論文の概要: Assessing Connected Vehicle Data Coverage on New Jersey Roadways
- arxiv url: http://arxiv.org/abs/2208.04703v2
- Date: Wed, 7 Sep 2022 14:40:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 10:26:32.127938
- Title: Assessing Connected Vehicle Data Coverage on New Jersey Roadways
- Title（参考訳）: ニュージャージー州の道路におけるコネクテッドカーデータカバレッジの評価
- Authors: Branislav Dimitrijevic, Zijia Zhong, Liuhui Zhao, Dejan Besenski,
Joyoung Lee
- Abstract要約: 連結車両データ(CVD)は、交通システムの性能を効果的に監視する能力を大幅に向上させる、最も有望な新興モビリティデータの1つである。
ニュージャージー州の州全体の道路網全体にわたる車両の体積の十分なサンプルを示すために、商用車両軌跡データセットを市場浸透とカバーのために評価した。
比較的低い(5%未満)が、一貫した市場浸透と、交通流内の装備車両の均一な空間分布が組み合わさって、幅広いトラフィック分析アプリケーションを可能にしたり、強化したりすることができる。
- 参考スコア（独自算出の注目度）: 0.5669790037378094
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The connected vehicle data (CVD) is one of the most promising emerging
mobility data that greatly increases the ability to effectively monitor
transportation system performance. A commercial vehicle trajectory dataset was
evaluated for market penetration and coverage to establish whether it
represents a sufficient sample of the vehicle volumes across the statewide
roadway network of New Jersey. The dataset (officially named Wejo Vehicle
Movement data) was compared to the vehicle volumes obtained from 46
weight-in-motion (WIM) traffic count stations during the corresponding
two-month period. The observed market penetration rates of the Movement data
for the interstate highways, non-interstate expressways, major arterials, and
minor arterials are 2.55% (std. dev. 0.76%), 2.31% (std. dev. 1.07%), 3.25%
(standard deviation 1.48%), and 4.39% (standard deviation 2.65%), respectively.
Additionally, the temporal resolution of the dataset (i.e., the time interval
between consecutive Wejo vehicle trips captured at a given roadway section,
time-of-day variation, day-of-month variation) was also found to be consistent
among the evaluated WIM locations. Although relatively low (less than 5%), the
consistent market penetration, combined with uniform spatial distribution of
equipped vehicles within the traffic flow, could enable or enhance a wide range
of traffic analytics applications.
- Abstract（参考訳）: 連結車両データ(CVD)は交通システムの性能を効果的に監視する能力を大幅に向上させる、最も有望な新興モビリティデータの一つである。
ニュージャージー州の州全体の道路網全体にわたる車両の体積の十分なサンプルを示すために、商用車両軌跡データセットを市場浸透とカバーのために評価した。
データセット(正式にはWejo Vehicle Movement data)は、対応する2ヶ月間の46のWIMトラフィックカウントステーションから得られた車両量と比較された。
高速道路、非州高速道路、幹線動脈、小動脈の移動データの市場浸透率は、それぞれ2.55%(現像0.76%)、2.31%(現像1.07%)、3.25%(標準偏差1.48%)、4.39%(標準偏差2.65%)である。
また, 評価されたWIM地点間では, データセットの時間分解能(例えば, 所定の道路区間で捉えた連続したWejo車旅行の時間間隔, 日毎の変動, 日毎の変動)が一致していた。
比較的低い(5%未満)が、一貫した市場浸透と、交通流内の装備車両の均一な空間分布が組み合わさって、幅広いトラフィック分析アプリケーションを実現または強化することができる。
関連論文リスト
- CVVLSNet: Vehicle Location and Speed Estimation Using Partial Connected Vehicle Trajectory Data [6.928899738499268]
車両の位置と速度のリアルタイム推定は、有用な輸送アプリケーションを開発する上で不可欠である。
通信技術の最近の進歩はコネクテッドカー(CV)の出現を促進する
本稿では,CVVLSNet を用いた新しい車両位置・速度推定ネットワークを提案する。
論文 参考訳（メタデータ） (2024-09-30T18:13:26Z) - Real-Time Traffic Sign Detection: A Case Study in a Santa Clara Suburban
Neighborhood [2.4087090457198435]
プロジェクトの主な目的は、さまざまなトラフィックサインイメージのデータセット上でYOLOv5モデルをトレーニングし、適切なハードウェアプラットフォームにモデルをデプロイすることである。
本システムの性能は,交通信号の検出精度,リアルタイム処理速度,全体的な信頼性に基づいて評価する。
論文 参考訳（メタデータ） (2023-10-14T17:52:28Z) - MSight: An Edge-Cloud Infrastructure-based Perception System for
Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。
MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。
評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文 参考訳（メタデータ） (2023-10-08T21:32:30Z) - OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。
OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。
様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
論文 参考訳（メタデータ） (2023-04-20T16:31:22Z) - A Big-Data Driven Framework to Estimating Vehicle Volume based on Mobile
Device Location Data [0.40631409309544836]
車両の体積は、交通信号の制御、交通計画の優先順位付け、道路整備などの基礎となる重要な指標となっている。
従来の車両の体積を定量化する方法は、限られた場所における手動計数、ビデオカメラ、ループ検出器に頼っている。
本稿では, 大規模な地理的領域において, テラバイト単位のデバイス位置情報を取り込み, 車両の体積を推定できる, 大規模データ駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-20T16:23:17Z) - 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) - A Hybrid Physics Machine Learning Approach for Macroscopic Traffic State
Estimation [20.716261308570555]
本稿では,革新的なトラフィック状態推定フレームワークを提案する。
入力として、交通センサからの限られた情報を使用し、正確でフルフィールドで推定された交通状況を構築する。
実験の結果,提案手法は実地交通情報を正確に推定できることが証明された。
論文 参考訳（メタデータ） (2022-02-01T06:04:18Z) - 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) - City-Scale Holographic Traffic Flow Data based on Vehicular Trajectory
Resampling [4.899517472913586]
我々はXuancheng市で1日80,000台の連続軌道を正確な交差点通過時間で構築した。
このようなホログラフィックなトラフィックデータにより、トラフィックフローの進化のあらゆる詳細を再現することが可能である。
街中の482の道路区間を網羅し, ホログラフィックトラジェクトリを再サンプリングした交通流データについて検討した。
論文 参考訳（メタデータ） (2021-08-30T16:59:04Z) - 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) - 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)
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。