Fugu-MT 論文翻訳(概要): Modeling Network-level Traffic Flow Transitions on Sparse Data

論文の概要: Modeling Network-level Traffic Flow Transitions on Sparse Data

arxiv url: http://arxiv.org/abs/2208.06646v1
Date: Sat, 13 Aug 2022 13:30:35 GMT
ステータス: 処理完了
システム内更新日: 2022-08-16 13:09:07.227639
Title: Modeling Network-level Traffic Flow Transitions on Sparse Data
Title（参考訳）: スパースデータに基づくネットワークレベルの交通流遷移のモデル化
Authors: Xiaoliang Lei, Hao Mei, Bin Shi, Hua Wei
Abstract要約: 本稿では,スパースデータからネットワークレベルのトラフィックフローを予測できるDTIGNNを提案する。提案手法は最先端の手法よりも優れており,交通機関の意思決定支援に有効であることを示す。
参考スコア（独自算出の注目度）: 6.756998301171409
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modeling how network-level traffic flow changes in the urban environment is useful for decision-making in transportation, public safety and urban planning. The traffic flow system can be viewed as a dynamic process that transits between states (e.g., traffic volumes on each road segment) over time. In the real-world traffic system with traffic operation actions like traffic signal control or reversible lane changing, the system's state is influenced by both the historical states and the actions of traffic operations. In this paper, we consider the problem of modeling network-level traffic flow under a real-world setting, where the available data is sparse (i.e., only part of the traffic system is observed). We present DTIGNN, an approach that can predict network-level traffic flows from sparse data. DTIGNN models the traffic system as a dynamic graph influenced by traffic signals, learns the transition models grounded by fundamental transition equations from transportation, and predicts future traffic states with imputation in the process. Through comprehensive experiments, we demonstrate that our method outperforms state-of-the-art methods and can better support decision-making in transportation.
Abstract（参考訳）: 都市環境におけるネットワークレベルの交通流の変化のモデル化は、交通、公共安全、都市計画における意思決定に有用である。交通フローシステムは、時間とともに状態間(例えば、各道路区間の交通量)を移動する動的なプロセスと見なすことができる。交通信号制御や可逆車線変更のような交通操作を行う現実世界の交通システムでは、システムの状態は、歴史的状態と交通操作の動作の両方に影響される。本稿では,実環境におけるネットワークレベルのトラヒックフローのモデル化において,利用可能なデータが不足している問題(すなわち,トラヒックシステムの一部のみが観測される)について考察する。本稿では,スパースデータからネットワークレベルのトラフィックフローを予測できるDTIGNNを提案する。 DTIGNNは交通系を交通信号に影響された動的グラフとしてモデル化し、交通から基本遷移方程式に基づく遷移モデルを学習し、その過程における計算によって将来の交通状態を予測する。包括的実験により,本手法は最先端の手法より優れ,輸送における意思決定を支援することができることを示した。

関連論文リスト

A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文参考訳（メタデータ） (2024-03-11T16:42:29Z)
BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文参考訳（メタデータ） (2024-03-08T04:19:56Z)
FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph [10.675666104503119]
本稿では,詳細な深部交通推論をedIと呼ぶ。道路間の関係をモデル化するために,交通信号に基づくきめ細かい交通グラフを構築した。私たちは、都市レベルのきめ細かい交通予測を最初に実施しました。
論文参考訳（メタデータ） (2023-06-19T14:03:42Z)
TransWorldNG: Traffic Simulation via Foundation Model [23.16553424318004]
データ駆動型アルゴリズムとグラフコンピューティング技術を用いて,実データからトラフィックダイナミクスを学習する交通シミュレータTransWordNGを提案する。その結果,TransWorldNGは従来のシミュレータよりも現実的なトラフィックパターンを生成できることがわかった。
論文参考訳（メタデータ） (2023-05-25T05:49:30Z)
TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T13:12:17Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
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)
An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文参考訳（メタデータ） (2021-08-02T08:13:57Z)
End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文参考訳（メタデータ） (2021-04-28T07:54:40Z)
Integrated Traffic Simulation-Prediction System using Neural Networks with Application to the Los Angeles International Airport Road Network [39.975268616636]
提案システムは,最適化に基づくOD行列生成手法と,トラフィックフローのパターンを介してOD行列を予測するニューラルネットワーク(NN)モデルと,微視的トラフィックシミュレータを含む。ロサンゼルス国際空港(LAX)中央ターミナルエリア(CTA)の道路ネットワーク上で提案システムをテストする。
論文参考訳（メタデータ） (2020-08-05T01:41:10Z)
Spatio-Temporal Point Processes with Attention for Traffic Congestion Event Modeling [28.994426283738363]
本稿では,道路ネットワーク上での交通渋滞イベントをモデル化するための新しいフレームワークを提案する。交通センサからのカウントデータと交通事故を報告した警察の報告を組み合わせることで、マルチモーダルデータを用いて、渋滞イベントに対する2種類のトリガー効果を捉えることを目指す。ある場所での現在の交通渋滞は、将来の道路網の混雑を引き起こす可能性があり、交通事故は広範な交通渋滞を引き起こす可能性がある。
論文参考訳（メタデータ） (2020-05-15T04:22:18Z)

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。