論文の概要: A Deep Learning Approach for Network-wide Dynamic Traffic Prediction
during Hurricane Evacuation
- arxiv url: http://arxiv.org/abs/2202.12505v1
- Date: Fri, 25 Feb 2022 05:40:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-28 16:09:23.872300
- Title: A Deep Learning Approach for Network-wide Dynamic Traffic Prediction
during Hurricane Evacuation
- Title（参考訳）: ハリケーン避難時のネットワーク全体の動的交通予測のための深層学習手法
- Authors: Rezaur Rahman and Samiul Hasan
- Abstract要約: 本稿では,ネットワーク規模で避難トラフィックを予測するための新しいデータ駆動手法を提案する。
ハリケーン避難のネットワーク力学を学習するための動的グラフ畳み込みLSTM(DGCN-LSTM)モデルを開発した。
- 参考スコア（独自算出の注目度）: 1.3706331473063877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Proactive evacuation traffic management largely depends on real-time
monitoring and prediction of traffic flow at a high spatiotemporal resolution.
However, evacuation traffic prediction is challenging due to the uncertainties
caused by sudden changes in projected hurricane paths and consequently
household evacuation behavior. Moreover, modeling spatiotemporal traffic flow
patterns requires extensive data over a longer time period, whereas evacuations
typically last for 2 to 5 days. In this paper, we present a novel data-driven
approach for predicting evacuation traffic at a network scale. We develop a
dynamic graph convolution LSTM (DGCN-LSTM) model to learn the network dynamics
of hurricane evacuation. We first train the model for non-evacuation period
traffic data showing that the model outperforms existing deep learning models
for predicting non-evacuation period traffic with an RMSE value of 226.84.
However, when we apply the model for evacuation period, the RMSE value
increased to 1440.99. We overcome this issue by adopting a transfer learning
approach with additional features related to evacuation traffic demand such as
distance from the evacuation zone, time to landfall, and other zonal level
features to control the transfer of information (network dynamics) from
non-evacuation periods to evacuation periods. The final transfer learned
DGCN-LSTM model performs well to predict evacuation traffic flow (RMSE=399.69).
The implemented model can be applied to predict evacuation traffic over a
longer forecasting horizon (6 hour). It will assist transportation agencies to
activate appropriate traffic management strategies to reduce delays for
evacuating traffic.
- Abstract（参考訳）: 積極的避難交通管理は,高時空間分解能のリアルタイムモニタリングと交通流予測に大きく依存する。
しかし,予想されるハリケーン経路の急激な変化と世帯避難行動による不確実性のため,避難交通予測は困難である。
さらに、時空間の交通流パターンをモデル化するには、長い期間にわたって広範なデータを必要とするが、避難は通常2日から5日間続く。
本稿では,ネットワーク規模での避難交通量予測のための新しいデータ駆動手法を提案する。
ハリケーン避難のネットワーク力学を学習するための動的グラフ畳み込みLSTM(DGCN-LSTM)モデルを開発した。
まず,非避難期間トラフィックデータに対するモデルをトレーニングし,RMSE値226.84で、非避難期間トラフィックを予測するための既存のディープラーニングモデルより優れていることを示す。
しかし,避難期間にモデルを適用すると,RMSE値は1440.99に増加した。
非避難期間から避難期間への情報(ネットワークのダイナミクス)の転送を制御するため,避難区域からの距離,上陸までの時間,その他の地域レベルの特徴など,避難交通需要に関連する付加的な特徴を備えた移動学習アプローチを採用することで,この問題を克服する。
最終移行学習DGCN-LSTMモデルは避難交通流を予測する(RMSE=399.69)。
実装されたモデルは、より長い予測水平線(6時間)で避難トラフィックを予測するために適用することができる。
交通機関が適切な交通管理戦略を発動し、交通回避の遅れを軽減できるよう支援する。
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) - Deploying scalable traffic prediction models for efficient management in real-world large transportation networks during hurricane evacuations [5.240024206355563]
本稿では,長期の混雑パターンと短期の速度パターンの両方を抽出する予測モデリングシステムを提案する。
このフレームワークは、異質な人間の行動、限られた避難データ、ハリケーンイベントの不確実性によって引き起こされる問題に対処するために設計されている。
ルイジアナ州の現実の交通予測システムで展開されたこのモデルは,長期的混雑状態を予測する上で,82%の精度を達成した。
論文 参考訳（メタデータ） (2024-06-17T21:59:44Z) - A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
交通流予測のための多チャンネル時空間変圧器モデルを提案する。
トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。
6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
論文 参考訳（メタデータ） (2024-05-10T06:37:07Z) - Network Wide Evacuation Traffic Prediction in a Rapidly Intensifying
Hurricane from Traffic Detectors and Facebook Movement Data: A Deep Learning
Approach [0.4143603294943439]
提案モデルでは,前もって6時間以内のトラフィックを予測できる。
避難交通管理担当者は、開発済みの交通予測モデルを使用して、将来の交通渋滞を事前に予測することができる。
論文 参考訳（メタデータ） (2023-11-16T01:50:54Z) - An Application of Vector Autoregressive Model for Analyzing the Impact
of Weather And Nearby Traffic Flow On The Traffic Volume [0.0]
本稿では,付近の交通量と気象条件に基づいて,ある道路区間における交通流を予測することを目的とする。
また,気象条件や付近の交通量が目標地点の交通量に与える影響も確認した。
論文 参考訳（メタデータ） (2023-11-12T16:45:29Z) - 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) - Traffic Volume Prediction using Memory-Based Recurrent Neural Networks:
A comparative analysis of LSTM and GRU [5.320087179174425]
我々は、リアルタイムにトラフィック量を予測するための非線形メモリベースディープニューラルネットワークモデルを開発した。
本実験は,高ダイナミックかつ異種交通環境における交通量予測における提案モデルの有効性を実証するものである。
論文 参考訳（メタデータ） (2023-03-22T15:25:07Z) - 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 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) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳（メタデータ） (2020-07-10T16:00:44Z) - 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。