論文の概要: Nonnegative Matrix Factorization to understand Spatio-Temporal Traffic
Pattern Variations during COVID-19: A Case Study
- arxiv url: http://arxiv.org/abs/2111.03592v1
- Date: Fri, 5 Nov 2021 16:24:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-08 16:24:33.125555
- Title: Nonnegative Matrix Factorization to understand Spatio-Temporal Traffic
Pattern Variations during COVID-19: A Case Study
- Title(参考訳): COVID-19における時空間交通パターンの変動を理解するための非負の行列因子化
- Authors: Anandkumar Balasubramaniam, Thirunavukarasu Balasubramaniam,
Rathinaraja Jeyaraj, Anand Paul, Richi Nayak
- Abstract要約: このデータから巨大な時間的トラフィックパターンを理解することが重要です。
ケーススタディは,CO-19VID中の時間的交通パターンの変化を理解するために行われた。
アウトプットは、パンデミックのさまざまな段階における交通管理や管理の分野で有用であり、道路交通の関連性は避けられない。
- 参考スコア(独自算出の注目度): 5.5114073907045205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the rapid developments in Intelligent Transportation System (ITS) and
increasing trend in the number of vehicles on road, abundant of road traffic
data is generated and available. Understanding spatio-temporal traffic patterns
from this data is crucial and has been effectively helping in traffic
plannings, road constructions, etc. However, understanding traffic patterns
during COVID-19 pandemic is quite challenging and important as there is a huge
difference in-terms of people's and vehicle's travel behavioural patterns. In
this paper, a case study is conducted to understand the variations in
spatio-temporal traffic patterns during COVID-19. We apply nonnegative matrix
factorization (NMF) to elicit patterns. The NMF model outputs are analysed
based on the spatio-temporal pattern behaviours observed during the year 2019
and 2020, which is before pandemic and during pandemic situations respectively,
in Great Britain. The outputs of the analysed spatio-temporal traffic pattern
variation behaviours will be useful in the fields of traffic management in
Intelligent Transportation System and management in various stages of pandemic
or unavoidable scenarios in-relation to road traffic.
- Abstract(参考訳): インテリジェントトランスポーテーションシステム(ITS)の急速な発展と道路上の車両数の増加により、道路交通データが大量に生成され、利用可能になっている。
このデータから時空間的な交通パターンを理解することは重要であり、交通計画や道路建設などに効果的に役立っている。
しかし、新型コロナウイルスのパンデミックにおける交通パターンの理解は、人や車の走行行動パターンの長期的差異が大きいため、非常に困難で重要なものである。
本稿では,新型コロナウイルス感染時の時空間交通パターンの変化を理解するために事例研究を行った。
非負行列因子化(NMF)を帰納パターンに適用する。
NMFモデルのアウトプットは、2019年と2020年に、それぞれパンデミック前とパンデミックの状況で観察された時空間パターンの傾向に基づいて分析される。
分析した時空間交通パターン変動のアウトプットは、インテリジェントトランスポーテーションシステムにおける交通管理や、パンデミックのさまざまな段階における交通管理や、道路交通と関係のないシナリオにおいて有用である。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳(メタデータ) (2024-11-01T00:37:00Z) - Multi-View Neural Differential Equations for Continuous-Time Stream Data in Long-Term Traffic Forecasting [10.70370586311912]
我々は,Multi-View Neural Differential Equationsと呼ばれる新しいNDEアーキテクチャを提案する。
我々のモデルは、遅延した複数の表現を学習することで、現在の状態、遅延状態、および異なる状態変数(ビュー)の傾向を捉えます。
提案手法は最先端技術より優れ,ノイズや入力の欠如による堅牢性を実現している。
論文 参考訳(メタデータ) (2024-08-12T18:49:02Z) - Deep Multi-View Channel-Wise Spatio-Temporal Network for Traffic Flow Prediction [18.008631008649658]
underlineMulti-underlineView underlineChannel-wise underlineSpatio-underlineTemporal underlineNetwork (MVC-STNet)
我々は,マルチチャネル交通流予測の新たな課題について検討し,深いアンダーラインMulti-underlineViewアンダーラインChannel-wiseアンダーラインTempを提案する。
論文 参考訳(メタデータ) (2024-04-23T13:39:04Z) - ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。
ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
論文 参考訳(メタデータ) (2024-04-22T03:35:19Z) - Traffic estimation in unobserved network locations using data-driven
macroscopic models [2.3543188414616534]
本稿では,自動交通カウンタとプローブ車両から収集したマクロモデルとマルチソースデータを利用して,これらの測定が不可能なリンクにおいて,交通流と走行時間を正確に推定する。
MaTEはマクロフロー理論に基礎を置いているため、全てのパラメータと変数は解釈可能である。
合成データを用いた実験により, サンプル外リンクの走行時間と交通流を正確に推定できることがわかった。
論文 参考訳(メタデータ) (2024-01-30T15:21:50Z) - 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) - 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) - 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) - A Graph and Attentive Multi-Path Convolutional Network for Traffic
Prediction [16.28015945020806]
本稿では,将来的な交通状況を予測するために,グラフおよび注意深いマルチパス畳み込みネットワーク(GAMCN)モデルを提案する。
我々のモデルは交通条件に影響を与える空間的要因と時間的要因に焦点を当てている。
予測精度は,予測誤差が最大18.9%,予測効率が23.4%である。
論文 参考訳(メタデータ) (2022-05-30T16:24:43Z) - 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) - Learning Traffic Speed Dynamics from Visualizations [3.0969191504482243]
時空の可視化からマクロ交通速度のダイナミクスを学習する深層学習法を提案する。
既存の推定手法と比較して,より詳細な推定解決が可能となる。
次世代シミュレーションプログラム(NGSIM)とドイツ高速道路(HighD)のデータセットから得られたデータを用いて,高速道路区間の高分解能交通速度場を推定した。
論文 参考訳(メタデータ) (2021-05-04T11:17:43Z)
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。