論文の概要: Estimating city-wide hourly bicycle flow using a hybrid LSTM MDN

• arxiv url: http://arxiv.org/abs/2204.09620v1
• Date: Wed, 20 Apr 2022 17:00:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 13:52:56.937856
• Title: Estimating city-wide hourly bicycle flow using a hybrid LSTM MDN
• Title（参考訳）: ハイブリッドLSTM MDNを用いた都市全体での自転車走行量の推定
• Authors: Marcus Skyum Myhrmann and Stefan Eriksen Mabit
• Abstract要約: 自転車のモードシェアを増やそうとする試みには、自転車の安全性の向上など、多くの手段が伴う。 サイクリングの安全性に関する有意義な分析は、一般的にセグメントレベルで利用できない、あるいは使用できない正確な自転車のフローデータを必要とする。 本稿では,コペンハーゲンにおける自転車の時流,天候,時間,道路条件を推定するディープラーニングに基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cycling can reduce greenhouse gas emissions and air pollution and increase public health. With this in mind, policy-makers in cities worldwide seek to improve the bicycle mode-share. However, they often struggle against the fear and the perceived riskiness of cycling. Efforts to increase the bicycle's mode-share involve many measures, one of them being the improvement of cycling safety. This requires the analysis of the factors surrounding accidents and the outcome. However, meaningful analysis of cycling safety requires accurate bicycle flow data that is generally sparse or not even available at a segment level. Therefore, safety engineers often rely on aggregated variables or calibration factors that fail to account for variations in the cycling traffic caused by external factors. This paper fills this gap by presenting a Deep Learning based approach, the Long Short-Term Memory Mixture Density Network (LSTMMDN), to estimate hourly bicycle flow in Copenhagen, conditional on weather, temporal and road conditions at the segment level. This method addresses the shortcomings in the calibration factor method and results in 66-77\% more accurate bicycle traffic estimates. To quantify the impact of more accurate bicycle traffic estimates in cycling safety analysis, we estimate bicycle crash risk models to evaluate bicycle crashes in Copenhagen. The models are identical except for the exposure variables being used. One model is estimated using the LSTMMDN estimates, one using the calibration-based estimates, and one using yearly mean traffic estimates. The results show that investing in more advanced methods for obtaining bicycle volume estimates can benefit the quality, mitigating efforts by improving safety analyses and other performance measures.
• Abstract（参考訳）: サイクリングは温室効果ガスの排出と大気汚染を低減し、公衆の健康を高めることができる。 このことを念頭に置いて、世界中の都市の政策立案者は自転車のモードシェアを改善することを目指している。 しかし、彼らはしばしばサイクリングの恐怖と認識されるリスクと戦っている。 自転車のモードシェアを増やそうとする試みには、自転車の安全性の向上など、多くの手段が伴う。 これは事故を取り巻く要因と結果の分析を必要とする。 しかし、自転車の安全に関する有意義な分析は、一般的にセグメントレベルで利用できない、あるいは利用できない正確な自転車のフローデータを必要とする。 したがって、安全エンジニアは、外部要因によるサイクリングトラフィックの変動を考慮しない集約変数やキャリブレーション要因に依存することが多い。 本稿では,コペンハーゲンにおける時間的自転車走行,天候条件,時間的・道路状況などをセグメントレベルで推定するために,ディープラーニングに基づくLong Short-Term Memory Mixture Density Network (LSTMMDN)を提案することにより,このギャップを埋める。 本手法は,キャリブレーション係数法における欠点に対処し,より正確な自転車交通推定を66-77\%向上させる。 サイクリング安全分析におけるより正確な自転車交通量の推定の影響を定量化するために,コペンハーゲンの自転車事故評価のための自転車事故リスクモデルを提案する。 モデルは使用中の露光変数を除いて同一である。 1つのモデルはLSTMMDNの推定値、キャリブレーションに基づく推定値、年間平均トラフィック推定値を用いて推定する。 その結果、より高度な自転車容積推定手法への投資は、安全性分析やその他のパフォーマンス対策の改善による、品質の向上、努力の軽減に寄与することが示された。

関連論文リスト

• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車のボリュームをモデル化するために,グラフ畳み込みネットワークアーキテクチャを利用する最初の研究について述べる。 オーストラリア,メルボルン市全体での年間平均自転車数(AADB)を,Strava Metro の自転車数データを用いて推定した。 以上の結果から,GCNモデルは従来のAADB数予測モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• From Counting Stations to City-Wide Estimates: Data-Driven Bicycle Volume Extrapolation [0.0]
  ストリートレベルの自転車量情報は、都市が自転車を奨励するためのインフラの改善を計画するのに役立つだろう。 現在市や市民が利用できるデータは、わずかに数える駅からしか得られないことが多い。 本論文は,ベルリン全都市における自転車の容積を推定するために,これらの数箇所を超える自転車の容積を推定する。
  論文  参考訳（メタデータ） (2024-06-26T16:01:53Z)
• AutoLTS: Automating Cycling Stress Assessment via Contrastive Learning and Spatial Post-processing [4.599618895656792]
  本研究では,高精度で高速かつ大規模なサイクリングストレスアセスメントを支援するためのディープラーニングフレームワークを提案する。 筆者らのフレームワークは, サイクリングストレスラベル間の順序関係を利用したコントラスト学習手法と, 予測に空間的滑らかさを強制するポストプロセッシング手法を特徴とする。
  論文  参考訳（メタデータ） (2023-08-15T05:51:25Z)
• Scoring Cycling Environments Perceived Safety using Pairwise Image Comparisons [0.9299655616863538]
  本研究では,自転車の安全に対する認識を解析し,理解するための新しいアプローチを提案する。 繰り返し、回答者に2つの道路環境を示し、サイクリングにとってより安全なものを選ぶよう依頼する。 我々は,自転車の環境をペア比較から評価し,安全あるいは安全でないと認識された自転車の環境を分類する手法をいくつか比較した。
  論文  参考訳（メタデータ） (2023-07-25T10:31:45Z)
• 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)
• Monocular Cyclist Detection with Convolutional Neural Networks [0.0]
  本研究は,盲点に対する運転者の注意不足に起因する車両と自転車の衝突回数を減らすことを目的としている。 我々は、物体検出畳み込みニューラルネットワークを用いてサイクリストを検出できる最先端のリアルタイム単眼サイクリスト検出を設計した。 このサイクリスト検出装置は、サイクリストを正確にかつ迅速に検出し、サイクリストの安全性を大幅に向上させる可能性があると結論付けている。
  論文  参考訳（メタデータ） (2023-01-16T13:54:13Z)
• Predicting Citi Bike Demand Evolution Using Dynamic Graphs [81.12174591442479]
  ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用した。 本稿では,ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用しようとする。
  論文  参考訳（メタデータ） (2022-12-18T21:43:27Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• 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)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• Exploring the weather impact on bike sharing usage through a clustering analysis [7.541020519717183]
  本研究の目的は、ワシントンD.C.の自転車利用にどの程度の天気がどんな影響を及ぼすかを調査することである。 ワシントンD.C.では,自転車の利用データと天気データを収集し,k平均クラスタリングアルゴリズムを用いて分析する。
  論文  参考訳（メタデータ） (2020-08-17T12:24:37Z)

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。