論文の概要: Identifying strongly correlated groups of sections in a large motorway network

• arxiv url: http://arxiv.org/abs/2202.07644v1
• Date: Tue, 15 Feb 2022 18:44:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 15:52:20.949304
• Title: Identifying strongly correlated groups of sections in a large motorway network
• Title（参考訳）: 大型道路網における区間の強相関群の同定
• Authors: Shanshan Wang, Michael Schreckenberg, Thomas Guhr
• Abstract要約: トラフィックネットワークにおける障害のリスクを検出するには相関が不可欠である。 最適化された$k$-meansクラスタリング手法を用いて,強い相関性を持つ道路区間群を同定する。 実トポロジ上のグループ,すなわち道路地図上の表現と可視化は、高速道路ネットワーク上の力学に関する新しい結果をもたらす。
• 参考スコア（独自算出の注目度）: 4.3455655888747575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In a motorway network, correlations between the different links, i.e. between the parts of (different) motorways, are of considerable interest. Knowledge of fluxes and velocities on individual motorways is not sufficient, rather, their correlations determine or reflect, respectively, the functionality of and the dynamics on the network as a whole. These correlations are time dependent as the dynamics on the network is highly non-stationary, as it strongly varies during the day and over the week. Correlations are indispensable to detect risks of failure in a traffic network. Discovery of alternative routes less correlated with the vulnerable ones helps to make the traffic network robust and to avoid a collapse. Hence, the identification of, especially, groups of strongly correlated road sections is needed. To this end, we employ an optimized $k$-means clustering method. A major ingredient is the spectral information of certain correlation matrices in which the leading collective motion of the network has been removed. We identify strongly correlated groups of sections in the large motorway network of North Rhine-Westphalia (NRW), Germany. The groups classify the motorway sections in terms of spectral and geographic features as well as of traffic phases during different time periods. The representation and visualization of the groups on the real topology, i.e. on the road map, provides new results on the dynamics on the motorway network. Our approach is very general and can also be applied to other correlated complex systems.
• Abstract（参考訳）: 高速道路網では、異なるリンク、すなわち(異なる)自動車の部品間の相関関係に大きな関心がある。 個々の高速道路におけるフラックスと速度の知識は不十分であり、その相関関係は、それぞれ、ネットワーク全体の機能とダイナミクスを決定するか、反映する。 これらの相関は、ネットワークのダイナミクスが非常に非定常であり、昼と週によって大きく変化するため、時間に依存する。 トラフィックネットワークにおける障害のリスクを検出するには相関が不可欠である。 代替ルートの発見と脆弱なルートとの相関は、トラフィックネットワークの堅牢化と崩壊の回避に寄与する。 そのため、特に、強い相関のある道路区間のグループの同定が必要である。 この目的のために、最適化された$k$-meansクラスタリング手法を用いる。 主な要素は、ネットワークの先頭集団運動が除去された特定の相関行列のスペクトル情報である。 ドイツのライン=ヴェストファーレン北部(nrw)の大規模高速道路網における区間群を,強い相関関係で同定した。 グループは、異なる期間の交通の位相だけでなく、スペクトルと地理的特徴の観点から、高速道路のセクションを分類する。 実トポロジ上のグループ,すなわち道路地図上の表現と可視化は、高速道路ネットワーク上の力学に関する新しい結果をもたらす。 我々のアプローチは非常に一般的であり、他の相関した複雑なシステムにも適用できる。

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)
• Temporal Graph Learning Recurrent Neural Network for Traffic Forecasting [27.20703077756038]
  これらの問題に対処するため,TGLRN(Temporal Graph Learning Recurrent Neural Network)を提案する。 より正確には、時系列の性質を効果的にモデル化するために、リカレントニューラルネットワーク(RNN)を活用し、各ステップでグラフを動的に構築する。 実世界の4つのベンチマークデータセットの実験結果から, TGLRNの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-04T19:08:40Z)
• 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)
• 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)
• DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting [7.232141271583618]
  以上の問題に対処する新しい動的多重グラフ畳み込み再帰ネットワーク(DMG)を提案する。 距離に基づくグラフを用いて,距離の近いノードから空間情報をキャプチャする。 また,道路間の構造相関を符号化した新しい潜在グラフを構築し,ノードから空間情報をキャプチャする。
  論文  参考訳（メタデータ） (2021-12-04T06:51:55Z)
• 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)
• Mining Topological Dependencies of Recurrent Congestion in Road Networks [0.8602553195689513]
  本稿では,交通速度のアウトレイラに基づいて,道路網の連結部分グラフを最初に構築するアルゴリズムを提案する。 第二に、アルゴリズムはトラフィック負荷の挙動の時間的相関を示すサブグラフのペアを識別する。 第3に、同定された部分グラフをアルゴリズムによって決定されたスコアに基づいてランク付けする。
  論文  参考訳（メタデータ） (2021-07-20T15:14:10Z)
• A3T-GCN: Attention Temporal Graph Convolutional Network for Traffic Forecasting [4.147625439377302]
  A3T-GCN(A3T-GCN)トラヒック予測手法を提案した。 A3T-GCNモデルはゲートリカレントユニットを用いて時系列の短時間傾向を学習し,道路ネットワークのトポロジに基づいて空間依存性を学習する。 実世界のデータセットにおける実験結果は,提案したA3T-GCNの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2020-06-20T14:12:01Z)
• 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)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。

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。