論文の概要: Traffic event description based on Twitter data using Unsupervised
Learning Methods for Indian road conditions
- arxiv url: http://arxiv.org/abs/2201.02738v1
- Date: Thu, 23 Dec 2021 05:11:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-16 17:57:32.882494
- Title: Traffic event description based on Twitter data using Unsupervised
Learning Methods for Indian road conditions
- Title（参考訳）: インド道路条件に対する教師なし学習手法を用いたtwitterデータに基づく交通イベント記述
- Authors: Yasaswi Sri Chandra Gandhi Kilaru, Indrajit Ghosh
- Abstract要約: 教師なし学習モデルは、インドの交通データを強化するために効果的なつぶやき分類を行うために使用される。
このモデルは単語埋め込みを用いて意味的類似性を計算し、94.7%のテストスコアを達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-recurrent and unpredictable traffic events directly influence road
traffic conditions. There is a need for dynamic monitoring and prediction of
these unpredictable events to improve road network management. The problem with
the existing traditional methods (flow or speed studies) is that the coverage
of many Indian roads is very sparse and reproducible methods to identify and
describe the events are not available. Addition of some other form of data is
essential to help with this problem. This could be real-time speed monitoring
data like Google Maps, Waze, etc. or social data like Twitter, Facebook, etc.
In this paper, an unsupervised learning model is used to perform effective
tweet classification for enhancing Indian traffic data. The model uses
word-embeddings to calculate semantic similarity and achieves a test score of
94.7%.
- Abstract（参考訳）: 非リカレントかつ予測不能な交通事象は道路交通条件に直接影響を及ぼす。
道路ネットワーク管理を改善するためには,これらの予測不能事象の動的監視と予測が必要である。
既存の伝統的な方法(フローまたはスピードスタディ)の問題点は、多くのインドの道路のカバーが非常に少なく再現可能な方法で、イベントを識別し記述することはできないことである。
この問題を解決するためには、他の形式のデータを追加することが不可欠です。
これは、Google MapsやWazeなどのリアルタイムのスピードモニタリングデータや、TwitterやFacebookなどのソーシャルデータかもしれない。
本稿では,インド交通データ向上のための効果的なツイート分類を行うために,教師なし学習モデルを用いる。
このモデルは単語埋め込みを用いて意味的類似性を計算し、94.7%のテストスコアを得る。
関連論文リスト
- BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。
本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。
本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文 参考訳（メタデータ） (2024-03-08T04:19:56Z) - TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。
本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T13:12:17Z) - Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。
我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
論文 参考訳（メタデータ） (2023-01-12T13:10:47Z) - 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) - METEOR: A Massive Dense & Heterogeneous Behavior Dataset for Autonomous
Driving [42.69638782267657]
本稿では、インドにおける非構造化シナリオにおけるトラフィックパターンをキャプチャする、新しい複雑なトラフィックデータセットMETEORを提案する。
METEORは1000分以上のビデオクリップと、エゴ車軌道を持つ200万以上の注釈付きフレームと、周囲の車両や交通機関のための1300万以上のバウンディングボックスで構成されている。
我々は,オブジェクト検出と行動予測アルゴリズムの性能を評価するために,新しいデータセットを用いた。
論文 参考訳（メタデータ） (2021-09-16T01:01:55Z) - 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) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳（メタデータ） (2020-11-07T19:57:22Z) - Automatic Detection of Major Freeway Congestion Events Using Wireless
Traffic Sensor Data: A Machine Learning Approach [0.0]
本稿では,高速道路交通渋滞事象の確実な検出と特徴付けのための機械学習に基づくアプローチを提案する。
速度データは最初10時間のスライディングウィンドウでタイムウインドウされ、3つのニューラルネットワークに入力される。
スライディングウィンドウは、各スローダウンイベントを複数回キャプチャし、渋滞検出の信頼性を高める。
論文 参考訳（メタデータ） (2020-07-09T21:38:45Z) - 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) - 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)
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。