論文の概要: Estimating Link Flows in Road Networks with Synthetic Trajectory Data
Generation: Reinforcement Learning-based Approaches
- arxiv url: http://arxiv.org/abs/2206.12873v1
- Date: Sun, 26 Jun 2022 13:14:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 15:58:16.654318
- Title: Estimating Link Flows in Road Networks with Synthetic Trajectory Data
Generation: Reinforcement Learning-based Approaches
- Title（参考訳）: 合成軌道データ生成による道路網内のリンクフローの推定:強化学習に基づくアプローチ
- Authors: Miner Zhong, Jiwon Kim, Zuduo Zheng
- Abstract要約: 本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。
本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。
発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
- 参考スコア（独自算出の注目度）: 7.369475193451259
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the problem of estimating link flows in a road network
by combining limited traffic volume and vehicle trajectory data. While traffic
volume data from loop detectors have been the common data source for link flow
estimation, the detectors only cover a subset of links. Vehicle trajectory data
collected from vehicle tracking sensors are also incorporated these days.
However, trajectory data are often sparse in that the observed trajectories
only represent a small subset of the whole population, where the exact sampling
rate is unknown and may vary over space and time. This study proposes a novel
generative modelling framework, where we formulate the link-to-link movements
of a vehicle as a sequential decision-making problem using the Markov Decision
Process framework and train an agent to make sequential decisions to generate
realistic synthetic vehicle trajectories. We use Reinforcement Learning
(RL)-based methods to find the best behaviour of the agent, based on which
synthetic population vehicle trajectories can be generated to estimate link
flows across the whole network. To ensure the generated population vehicle
trajectories are consistent with the observed traffic volume and trajectory
data, two methods based on Inverse Reinforcement Learning and Constrained
Reinforcement Learning are proposed. The proposed generative modelling
framework solved by either of these RL-based methods is validated by solving
the link flow estimation problem in a real road network. Additionally, we
perform comprehensive experiments to compare the performance with two existing
methods. The results show that the proposed framework has higher estimation
accuracy and robustness under realistic scenarios where certain behavioural
assumptions about drivers are not met or the network coverage and penetration
rate of trajectory data are low.
- Abstract（参考訳）: 本稿では,限られた交通量と車両軌道データを組み合わせた道路網におけるリンクフロー推定の問題に対処する。
ループ検出器からの交通量データはリンクフロー推定の一般的なデータ源であるが、検出器はリンクのサブセットのみをカバーする。
車両追跡センサーから収集された車両の軌道データも最近組み込まれている。
しかし、軌道データは、観測された軌道が人口全体のごく一部しか表現していないため、正確なサンプリング速度が不明であり、空間や時間によって異なる場合が多い。
本研究では,マルコフ決定プロセスフレームワークを用いて車両の連系動作を逐次決定問題として定式化し,エージェントに逐次決定を行ない,リアルな合成車両軌道を生成するための新たな生成モデルフレームワークを提案する。
強化学習 (rl) に基づく手法を用いて, ネットワーク全体のリンクフローを推定するために, 合成集団車両軌跡を生成できるエージェントの最適挙動を探索する。
生成した集団車両軌跡が観測トラヒック量と軌道データと一致していることを保証するため,逆強化学習と制約強化学習に基づく2つの手法を提案する。
実道路網におけるリンクフロー推定問題を解くことにより,これらrl法のいずれかで解く生成モデルフレームワークの有効性を検証する。
さらに,既存の2つの手法と比較して総合的な実験を行った。
提案手法は,運転者の行動的仮定が満たされていない場合や,トラジェクトリデータのネットワークカバレッジや浸透率が低い場合において,高い推定精度とロバスト性を有することを示す。
関連論文リスト
- Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - On the Design of Graph Embeddings for the Sensorless Estimation of Road
Traffic Profiles [6.100274095771616]
トラフィック予測モデルは、認識、処理、保存が必要なデータに依存します。
認識された場所の欠如は、交通監視に必要な経済的投資をさらに減少させる合成データシミュレーションと補完することができる。
本稿では,道路セグメントのトポロジ的特徴を検査することで,交通データのある場所を探索する手法を提案する。
論文 参考訳（メタデータ） (2022-01-11T15:16:18Z) - Learning Contraction Policies from Offline Data [1.5771347525430772]
本稿では,契約理論を用いたオフラインデータから収束制御ポリシーを学習するためのデータ駆動手法を提案する。
我々は,契約を施行しながら,制御ポリシとその対応する契約基準を学習する。
我々は,ロボットの目標達成タスクを模擬したフレームワークの性能評価を行った。
論文 参考訳（メタデータ） (2021-12-11T03:48:51Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - 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) - Physics-Informed Deep Learning for Traffic State Estimation [3.779860024918729]
交通状態推定(TSE)は、部分的に観測されたデータを用いて道路セグメント上の交通変数(例えば密度)を再構築する。
本論文では,少量の観測データを用いて高品質なTSEを効率的に実行するための物理情報深層学習(PIDL)フレームワークについて紹介する。
論文 参考訳（メタデータ） (2021-01-17T03:28:32Z) - A Generic Framework for Clustering Vehicle Motion Trajectories [4.125187280299247]
5段階からなる効果的な非パラメトリック軌道クラスタリングフレームワークを提案する。
本稿では,注釈付き軌跡からなる実世界の挑戦的データセットについて,提案手法を検討・評価する。
我々は、GAN(Generative Adversarial Network)によって生成された合成データを用いて、実データセットの拡張を検証するためのフレームワークを拡張した。
論文 参考訳（メタデータ） (2020-09-25T21:46:37Z) - Learning Probabilistic Intersection Traffic Models for Trajectory
Prediction [8.536503379429032]
この研究は、交差点における車両の挙動を定量化するために使用されるガウス過程に基づく確率的交通モデルを示す。
この方法は時系列位置軌跡のセットで示される。
モデルの適用性を示すために、テスト軌跡は部分的な観察のみで分類される。
論文 参考訳（メタデータ） (2020-02-05T19:22:26Z)
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。