論文の概要: Deep Learning based Urban Vehicle Trajectory Analytics
- arxiv url: http://arxiv.org/abs/2111.07489v1
- Date: Mon, 15 Nov 2021 01:44:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-16 17:55:51.753853
- Title: Deep Learning based Urban Vehicle Trajectory Analytics
- Title（参考訳）: 深層学習に基づく都市車両軌道解析
- Authors: Seongjin Choi
- Abstract要約: この論文は、都市交通網における車両を指す「都市自動車軌道」に焦点を当てている。
本論文の目的は,都市自動車軌道分析のためのディープラーニングモデルを開発することである。
- 参考スコア（独自算出の注目度）: 1.3706331473063877
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A `trajectory' refers to a trace generated by a moving object in geographical
spaces, usually represented by of a series of chronologically ordered points,
where each point consists of a geo-spatial coordinate set and a timestamp.
Rapid advancements in location sensing and wireless communication technology
enabled us to collect and store a massive amount of trajectory data. As a
result, many researchers use trajectory data to analyze mobility of various
moving objects. In this dissertation, we focus on the `urban vehicle
trajectory,' which refers to trajectories of vehicles in urban traffic
networks, and we focus on `urban vehicle trajectory analytics.' The urban
vehicle trajectory analytics offers unprecedented opportunities to understand
vehicle movement patterns in urban traffic networks including both user-centric
travel experiences and system-wide spatiotemporal patterns. The spatiotemporal
features of urban vehicle trajectory data are structurally correlated with each
other, and consequently, many previous researchers used various methods to
understand this structure. Especially, deep-learning models are getting
attentions of many researchers due to its powerful function approximation and
feature representation abilities. As a result, the objective of this
dissertation is to develop deep-learning based models for urban vehicle
trajectory analytics to better understand the mobility patterns of urban
traffic networks. Particularly, this dissertation focuses on two research
topics, which has high necessity, importance and applicability: Next Location
Prediction, and Synthetic Trajectory Generation. In this study, we propose
various novel models for urban vehicle trajectory analytics using deep
learning.
- Abstract（参考訳）: 軌跡 (trajectory) とは、地理的空間における移動物体が生成する痕跡のことであり、通常は時系列的に順序付けられた一連の点によって表され、各点が地理空間座標集合とタイムスタンプからなる。
位置センシングと無線通信技術の急速な進歩により、大量の軌道データの収集と保存が可能となった。
その結果、多くの研究者が軌跡データを用いて様々な移動物体の移動を解析した。
本稿では,都市交通ネットワークにおける車両の軌跡を指す「都市自動車軌跡」に着目し,都市交通網における「都市車両軌跡分析」に焦点を当てた。
'都市車両軌道分析は、利用者中心の旅行体験とシステム全体の時空間パターンの両方を含む都市交通ネットワークにおける車両移動パターンを理解する前例のない機会を提供する。
都市車両軌道データの時空間的特徴は構造的に相互に相関しており、その結果、多くの研究者がこの構造を理解するために様々な方法を用いた。
特にディープラーニングモデルは、その強力な関数近似と特徴表現能力により、多くの研究者から注目を集めている。
この論文の目的は,都市交通ネットワークの移動パターンをよりよく理解するために,都市交通軌跡分析のためのディープラーニングモデルを開発することである。
特にこの論文は,次の位置予測と合成軌道生成という,高い必要性,重要性,適用性を有する2つの研究トピックに焦点を当てている。
本研究では,深層学習を用いた都市車両軌道解析のための様々なモデルを提案する。
関連論文リスト
- Trajectory Representation Learning on Road Networks and Grids with Spatio-Temporal Dynamics [0.8655526882770742]
軌道表現学習は、スマートシティや都市計画など分野の応用における基本的な課題である。
本稿では,時間的ダイナミクスを取り入れつつ,グリッドと道路ネットワークのモダリティを統合する新しいモデルであるTIGRを提案する。
実世界の2つのデータセット上でTIGRを評価し,両モードの組み合わせの有効性を実証した。
論文 参考訳（メタデータ） (2024-11-21T10:56:02Z) - Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。
本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。
実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
論文 参考訳（メタデータ） (2024-05-06T06:23:06Z) - VeTraSS: Vehicle Trajectory Similarity Search Through Graph Modeling and Representation Learning [9.325787573209201]
軌道類似性探索は自律運転において重要な役割を果たす。
車両軌道類似度探索のためのエンドツーエンドパイプラインであるVeTraSSを提案する。
論文 参考訳（メタデータ） (2024-04-11T06:19:55Z) - Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。
トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。
特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文 参考訳（メタデータ） (2024-03-21T05:57:27Z) - Clustering Dynamics for Improved Speed Prediction Deriving from
Topographical GPS Registrations [0.0]
スパースGPSデータポイントとそれに関連する地形・道路設計特徴を用いた速度予測手法を提案する。
私たちのゴールは、地形とインフラの類似性を利用して、交通データがない地域での速度を予測する機械学習モデルをトレーニングできるかどうかを調べることです。
論文 参考訳（メタデータ） (2024-02-12T09:28:16Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - 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) - Predicting Vehicles Trajectories in Urban Scenarios with Transformer
Networks and Augmented Information [0.0]
本稿では,トランスフォーマーネットワークに基づく歩行者軌道予測のための単純な構造を利用する。
我々は,最大5秒の地平線における都市シナリオにおける車両軌道予測の問題にそれらの利用を適応させる。
我々のモデルは最先端の成果を達成し、異なるタイプの都市環境に柔軟で適応可能であることを証明している。
論文 参考訳（メタデータ） (2021-06-01T15:18:55Z) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳（メタデータ） (2020-08-09T09:26:30Z) - TrajGAIL: Generating Urban Vehicle Trajectories using Generative
Adversarial Imitation Learning [9.01310450044549]
本研究は,都市自動車軌跡データの基礎的分布を学習するための生成的モデリング手法を提案する。
都市部における車両軌跡生成モデルは,トレーニングデータの基盤となる分布を学習することにより,トレーニングデータからより一般化することができる。
TrajGAILは、都市自動車軌道生成のための生成的対向的模倣学習フレームワークである。
論文 参考訳（メタデータ） (2020-07-28T13:17:51Z)
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。