論文の概要: Driver Side and Traffic Based Evaluation Model for On-Street Parking
Solutions
- arxiv url: http://arxiv.org/abs/2203.13976v1
- Date: Sat, 26 Mar 2022 03:00:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 15:51:34.511842
- Title: Driver Side and Traffic Based Evaluation Model for On-Street Parking
Solutions
- Title(参考訳): 路上駐車ソリューションの運転者側と交通に基づく評価モデル
- Authors: Qianyu Ou, Wenjun Zheng, Zhan Shi, Ruizhi Liao
- Abstract要約: 本稿では,運転者側と交通情報に基づく評価モデル(DSTBM)を開発する。
異なる駐車ソリューションに対する一般的な評価スキームを提供する。
固定センシングと移動センシングという2つの一般的な駐車検知手法を解析した。
- 参考スコア(独自算出の注目度): 6.207356598775391
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parking has been a painful problem for urban drivers. The parking pain
exacerbates as more people tend to live in cities in the context of global
urbanization. Thus, it is demanding to find a solution to mitigate d rivers'
parking headaches. Many solutions tried to resolve the parking issue by
predicting parking occupancy. Their focuses were on the accuracy of the
theoretical side but lacked a standardized model to evaluate these proposals in
practice. This paper develops a Driver Side and Traffic Based Evaluation Model
(DSTBM), which provides a general evaluation scheme for different parking
solutions. Two common parking detection methods, fixed sensing and mobile
sensing are analyzed using DSTBM. The results indicate first, DSTBM examines
different solutions from the driver's perspective and has no conflicts with
other evaluation schemes; second, DSTBM confirms that fixed sensing performs
better than mobile sensing in terms of prediction accuracy.
- Abstract(参考訳): 駐車は都市部ドライバーにとってつらい問題だった。
パーキングの痛みは、グローバル都市化の文脈で都市に住む人が増えるにつれて悪化する。
したがって, 河川の駐車障害を緩和するための解決策を見つける必要がある。
多くの解決策が駐車場の占有率を予測して駐車問題を解決しようとした。
彼らの焦点は理論的な側面の正確さであったが、実際にこれらの提案を評価するための標準化されたモデルがなかった。
本稿では,運転者側と交通量評価モデル(dstbm)を開発し,異なる駐車ソリューションに対する一般評価方式を提案する。
固定センシングと移動センシングの2つの一般的な駐車検知法をdstbmを用いて解析した。
その結果、DSTBMは運転者の視点から異なる解を検証し、他の評価手法と矛盾しないことが明らかとなり、第2に、固定センシングが予測精度においてモバイルセンシングよりも優れていることが確認された。
関連論文リスト
- Truck Parking Usage Prediction with Decomposed Graph Neural Networks [16.20279799290392]
本稿では、地域時間グラフニューラルネットワーク(RegT-GCN)を、州全体での駐車状況を評価するための予測フレームワークとして提示する。
このフレームワークは、トラックの駐車場所分布と歴史的駐車データのトポロジカルな構造を利用して、州全体での占有率を予測する。
評価結果は,提案モデルが他のベースラインモデルを上回る結果となり,元のモデルと比較して20%以上性能が向上したことを示している。
論文 参考訳(メタデータ) (2024-01-23T17:14:01Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳(メタデータ) (2023-06-13T05:58:57Z) - Beyond Prediction: On-street Parking Recommendation using Heterogeneous
Graph-based List-wise Ranking [18.08128929432942]
我々はまず,ドライバーに駐車スペースを直接推薦する,路上駐車推奨(OPR)タスクを提案する。
我々はESGraphと呼ばれる高効率なヘテロジニアスグラフを設計し、歴史的かつリアルタイムなメーターのターンオーバーイベントを表現する。
さらにランキングモデルを用いて、ランキングされた駐車場のリストを推薦するスコア関数を学習する。
論文 参考訳(メタデータ) (2023-04-29T03:59:35Z) - Smart Parking Space Detection under Hazy conditions using Convolutional
Neural Networks: A Novel Approach [0.0]
本稿では, 空き環境下での駐車スペース占有性能を向上させるデハジングネットワークの利用について検討する。
提案システムは既存のスマートパーキングシステムの一部として展開可能で、数百台のパーキングスペースを監視するために、限られた数のカメラが使用されている。
論文 参考訳(メタデータ) (2022-01-15T14:15:46Z) - Dynamic Price of Parking Service based on Deep Learning [68.8204255655161]
都市部における空気質の向上は、公共団体の主な関心事の一つである。
この懸念は、大気の質と公衆衛生の間の証拠から生じる。
規制された駐車場サービスにおける動的価格の提案について述べる。
論文 参考訳(メタデータ) (2022-01-11T20:31:35Z) - 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) - MoParkeR : Multi-objective Parking Recommendation [5.970994932728028]
既存のパーキングレコメンデーションソリューションは主に、未使用のオプションのみに基づく駐車場の検索と提案に重点を置いている。
さらに重要なことは、これらの要因は時間とともに変化し、互いに衝突し、現在の駐車推奨システムによって生み出されるレコメンデーションは効果がない可能性がある。
我々は、様々な競合要因を同時に考慮したMoParkeRと呼ばれる多目的駐車場推薦エンジンを設計し、その解決策を提案する。
論文 参考訳(メタデータ) (2021-06-10T10:57:09Z) - Do Neural Optimal Transport Solvers Work? A Continuous Wasserstein-2
Benchmark [133.46066694893318]
最適輸送のためのニューラルネットワークに基づく解法の性能を評価する。
既存の解法では,下流タスクでは良好に機能するにもかかわらず,最適な輸送マップを復元できないことがわかった。
論文 参考訳(メタデータ) (2021-06-03T15:59:28Z) - Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。
歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。
2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
論文 参考訳(メタデータ) (2021-01-07T06:08:21Z) - A Machine Learning Approach for Modelling Parking Duration in Urban
Land-use [0.0]
本研究では,自動車利用者の社会経済的・旅行特性が駐車時間に与える影響を解析するためのモデルを提案する。
ドライバー特性と駐車時間の間の接続をキャプチャするために、人工知能ニューラルネットワーク(ANN)がデプロイされる。
その結果, LIMEによる予測の確率が高く, ユビキタスに適用可能であることがわかった。
論文 参考訳(メタデータ) (2020-08-04T16:05:59Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳(メタデータ) (2020-04-21T20:46:32Z)
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。