論文の概要: Short Duration Traffic Flow Prediction Using Kalman Filtering
- arxiv url: http://arxiv.org/abs/2208.03415v1
- Date: Sat, 6 Aug 2022 00:30:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 13:02:59.961482
- Title: Short Duration Traffic Flow Prediction Using Kalman Filtering
- Title（参考訳）: カルマンフィルタを用いた短時間交通流予測
- Authors: Khondhaker Al Momin, Saurav Barua, Md. Shahreer Jamil, Omar Faruqe
Hamim
- Abstract要約: 調査は、ソバンバグ・モスク近郊のダッカのミルプル・ロードで行われた。
ストリームには異質なトラフィックの混合が含まれており、予測の不確実性を示している。
提案されたモデルの平均絶対パーセンテージ誤差(MAPE)は14.62であり、KFTモデルは合理的に予測できることを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The research examined predicting short-duration traffic flow counts with the
Kalman filtering technique (KFT), a computational filtering method. Short-term
traffic prediction is an important tool for operation in traffic management and
transportation system. The short-term traffic flow value results can be used
for travel time estimation by route guidance and advanced traveler information
systems. Though the KFT has been tested for homogeneous traffic, its efficiency
in heterogeneous traffic has yet to be investigated. The research was conducted
on Mirpur Road in Dhaka, near the Sobhanbagh Mosque. The stream contains a
heterogeneous mix of traffic, which implies uncertainty in prediction. The
propositioned method is executed in Python using the pykalman library. The
library is mostly used in advanced database modeling in the KFT framework,
which addresses uncertainty. The data was derived from a three-hour traffic
count of the vehicle. According to the Geometric Design Standards Manual
published by Roads and Highways Division (RHD), Bangladesh in 2005, the
heterogeneous traffic flow value was translated into an equivalent passenger
car unit (PCU). The PCU obtained from five-minute aggregation was then utilized
as the suggested model's dataset. The propositioned model has a mean absolute
percent error (MAPE) of 14.62, indicating that the KFT model can forecast
reasonably well. The root mean square percent error (RMSPE) shows an 18.73%
accuracy which is less than 25%; hence the model is acceptable. The developed
model has an R2 value of 0.879, indicating that it can explain 87.9 percent of
the variability in the dataset. If the data were collected over a more extended
period of time, the R2 value could be closer to 1.0.
- Abstract（参考訳）: 計算フィルタリング手法であるkalman filter technique (kft) を用いて,短時間交通流量の予測について検討した。
短期交通予測は交通管理と交通システムの運用において重要なツールである。
道路案内と高度トラベラー情報システムによる移動時間推定には, 短期交通流量値結果を用いることができる。
kftは均質なトラフィックでテストされているが、その効率性はまだ調査されていない。
この調査は、ソバンバグ・モスクに近いダッカのミルプル・ロードで行われた。
ストリームには不均一なトラフィックの混合が含まれており、予測の不確実性が示唆される。
提案されたメソッドはPythonでpykalmanライブラリを使って実行される。
ライブラリは主に、不確実性に対処するKFTフレームワークの高度なデータベースモデリングに使用される。
データは、車両の3時間の交通量から導かれた。
2005年にバングラデシュのroads and highways division(rhd)が発行したgemetry design standards manualによると、不均一な交通フローの値は同等の旅客車単位(pcu)に変換された。
5分間のアグリゲーションから得られたPCUを提案モデルのデータセットとして利用した。
提案されたモデルの平均絶対パーセンテージ誤差(MAPE)は14.62であり、KFTモデルは合理的に予測できることを示している。
根平均二乗誤差(RMSPE)は18.73%の精度を示し、25%未満である。
開発されたモデルはR2値0.879であり、データセットの変数の87.9%を説明できることを示している。
データがより長期にわたって収集された場合、R2値は1.0に近い可能性がある。
関連論文リスト
- Traffic estimation in unobserved network locations using data-driven
macroscopic models [2.3543188414616534]
本稿では,自動交通カウンタとプローブ車両から収集したマクロモデルとマルチソースデータを利用して,これらの測定が不可能なリンクにおいて,交通流と走行時間を正確に推定する。
MaTEはマクロフロー理論に基礎を置いているため、全てのパラメータと変数は解釈可能である。
合成データを用いた実験により, サンプル外リンクの走行時間と交通流を正確に推定できることがわかった。
論文 参考訳（メタデータ） (2024-01-30T15:21:50Z) - 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) - On-ramp and Off-ramp Traffic Flows Estimation Based on A Data-driven
Transfer Learning Framework [2.55061802822074]
幹線道路のループ検出装置から収集したデータのみを用いて,不足する傾斜流を正確に推定することのできるデータ駆動型フレームワークを提案する。
提案フレームワークは,交通パターン,分布,特性の異なる高速道路におけるオンランプおよびオフランプ流の高精度な推定を保証できる。
論文 参考訳（メタデータ） (2023-08-07T12:36:30Z) - Traffic State Estimation from Vehicle Trajectories with Anisotropic Gaussian Processes [21.13555047611666]
本稿では,標準等方性GPカーネルを異方性カーネルに変換するカーネル回転再パラメータ化方式を提案する。
また、複数のレーンの交通状態を同時に推定できるマルチアウトプットGPへのアプローチも拡張しています。
連結車両(CV)と人間駆動車両(HV)の混合交通について検討し,交通状態推定(TSE)方式を5%から50%まで実験した。
論文 参考訳（メタデータ） (2023-03-04T03:59:17Z) - 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) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z) - 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) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳（メタデータ） (2020-07-10T16:00:44Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z) - 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。