Fugu-MT 論文翻訳(概要): Traffic Congestion Prediction Using Machine Learning Techniques

論文の概要: Traffic Congestion Prediction Using Machine Learning Techniques

arxiv url: http://arxiv.org/abs/2206.10983v1
Date: Wed, 22 Jun 2022 11:17:46 GMT
ステータス: 処理完了
システム内更新日: 2022-06-23 23:23:58.843666
Title: Traffic Congestion Prediction Using Machine Learning Techniques
Title（参考訳）: 機械学習を用いた交通渋滞予測
Authors: Moumita Asad, Rafed Muhammad Yasir, Dr. Naushin Nower, Dr. Mohammad Shoyaib
Abstract要約: 本稿では,日,時間,天気データに基づいて渋滞を予測する交通渋滞予測モデルを提案する。このモデルでは、道路の混雑が1週間前に予測され、平均RMSEは1.12である。
参考スコア（独自算出の注目度）: 2.034025911158587
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The prediction of traffic congestion can serve a crucial role in making future decisions. Although many studies have been conducted regarding congestion, most of these could not cover all the important factors (e.g., weather conditions). We proposed a prediction model for traffic congestion that can predict congestion based on day, time and several weather data (e.g., temperature, humidity). To evaluate our model, it has been tested against the traffic data of New Delhi. With this model, congestion of a road can be predicted one week ahead with an average RMSE of 1.12. Therefore, this model can be used to take preventive measure beforehand.
Abstract（参考訳）: 交通渋滞の予測は、将来の意思決定において重要な役割を果たす。渋滞に関する多くの研究が行われてきたが、これらの多くは重要な要因(例えば気象条件)をすべてカバーできなかった。本研究では,日時,気象データ(気温,湿度など)に基づいて渋滞を予測できる交通渋滞予測モデルを提案した。我々のモデルを評価するため、ニューデリーの交通データに対してテストされている。このモデルでは、道路の混雑が1週間前に予測され、平均RMSEは1.12である。したがって、このモデルは事前に予防措置を取るために使用できる。

関連論文リスト

Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文参考訳（メタデータ） (2024-06-12T11:50:51Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
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)
TrafFormer: A Transformer Model for Predicting Long-term Traffic [3.6776225248989536]
長期的な交通予測は、交通渋滞に対するより包括的で情報があり、予防的な対策を可能にする。我々は,24時間前のトラフィックを予測するために,改良されたトランスフォーマーモデルTrafFormerを提案する。
論文参考訳（メタデータ） (2023-02-24T01:29:21Z)
Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting [14.71745498591372]
本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
論文参考訳（メタデータ） (2022-06-19T20:17:15Z)
A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文参考訳（メタデータ） (2021-02-12T18:17:12Z)
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)
Towards Good Practices of U-Net for Traffic Forecasting [16.919515280128472]
予測トラフィック問題を,時間的依存が比較的弱い将来のフレーム予測タスクとして検討する。本稿では,予測されたトラフィックフローをより合理的にするためのロードマップ生成手法を提案する。我々は、オーバーフィッティングを防ぐために、検証セットに基づいた微調整戦略を使用し、予測結果を効果的に改善する。
論文参考訳（メタデータ） (2020-12-04T13:54:49Z)
TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。