Fugu-MT 論文翻訳(概要): Temporal-Spatial Feature Extraction Based on Convolutional Neural Networks for Travel Time Prediction

論文の概要: Temporal-Spatial Feature Extraction Based on Convolutional Neural Networks for Travel Time Prediction

arxiv url: http://arxiv.org/abs/2111.00149v1
Date: Sat, 30 Oct 2021 02:44:54 GMT
ステータス: 処理完了
システム内更新日: 2021-11-02 14:04:02.601261
Title: Temporal-Spatial Feature Extraction Based on Convolutional Neural Networks for Travel Time Prediction
Title（参考訳）: 畳み込みニューラルネットワークによる時空間特徴抽出による旅行時間予測
Authors: Chi-Hua Chen
Abstract要約: 本研究では,畳み込みニューラルネットワークを用いた旅行時間予測手法を提案する。その結果,提案手法の平均絶対誤差は約5.69%であった。
参考スコア（独自算出の注目度）: 1.90365714903665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, some traffic information prediction methods have been proposed to provide the precise information of travel time, vehicle speed, and traffic flow for highways. However, big errors may be obtained by these methods for urban roads or the alternative roads of highways. Therefore, this study proposes a travel time prediction method based on convolutional neural networks to extract important factors for the improvement of traffic information prediction. In practical experimental environments, the travel time records of No. 5 Highway and the alternative roads of its were collected and used to evaluate the proposed method. The results showed that the mean absolute percentage error of the proposed method was about 5.69%. Therefore, the proposed method based on deep learning techniques can improve the accuracy of travel time prediction.
Abstract（参考訳）: 近年,高速道路の走行時間,車両速度,交通流の正確な情報を提供するために,交通情報予測手法が提案されている。しかし、都市道路や高規格道路の代替道路では大きな誤りが生じることがある。そこで本研究では,畳み込みニューラルネットワークを用いた旅行時間予測手法を提案し,交通情報予測の改善のための重要な要因を抽出する。実用実験環境では,第5高規格道路の走行時間記録とその代替道路を収集し,提案手法の評価に用いた。その結果,提案手法の平均絶対パーセンテージ誤差は約5.69%であった。したがって,深層学習手法に基づく提案手法は,旅行時間予測の精度を向上させることができる。

関連論文リスト

Spatio-Temporal Road Traffic Prediction using Real-time Regional Knowledge [2.6998782337240925]
本稿では,POI,衛星画像,LTEによるリアルタイムアクセストレースを用いて,リアルタイムな地域レベルの知識を組み込む手法を提案する。そして、この組み込み知識を道路レベルの注意に基づく予測モデルに取り込みます。実世界の道路交通予測実験の結果,我々のモデルはベースラインよりも優れていた。
論文参考訳（メタデータ） (2024-08-23T07:34:26Z)
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)
A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic Flow Forecasting [21.6456624219159]
トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
論文参考訳（メタデータ） (2023-03-31T03:07:53Z)
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)
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)
A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文参考訳（メタデータ） (2021-02-12T18:17:12Z)
Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based Recurrent Neural Networks [0.5399800035598186]
本稿では,高速道路における周辺車両の車線変更時期を正確に予測するシステムの開発について述べる。大規模な実世界のデータセットに基づく評価は、最も困難な状況であっても、我々のアプローチが信頼できる予測を行うことができることを示している。
論文参考訳（メタデータ） (2021-02-02T11:04:22Z)
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)
Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文参考訳（メタデータ） (2020-06-24T04:45:14Z)
TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文参考訳（メタデータ） (2020-04-26T00:01:49Z)
Traffic Modelling and Prediction via Symbolic Regression on Road Sensor Data [0.8602553195689513]
本稿では,ラグ演算子により強化されたシンボル回帰に基づく,新しいかつ正確な交通流予測手法を提案する。提案手法は都市道路の複雑度に適したロバストモデルであり,高速道路よりも予測が困難である。
論文参考訳（メタデータ） (2020-02-14T16:03:04Z)

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。