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
- A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
軌道予測は、自動運転車における計画の安全性と効率に不可欠である。
現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。
本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
論文 参考訳(メタデータ) (2024-11-29T14:47:08Z) - TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。
我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。
レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文 参考訳(メタデータ) (2024-11-22T06:13:42Z) - GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳(メタデータ) (2024-08-19T08:23:38Z) - Crowdsourced reviews reveal substantial disparities in public perceptions of parking [2.3034861262968453]
本研究は,全米の駐車場に対する一般の認識を調査するため,費用対効果が高く,広くアクセス可能なデータソースであるクラウドソースオンラインレビューを紹介した。
Google Mapsから得られた911のコアベース統計領域(CBSA)を対象に,駐車関連レビュー4,987,483件のPOI(1,129,460点)について検討した。
POI型とCBSA型にまたがるパーキング感の顕著な変化がみられ,レストランPOIは最もネガティブな傾向を示した。
論文 参考訳(メタデータ) (2024-07-06T15:17:17Z) - Leverage Multi-source Traffic Demand Data Fusion with Transformer Model for Urban Parking Prediction [4.672121078249809]
本研究では,空間時間深層学習とマルチソースデータ融合を組み合わせた駐車予測フレームワークを提案する。
このフレームワークは、時空間深層学習モデルとしてのTransformerに基づいている。
実世界の実証データを用いて,提案手法の有効性を検証した。
論文 参考訳(メタデータ) (2024-05-02T07:28:27Z) - DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。
センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。
我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文 参考訳(メタデータ) (2024-03-25T17:59:01Z) - Truck Parking Usage Prediction with Decomposed Graph Neural Networks [15.291200515217513]
貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。
正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。
本稿では地域時間グラフニューラルネットワーク(RegT-CN)を提案する。
論文 参考訳(メタデータ) (2024-01-23T17:14:01Z) - 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) - 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) - 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。