実証するものである。
論文 参考訳（メタデータ） (2023-03-22T15:25:07Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - 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) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。
提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
論文 参考訳（メタデータ） (2020-01-21T12:52:58Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。