論文の概要: Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention

• arxiv url: http://arxiv.org/abs/2207.00824v2
• Date: Tue, 5 Jul 2022 09:41:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-06 11:58:17.931197
• Title: Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention
• Title（参考訳）: Lane-GNN:ドライバーのレーン変更意図を予測するGNNの統合
• Authors: Hongde Wu and Mingming Liu
• Abstract要約: 本研究では,道路セグメントレベルにおいて,人気のあるモビリティシミュレータSUMOが生成する交通流データにグラフモデリングを適用した。 提案手法を用いて,車線変更検出の性能評価を行った。 実験の結果,提案したレーン-GNNは運転者の車線変更意図を90秒以内に99.42%の精度で検出できることがわかった。
• 参考スコア（独自算出の注目度）: 5.23886447414886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, intelligent highway traffic network is playing an important role in modern transportation infrastructures. A variable speed limit (VSL) system can be facilitated in the highway traffic network to provide useful and dynamic speed limit information for drivers to travel with enhanced safety. Such system is usually designed with a steady advisory speed in mind so that traffic can move smoothly when drivers follow the speed, rather than speeding up whenever there is a gap and slowing down at congestion. However, little attention has been given to the research of vehicles' behaviours when drivers left the road network governed by a VSL system, which may largely involve unexpected acceleration, deceleration and frequent lane changes, resulting in chaos for the subsequent highway road users. In this paper, we focus on the detection of traffic flow anomaly due to drivers' lane change intention on the highway traffic networks after a VSL system. More specifically, we apply graph modelling on the traffic flow data generated by a popular mobility simulator, SUMO, at road segment levels. We then evaluate the performance of lane changing detection using the proposed Lane-GNN scheme, an attention temporal graph convolutional neural network, and compare its performance with a temporal convolutional neural network (TCNN) as our baseline. Our experimental results show that the proposed Lane-GNN can detect drivers' lane change intention within 90 seconds with an accuracy of 99.42% under certain assumptions. Finally, some interpretation methods are applied to the trained models with a view to further illustrate our findings.
• Abstract（参考訳）: 現在、インテリジェントな高速道路交通網は、現代の交通インフラにおいて重要な役割を担っている。 可変速度制限(VSL)システムは高速道路の交通網で容易に実現でき、ドライバーの安全を向上して走行するための有用な動的速度制限情報を提供する。 このようなシステムは、通常安定したアドバイザリスピードを念頭に設計されており、ドライバーが速度に従えば、渋滞時に速度を上げたり減速したりすることなく、トラフィックを円滑に移動させることができる。 しかし、ドライバーがvslシステムによって支配される道路網を離れた時の車両の挙動の研究には、ほとんど注意が払われておらず、これは主に予期せぬ加速、減速、頻繁な車線変更を伴う可能性がある。 本稿では,VSL後の高速道路交通網における運転者の車線変更意図による交通流異常の検出に焦点をあてる。 具体的には、道路セグメントレベルにおいて、人気のあるモビリティシミュレータSUMOが生成するトラフィックフローデータにグラフモデリングを適用する。 次に,注意時間グラフ畳み込みニューラルネットワークである lane-gnn 法を用いて車線切替検出の性能を評価し,その性能を時間畳み込みニューラルネットワーク (tcnn) のベースラインと比較した。 実験の結果,提案したレーン-GNNは,運転者の車線変更意図を90秒以内に特定条件下で99.42%の精度で検出できることがわかった。 最後に, 学習モデルにいくつかの解釈手法を適用し, さらなる知見を提示する。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• 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)
• Leveraging Neo4j and deep learning for traffic congestion simulation & optimization [0.0]
  渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。 また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
  論文  参考訳（メタデータ） (2023-04-01T01:23:10Z)
• Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU [5.320087179174425]
  我々は、リアルタイムにトラフィック量を予測するための非線形メモリベースディープニューラルネットワークモデルを開発した。 本実験は,高ダイナミックかつ異種交通環境における交通量予測における提案モデルの有効性を実証するものである。
  論文  参考訳（メタデータ） (2023-03-22T15:25:07Z)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• 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)
• A Lane-Changing Prediction Method Based on Temporal Convolution Network [36.84793673877468]
  車線変更は重要な運転行動であり、不合理な車線変更は潜在的に危険な交通衝突を引き起こす可能性がある。 本研究では, 経時的畳み込みネットワーク(TCN)を提案する。
  論文  参考訳（メタデータ） (2020-11-01T07:33:10Z)
• A Traffic Light Dynamic Control Algorithm with Deep Reinforcement Learning Based on GNN Prediction [5.585321463602587]
  GPlightはグラフニューラルネットワーク(GNN)と統合された深層強化学習アルゴリズムである GPlightでは、グラフニューラルネットワーク(GNN)が、交差点における将来の短期的トラフィックフローを予測するために最初に使用される。
  論文  参考訳（メタデータ） (2020-09-29T01:09:24Z)
• HOG, LBP and SVM based Traffic Density Estimation at Intersection [4.199844472131922]
  車両の大量輸送は交通渋滞、不要な遅延、汚染、損失、健康問題、事故、緊急車両の通行、交通違反を引き起こす。 従来の交通管理・制御システムではこの問題に対処できない。 交通流の効率を高めるために最適化された、賢明な制御システムが必要である。
  論文  参考訳（メタデータ） (2020-05-04T18:08:35Z)

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。