論文の概要: Transportation Scenario Planning with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2110.13202v1
• Date: Mon, 25 Oct 2021 18:28:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 14:21:41.706339
• Title: Transportation Scenario Planning with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによる交通シナリオ計画
• Authors: Ana Alice Peregrino and Soham Pradhan and Zhicheng Liu and Nivan Ferreira and Fabio Miranda
• Abstract要約: 我々は,最近導入されたグラフニューラルネットワークモデルであるGMELを活用し,通勤流の変化を評価することを提案する。 ブラジルの2大都市における実世界のケーススタディを通じて,本手法の有効性を検証する。
• 参考スコア（独自算出の注目度）: 18.649470588366505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Providing efficient human mobility services and infrastructure is one of the major concerns of most mid-sized to large cities around the world. A proper understanding of the dynamics of commuting flows is, therefore, a requisite to better plan urban areas. In this context, an important task is to study hypothetical scenarios in which possible future changes are evaluated. For instance, how the increase in residential units or transportation modes in a neighborhood will change the commuting flows to or from that region? In this paper, we propose to leverage GMEL, a recently introduced graph neural network model, to evaluate changes in commuting flows taking into account different land use and infrastructure scenarios. We validate the usefulness of our methodology through real-world case studies set in two large cities in Brazil.
• Abstract（参考訳）: 効率的な人力サービスとインフラを提供することは、世界中の中規模から大都市の主要な関心事の1つだ。 したがって、通勤流のダイナミクスを適切に理解することは、都市部をより良く計画するための必要条件である。 この文脈では、将来の変化が評価される仮説的なシナリオを研究することが重要な課題である。 例えば、近隣の住宅や交通手段の増加は、その地域への通勤の流れをどのように変えるのか。 本稿では,最近導入されたグラフニューラルネットワークモデルであるgmelを活用して,異なる土地利用とインフラシナリオを考慮した通勤流の変化を評価することを提案する。 ブラジルの2大都市における実世界事例研究を通じて,本手法の有効性を検証する。

関連論文リスト

• MetroGNN: Metro Network Expansion with Reinforcement Learning [29.418145526587313]
  都市の異種マルチグラフにおけるマルコフ決定プロセスに対処するための強化学習フレームワークを提案する。 このアプローチでは,グラフニューラルネットワークが取得した情報に基づいて,インテリジェントにノードを選択する,注意型ポリシネットワークを採用している。
  論文  参考訳（メタデータ） (2024-03-14T09:09:15Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Large-Scale Traffic Congestion Prediction based on Multimodal Fusion and Representation Mapping [5.893431681364435]
  渋滞要因を分析して交通渋滞を判断する上で最も重要な課題の一つである。 交通渋滞を予測するため、従来型および機械学習ベースのモデルが導入されている。 本稿では,畳み込みニューラルネットワークに基づく新しいエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:07:28Z)
• Feudal Multi-Agent Reinforcement Learning with Adaptive Network Partition for Traffic Signal Control [44.09601435685123]
  マルチエージェント強化学習 (MARL) を応用し, 交通信号制御に大きな可能性を示した。 以前の作業では、トラフィックネットワークを複数のリージョンに分割し、封建的構造におけるエージェントのポリシーを学ぶ。 適応型ネットワーク分割を用いた新しい封建的MARL手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T09:02:10Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• 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)
• Optimal transport in multilayer networks [68.8204255655161]
  本稿では,各層上の最適フローが,コストの最小化に寄与するモデルを提案する。 アプリケーションとして,各層が異なる輸送システムに関連付けられている交通ネットワークを考察する。 この結果の例をボルドー市とバスと路面電車の2層ネットワークで示し、ある状況下では路面電車網の存在が道路網の交通を著しく覆い隠している。
  論文  参考訳（メタデータ） (2021-06-14T07:33:09Z)
• Improving Generalization of Transfer Learning Across Domains Using Spatio-Temporal Features in Autonomous Driving [45.655433907239804]
  車両シミュレーションは仮想世界で学習するために使用することができ、取得したスキルは現実世界のシナリオを扱うために転送することができる。 これらの視覚的要素は、運転中の人間の意思決定に直感的に重要です。 シーンから車両の動特性を表す時間的特徴を抽出するCNN+LSTM転送学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-15T03:26:06Z)
• Listening to the city, attentively: A Spatio-Temporal Attention Boosted Autoencoder for the Short-Term Flow Prediction Problem [0.9625436987364908]
  マルチアテンション(空間的および時間的)を備えたSTREED-Netと呼ばれるフレームワークを提案し、高レベルの空間的および時間的特徴をより良くマイニングする。 都市が分断された異なる地域の流入と流出を予測するために、3つの実際のデータセットの実験を行います。
  論文  参考訳（メタデータ） (2021-03-01T13:17:33Z)
• Multiple abrupt phase transitions in urban transport congestion [0.0]
  本研究は,都市部における混雑開始位置が都市部によって変化することを示す。 アーボリアル周辺に連結した密集都市中心からなる平面道路網モデルについて紹介する。
  論文  参考訳（メタデータ） (2020-05-26T17:58:44Z)
• Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
  インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。 重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。 本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
  論文  参考訳（メタデータ） (2020-05-04T17:45:18Z)

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。