論文の概要: Refining time-space traffic diagrams: A multiple linear regression model
- arxiv url: http://arxiv.org/abs/2204.04457v1
- Date: Sat, 9 Apr 2022 12:02:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-15 03:56:02.992317
- Title: Refining time-space traffic diagrams: A multiple linear regression model
- Title（参考訳）: 時間空間交通図の精細化:多重線形回帰モデル
- Authors: Zhengbing He
- Abstract要約: 時間空間トラフィック(TS)図は、時間空間セルのトラフィック状態を色で表示するもので、最も重要なトラフィック分析と可視化ツールの1つである。
輸送研究と工学において重要であるにもかかわらず、既に存在するか製造されているほとんどのTSダイアグラムは、詳細な交通力学を示すには大きすぎる。
本稿では,TS図の改良問題を導入し,その問題を解決するための線形回帰モデルを提案する。
- 参考スコア（独自算出の注目度）: 3.5408022972081694
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A time-space traffic (TS) diagram that presents traffic states in time-space
cells with colors is one of the most important traffic analysis and
visualization tools. Despite its importance for transportation research and
engineering, most TS diagrams that have already existed or are being produced
are too coarse to exhibit detailed traffic dynamics due to the limitation of
the current information technology and traffic infrastructure investment. To
increase the resolution of a TS diagram and make it present more traffic
details, this paper introduces a TS diagram refinement problem and proposes a
multiple linear regression-based model to solve the problem. Two tests, which
attempt to increase the resolution of a TS diagram for 4 and 16 times,
respectively, are carried out to evaluate the performance of the proposed
model. The data collected from different time, different location and even
different country is involved to thoroughly evaluate the accuracy and
transferability of the proposed model. The strict tests with diverse data show
that the proposed model, although it is simple in form, is able to refine a TS
diagram with a promising accuracy and reliable transferability. The proposed
refinement model will "save" those widely-existing TS diagrams from their
blurry "faces" and make it possible to learn more traffic details from those TS
diagrams.
- Abstract（参考訳）: 時間空間トラフィック(TS)図は、時間空間セルのトラフィック状態を色で表示するもので、最も重要なトラフィック分析と可視化ツールの1つである。
交通研究や工学における重要性はあるものの、既存のtsダイアグラムのほとんどが、現在の情報技術や交通インフラ投資の限界のために、詳細な交通動態を示すには粗末すぎる。
本稿では,TSダイアグラムの解像度を向上し,さらにトラフィックの詳細を提示するために,TSダイアグラムの改良問題を導入し,その問題を解決するための線形回帰モデルを提案する。
提案モデルの性能を評価するために,tsダイアグラムの解像度を4倍と16倍に増やそうとする2つのテストを行った。
異なる時間、異なる場所、そして異なる国から収集されたデータは、提案モデルの精度と転送性を完全に評価する。
各種データを用いた厳密な試験結果から,提案手法は形式的には単純ではあるが,高い精度と信頼性を有するTSダイアグラムを改良可能であることが示された。
提案したリファインメントモデルは、既存のTSダイアグラムをぼやけた「顔」から"セーブ"し、TSダイアグラムからさらにトラフィックの詳細を学習できるようにする。
関連論文リスト
- Generalizable Implicit Neural Representation As a Universal Spatiotemporal Traffic Data Learner [46.866240648471894]
時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。
本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。
実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
論文 参考訳（メタデータ） (2024-06-13T02:03:22Z) - A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文 参考訳（メタデータ） (2024-06-02T05:41:25Z) - Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。
本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。
実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
論文 参考訳（メタデータ） (2024-05-06T06:23:06Z) - Deep Prompt Tuning for Graph Transformers [55.2480439325792]
ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。
ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。
事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
論文 参考訳（メタデータ） (2023-09-18T20:12:17Z) - STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。
次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。
ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
論文 参考訳（メタデータ） (2023-07-02T06:56:52Z) - Large-Scale Traffic Data Imputation with Spatiotemporal Semantic
Understanding [26.86356769330179]
本研究では,GT-TDIモデルを用いて,ネットワークを意味論的に理解した大規模交通データをインプットする手法を提案する。
提案モデルは、グラフニューラルネットワーク(GNN)とトランスフォーマーの助けを借りてタスクを実行するために、不完全データ、センサのソーシャル接続、セマンティック記述を入力として利用する。
その結果,提案したGT-TDIモデルは,複雑な欠落パターンと多彩な欠落率で既存手法よりも優れていた。
論文 参考訳（メタデータ） (2023-01-27T13:02:19Z) - 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) - Dynamic Spatiotemporal Graph Convolutional Neural Networks for Traffic
Data Imputation with Complex Missing Patterns [3.9318191265352196]
本稿では,DSTG(Dynamic Spatio Graph Contemporal Networks)と呼ばれる新しいディープラーニングフレームワークを提案する。
本稿では,動的空間依存のリアルタイム交通情報と道路ネットワーク構造をモデル化するためのグラフ構造推定手法を提案する。
提案手法は,既存の深層学習モデルより様々なシナリオにおいて優れており,グラフ構造推定手法はモデルの性能に寄与する。
論文 参考訳（メタデータ） (2021-09-17T05:47:17Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z)
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。