論文の概要: A probabilistic model for missing traffic volume reconstruction based on data fusion

• arxiv url: http://arxiv.org/abs/2105.02777v1
• Date: Thu, 6 May 2021 16:16:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 13:12:40.897332
• Title: A probabilistic model for missing traffic volume reconstruction based on data fusion
• Title（参考訳）: データ融合に基づく交通量再構成の確率モデル
• Authors: Xintao Yan, Yan Zhao, Henry X. Liu
• Abstract要約: 固定位置センサデータとプローブ車両データを融合し,交通量再構成の確率モデルを提案する。 実世界のトラヒックボリュームデータセットを用いて,提案手法が広く研究されているデータ問題に対する最先端手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 5.389118559012973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic volume information is critical for intelligent transportation systems. It serves as a key input to transportation planning, roadway design, and traffic signal control. However, the traffic volume data collected by fixed-location sensors, such as loop detectors, often suffer from the missing data problem and low coverage problem. The missing data problem could be caused by hardware malfunction. The low coverage problem is due to the limited coverage of fixed-location sensors in the transportation network, which restrains our understanding of the traffic at the network level. To tackle these problems, we propose a probabilistic model for traffic volume reconstruction by fusing fixed-location sensor data and probe vehicle data. We apply the probabilistic principal component analysis (PPCA) to capture the correlations in traffic volume data. An innovative contribution of this work is that we also integrate probe vehicle data into the framework, which allows the model to solve both of the above-mentioned two problems. Using a real-world traffic volume dataset, we show that the proposed method outperforms state-of-the-art methods for the extensively studied missing data problem. Moreover, for the low coverage problem, which cannot be handled by most existing methods, the proposed model can also achieve high accuracy. The experiments also show that even when the missing ratio reaches 80%, the proposed method can still give an accurate estimate of the unknown traffic volumes with only a 10% probe vehicle penetration rate. The results validate the effectiveness and robustness of the proposed model and demonstrate its potential for practical applications.
• Abstract（参考訳）: 交通量情報はインテリジェント交通システムにとって重要である。 交通計画、道路設計、交通信号制御のキーインプットとして機能している。 しかし、ループ検出器のような固定位置センサによって収集された交通量データは、しばしば欠落データ問題と低カバレッジ問題に悩まされる。 データ不足はハードウェアの故障によって引き起こされる可能性がある。 低カバレッジ問題は、交通ネットワークにおける固定位置センサのカバレッジが限られているため、ネットワークレベルでのトラフィックの理解が抑制されている。 そこで本研究では,固定位置センサデータとプローブ車両データを用いて,交通量再構成の確率モデルを提案する。 確率的主成分分析(PPCA)を用いて,交通量データの相関関係を抽出する。 この研究の革新的な貢献は、プローブ車両データをフレームワークに統合することで、上記の2つの問題の両方をモデルが解決できることです。 実世界の交通量データセットを用いて,提案手法が不足データ問題に対する最先端手法よりも優れていることを示す。 さらに,既存のほとんどの手法では処理できない低カバレッジ問題に対して,提案手法は高い精度を実現することができる。 実験により, 欠落率が80%に達する場合でも, 提案手法は, プローブ車両の浸透率を10%に抑えながら, 未知のトラフィック量を正確に推定できることを示した。 その結果,提案手法の有効性とロバスト性を検証し,実用化の可能性を示した。

関連論文リスト

• A Hybrid Model for Traffic Incident Detection based on Generative Adversarial Networks and Transformer Model [0.0]
  交通事故検出はインテリジェント交通システムにおいて不可欠である。 従来の研究では、検出の有効性は大規模なデータセットの取得に関わる課題に大きく影響されている。 これらの課題に対処するために,トランスフォーマと生成逆数ネットワーク(GAN)を組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-02T09:28:04Z)
• ST-GIN: An Uncertainty Quantification Approach in Traffic Data Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent United Neural Networks [18.66289473659838]
  本稿では、欠落したデータを計算するための革新的な深層学習手法を提案する。 グラフアテンションアーキテクチャを用いて、交通データに存在する空間的相関をキャプチャする。 双方向ニューラルネットワークを用いて時間情報を学習する。
  論文  参考訳（メタデータ） (2023-05-10T22:15:40Z)
• Traffic Prediction with Transfer Learning: A Mutual Information-based Approach [11.444576186559487]
  そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。 TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
  論文  参考訳（メタデータ） (2023-03-13T15:27:07Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Traffic State Estimation from Vehicle Trajectories with Anisotropic Gaussian Processes [21.13555047611666]
  本稿では,標準等方性GPカーネルを異方性カーネルに変換するカーネル回転再パラメータ化方式を提案する。 また、複数のレーンの交通状態を同時に推定できるマルチアウトプットGPへのアプローチも拡張しています。 連結車両(CV)と人間駆動車両(HV)の混合交通について検討し,交通状態推定(TSE)方式を5%から50%まで実験した。
  論文  参考訳（メタデータ） (2023-03-04T03:59:17Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• 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)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)
• Deep convolutional generative adversarial networks for traffic data imputation encoding time series as images [7.053891669775769]
  我々は,GAN(Generative Adversarial Network)に基づく交通センサデータ計算フレームワーク(TGAN)を開発した。 本研究では,GASF(Gramian Angular Summation Field)と呼ばれる新しい時間依存符号化手法を開発した。 本研究は,提案モデルにより,平均絶対誤差 (MAE) とルート平均正方形誤差 (RMSE) をベンチマークデータセットの最先端モデルと比較することにより,トラフィックデータ計算精度を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-05-05T19:14:02Z)

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。