論文の概要: City-Scale Holographic Traffic Flow Data based on Vehicular Trajectory Resampling

• arxiv url: http://arxiv.org/abs/2108.13376v2
• Date: Sat, 29 Jan 2022 09:35:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 18:52:08.276896
• Title: City-Scale Holographic Traffic Flow Data based on Vehicular Trajectory Resampling
• Title（参考訳）: 車両軌道再サンプリングに基づく都市規模ホログラフィック交通流データ
• Authors: Yimin Wang, Yixian Chen, Guilong Li, Yuhuan Lu, Zhi Yu, and Zhaocheng He
• Abstract要約: 我々はXuancheng市で1日80,000台の連続軌道を正確な交差点通過時間で構築した。 このようなホログラフィックなトラフィックデータにより、トラフィックフローの進化のあらゆる詳細を再現することが可能である。 街中の482の道路区間を網羅し, ホログラフィックトラジェクトリを再サンプリングした交通流データについて検討した。
• 参考スコア（独自算出の注目度）: 4.899517472913586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite abundant accessible traffic data, researches on traffic flow estimation and optimization still face the dilemma of detailedness and integrity in the measurement. A dataset of city-scale vehicular continuous trajectories featuring the finest resolution and integrity, as known as the holographic traffic data, would be a breakthrough, for it could reproduce every detail of the traffic flow evolution and reveal the personal mobility pattern within the city. Due to the high coverage of Automatic Vehicle Identification (AVI) devices in Xuancheng city, we constructed one-month continuous trajectories of daily 80,000 vehicles in the city with accurate intersection passing time and no travel path estimation bias. With such holographic traffic data, it is possible to reproduce every detail of the traffic flow evolution. We presented a set of traffic flow data based on the holographic trajectories resampling, covering the whole 482 road segments in the city round the clock, including stationary average speed and flow data of 5-minute intervals and dynamic floating car data.
• Abstract（参考訳）: アクセス可能なトラフィックデータにもかかわらず、トラフィックフローの推定と最適化に関する研究は、測定における詳細性と整合性のジレンマに直面している。 ホログラフィック交通データとして知られる、最高解像度と整合性を備えた都市規模の車両連続軌道のデータセットは、交通の流れのあらゆる詳細を再現し、市内の個人の移動パターンを明らかにすることができる画期的なものである。 また,Xuancheng市における自動車両識別(AVI)装置の普及により,正確な交差点通過時間と走行経路推定バイアスのない1日80,000台の連続軌道を市内に構築した。 このようなホログラフィックトラフィックデータにより、トラフィックフローの進化のあらゆる詳細を再現することが可能である。 本研究では,ホログラフィックトラジェクタの再サンプリングに基づくトラヒックフローデータのセットを提示し,静止平均速度と5分間隔のフローデータ,動的浮動車データを含む,市内482区間の道路区間全体をカバーする。

関連論文リスト

• MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data [1.147374308875151]
  本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。 車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。 複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
  論文  参考訳（メタデータ） (2024-01-16T14:22:44Z)
• 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)
• Traffic4cast at NeurIPS 2022 -- Predict Dynamics along Graph Edges from Sparse Node Data: Whole City Traffic and ETA from Stationary Vehicle Detectors [25.857884532427292]
  Traffic4castは、複雑な空間システムを時間とともにモデル化するための機械学習を進化させるコンペティションシリーズである。 われわれのダイナミックな道路グラフデータは、道路地図、1012ドルのプローブデータポイント、そして2年間にわたって3つの都市で静止車両検出器からの情報を組み合わせている。 その中核となる課題として,3都市15分後の道路グラフ全体のGPSデータの速度レベルから,3つの渋滞クラスが生じる可能性を予測することが挙げられる。 課題の延長として、参加者は15分以内のスーパーセグメントの平均走行時間を予測することが義務付けられている。
  論文  参考訳（メタデータ） (2023-03-14T10:03:37Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• Metropolitan Segment Traffic Speeds from Massive Floating Car Data in 10 Cities [9.072777719721902]
  10都市における大規模浮動車データ(MeTS-10)による街路ごとの交通情報,メトロポリタンセグメンメント交通速度の大規模浮動車データセット(MeTS-10)を提案する。 MeTS-10は、2019-2021年に108日から361日間、大都市圏あたり1500平方キロメートル以上をカバーした15分間のコレクション期間の10都市で利用可能である。
  論文  参考訳（メタデータ） (2023-02-17T08:56:07Z)
• 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)
• Trajectory Flow Map: Graph-based Approach to Analysing Temporal Evolution of Aggregated Traffic Flows in Large-scale Urban Networks [9.211287787104048]
  本稿では,都市全体の交通動態を効果的に可視化し,キャラクタリゼーションするグラフベースのデータ表現手法を提案する。 そこで本研究では,大規模都市ネットワークにおける交通動態をよりよく理解するために,軌道に基づくネットワークトラフィック解析手法を開発した。
  論文  参考訳（メタデータ） (2022-12-06T12:33:04Z)
• 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)
• 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)

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。