論文の概要: Time Delay Estimation of Traffic Congestion Propagation based on Transfer Entropy

• arxiv url: http://arxiv.org/abs/2108.06717v1
• Date: Sun, 15 Aug 2021 10:58:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-17 15:20:11.229123
• Title: Time Delay Estimation of Traffic Congestion Propagation based on Transfer Entropy
• Title（参考訳）: 転送エントロピーに基づく交通渋滞伝搬の時間遅延推定
• Authors: YongKyung Oh, JiIn Kwak, JuYoung Lee, Sungil Kim
• Abstract要約: 本稿では,ラグ特異的トランスファーエントロピー(TE)を用いた道路間交通渋滞伝播の時間遅延推定手法を提案する。 提案手法は,大韓民国のGPSナビゲーションシステムから得られたシミュレーションデータと実ユーザ軌道データを用いて検証した。
• 参考スコア（独自算出の注目度）: 2.6184533346117793
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Considering how congestion will propagate in the near future, understanding traffic congestion propagation has become crucial in GPS navigation systems for providing users with a more accurate estimated time of arrival (ETA). However, providing the exact ETA during congestion is a challenge owing to the complex propagation process between roads and high uncertainty regarding the future behavior of the process. Recent studies have focused on finding frequent congestion propagation patterns and determining the propagation probabilities. By contrast, this study proposes a novel time delay estimation method for traffic congestion propagation between roads using lag-specific transfer entropy (TE). Nonlinear normalization with a sliding window is used to effectively reveal the causal relationship between the source and target time series in calculating the TE. Moreover, Markov bootstrap techniques were adopted to quantify the uncertainty in the time delay estimator. To the best of our knowledge, the time delay estimation method presented in this article is the first to determine the time delay between roads for any congestion propagation pattern. The proposed method was validated using simulated data as well as real user trajectory data obtained from a major GPS navigation system applied in South Korea.
• Abstract（参考訳）: 近いうちに渋滞がどのように伝播するかを考えると、より正確な到着時刻(ETA)を提供するGPSナビゲーションシステムにおいて、交通渋滞の伝播を理解することが重要である。 しかし、道路間の複雑な伝播プロセスと、プロセスの今後の挙動に関する高い不確実性のため、渋滞時に正確なETAを提供することは困難である。 近年,頻繁な混雑伝播パターンの発見と伝播確率の決定に注目が集まっている。 これとは対照的に,ラグ特異的トランスファーエントロピー (TE) を用いた道路間交通渋滞伝搬の時間遅延推定手法を提案する。 TEを計算する際に、ソースとターゲット時系列間の因果関係を効果的に明らかにするために、スライドウインドウによる非線形正規化を用いる。 さらに, 時間遅延推定器の不確かさを定量化するために, マルコフブートストラップ法を採用した。 最善の知識として,本論文で提示した時間遅延推定手法は,任意の混雑伝搬パターンに対して道路間の時間遅延を決定する最初の方法である。 提案手法は,韓国で適用されたgpsナビゲーションシステムから得られた実ユーザ軌跡データとともにシミュレーションデータを用いて検証した。

関連論文リスト

• Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
  交通流推定(TFE)はインテリジェント交通システムにおいて重要である。 本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。 このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
  論文  参考訳（メタデータ） (2024-07-10T20:26:04Z)
• Streaming detection of significant delay changes in public transport systems [0.9217021281095907]
  遅延などの公共交通機関の混乱は、モビリティの選択に悪影響を及ぼす可能性がある。 本稿では,遅延検出手法と参照アーキテクチャを提案する。 方法は、スケジュールからの逸脱として定義される遅延の計算を補完することができる。
  論文  参考訳（メタデータ） (2024-04-11T15:54:20Z)
• Unveiling Delay Effects in Traffic Forecasting: A Perspective from Spatial-Temporal Delay Differential Equations [20.174094418301245]
  交通流予測は交通計画と管理の基本的な研究課題である。 近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。 1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
  論文  参考訳（メタデータ） (2024-02-02T08:55:23Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Estimating Latent Population Flows from Aggregated Data via Inversing Multi-Marginal Optimal Transport [57.16851632525864]
  累積カウントデータから潜在人口フローを推定する問題について検討する。 この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。 我々はMOTフレームワークのコスト関数を学習し,集約データからの遷移フローを推定する。
  論文  参考訳（メタデータ） (2022-12-30T03:03:23Z)
• 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)
• Accurate non-stationary short-term traffic flow prediction method [0.0]
  本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。 提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
  論文  参考訳（メタデータ） (2022-05-01T17:11:34Z)
• Multistep traffic speed prediction: A deep learning based approach using latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
  ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。 深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。 提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
  論文  参考訳（メタデータ） (2021-11-03T10:17:48Z)
• 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)
• Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
  本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。 提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
  論文  参考訳（メタデータ） (2020-06-22T14:26:19Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。