論文の概要: Multistep traffic speed prediction: A deep learning based approach using
latent space mapping considering spatio-temporal dependencies
- arxiv url: http://arxiv.org/abs/2111.02115v1
- Date: Wed, 3 Nov 2021 10:17:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-04 12:44:52.369605
- Title: Multistep traffic speed prediction: A deep learning based approach using
latent space mapping considering spatio-temporal dependencies
- Title（参考訳）: 多段階交通速度予測:時空間分布の時空間依存性を考慮した深層学習に基づくアプローチ
- Authors: Shatrughan Modi, Jhilik Bhattacharya, Prasenjit Basak
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.3204178451683264
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Traffic management in a city has become a major problem due to the increasing
number of vehicles on roads. Intelligent Transportation System (ITS) can help
the city traffic managers to tackle the problem by providing accurate traffic
forecasts. For this, ITS requires a reliable traffic prediction algorithm that
can provide accurate traffic prediction at multiple time steps based on past
and current traffic data. In recent years, a number of different methods for
traffic prediction have been proposed which have proved their effectiveness in
terms of accuracy. However, most of these methods have either considered
spatial information or temporal information only and overlooked the effect of
other. In this paper, to address the above problem a deep learning based
approach has been developed using both the spatial and temporal dependencies.
To consider spatio-temporal dependencies, nearby road sensors at a particular
instant are selected based on the attributes like traffic similarity and
distance. Two pre-trained deep auto-encoders were cross-connected using the
concept of latent space mapping and the resultant model was trained using the
traffic data from the selected nearby sensors as input. The proposed deep
learning based approach was trained using the real-world traffic data collected
from loop detector sensors installed on different highways of Los Angeles and
Bay Area. The traffic data is freely available from the web portal of the
California Department of Transportation Performance Measurement System (PeMS).
The effectiveness of the proposed approach was verified by comparing it with a
number of machine/deep learning approaches. It has been found that the proposed
approach provides accurate traffic prediction results even for 60-min ahead
prediction with least error than other techniques.
- Abstract（参考訳）: 道路上の車両数の増加により、都市における交通管理が大きな問題となっている。
インテリジェントトランスポーテーションシステム(ITS)は、正確な交通予測を提供することで、市の交通管理者がこの問題に取り組むのに役立つ。
このため、ITSは、過去の交通データと現在の交通データに基づいて、複数の時間ステップで正確な交通予測を提供できる信頼性の高い交通予測アルゴリズムを必要とする。
近年,精度の面での有効性が実証された交通予測手法がいくつか提案されている。
しかし,これらの手法の多くは空間情報や時間情報のみを考慮し,その効果を見落としている。
本稿では,この問題に対処するために,空間的および時間的依存関係を用いて深層学習に基づくアプローチを開発した。
時空間依存性を考慮するために、交通の類似度や距離といった属性に基づいて、特定の瞬間に近くの道路センサを選択する。
2つの事前訓練された深部自動エンコーダを潜時空間マッピングの概念を用いて相互接続し、選択した近接センサからのトラフィックデータを入力としてトレーニングした。
提案したディープラーニングベースのアプローチは、ロサンゼルスとベイエリアの異なる高速道路に設置されたループ検出センサーから収集された実世界のトラフィックデータを用いて訓練された。
交通データは、カリフォルニア州交通性能測定システム(PeMS)のWebポータルから無料で入手できる。
提案手法の有効性は,複数の機械学習手法との比較により検証した。
提案手法は,60分前予測においても,他の手法よりも誤差の少ない正確な交通予測結果を提供することがわかった。
関連論文リスト
- Networkwide Traffic State Forecasting Using Exogenous Information: A
Multi-Dimensional Graph Attention-Based Approach [0.0]
本稿では,グラフに基づく交通予測手法(M-STGAT)を提案する。
過去の速度の観測に基づいてトラフィックを予測し、車線閉鎖イベント、温度、交通網の可視性などを予測する。
30分、45分、60分の予測地平線でテストを行う場合、3つの代替モデルを上回る結果が得られた。
論文 参考訳（メタデータ） (2023-10-18T21:57:20Z) - 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) - 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) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳（メタデータ） (2022-03-21T06:38:34Z) - 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) - 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) - Feature Engineering for Data-driven Traffic State Forecast in Urban Road
Networks [1.370633147306388]
長期的な予測では、より遠いリンクやネットワークの領域のトラフィック状態は、データ駆動アルゴリズムに貴重な情報を提供すると期待されている。
本稿では,大規模な車両群が収集したクラスタリングネットワークアルゴリズムとFCD(Floating Car)の1年間の期待について検討する。
論文 参考訳（メタデータ） (2020-09-17T15:03:33Z) - 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) - Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。
生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。
我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
論文 参考訳（メタデータ） (2020-06-23T08:49:46Z) - 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。