論文の概要: Time-to-Green predictions for fully-actuated signal control systems with
supervised learning
- arxiv url: http://arxiv.org/abs/2208.11344v1
- Date: Wed, 24 Aug 2022 07:50:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 13:03:25.522197
- Title: Time-to-Green predictions for fully-actuated signal control systems with
supervised learning
- Title(参考訳): 教師付き学習による信号制御システムの時間-グリーン予測
- Authors: Alexander Genser, Michail A. Makridis, Kaidi Yang, Lukas Amb\"uhl,
Monica Menendez, Anastasios Kouvelas
- Abstract要約: 本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
- 参考スコア(独自算出の注目度): 56.66331540599836
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, efforts have been made to standardize signal phase and timing
(SPaT) messages. These messages contain signal phase timings of all signalized
intersection approaches. This information can thus be used for efficient motion
planning, resulting in more homogeneous traffic flows and uniform speed
profiles. Despite efforts to provide robust predictions for semi-actuated
signal control systems, predicting signal phase timings for fully-actuated
controls remains challenging. This paper proposes a time series prediction
framework using aggregated traffic signal and loop detector data. We utilize
state-of-the-art machine learning models to predict future signal phases'
duration. The performance of a Linear Regression (LR), a Random Forest (RF),
and a Long-Short-Term-Memory (LSTM) neural network are assessed against a naive
baseline model. Results based on an empirical data set from a fully-actuated
signal control system in Zurich, Switzerland, show that machine learning models
outperform conventional prediction methods. Furthermore, tree-based decision
models such as the RF perform best with an accuracy that meets requirements for
practical applications.
- Abstract(参考訳): 近年,信号位相とタイミング(SPaT)の標準化が試みられている。
これらのメッセージは、すべての信号化交差点アプローチの信号位相タイミングを含む。
したがって、この情報は効率的な動き計画に利用することができ、より均質なトラフィックフローと均一な速度プロファイルをもたらす。
半作動信号制御システムのロバストな予測を提供する努力にもかかわらず、完全作動制御のための信号位相タイミングの予測は依然として困難である。
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
最先端機械学習モデルを用いて将来の信号位相の持続時間を予測する。
リニア回帰(LR)、ランダムフォレスト(RF)、Long-Short-Term-Memory(LSTM)ニューラルネットワークの性能を、ナイーブベースラインモデルを用いて評価する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
さらに、RFのような木に基づく決定モデルは、実用的な応用の要件を満たす精度で最善を尽くす。
関連論文リスト
- PreRoutGNN for Timing Prediction with Order Preserving Partition: Global
Circuit Pre-training, Local Delay Learning and Attentional Cell Modeling [84.34811206119619]
本稿では,事前のタイミング予測に対する2段階のアプローチを提案する。
まず、回路網リストからグローバルグラフ埋め込みを学習するグラフオートエンコーダを事前学習するためのグローバル回路トレーニングを提案する。
第2に、GCN上のメッセージパッシングのための新しいノード更新方式を、学習したグラフ埋め込みと回路グラフのトポロジ的ソートシーケンスに従って使用する。
21個の実世界の回路の実験では、スラック予測のための新しいSOTA R2が0.93で達成され、以前のSOTA法では0.59をはるかに上回っている。
論文 参考訳(メタデータ) (2024-02-27T02:23:07Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳(メタデータ) (2022-10-08T04:32:58Z) - SAL-CNN: Estimate the Remaining Useful Life of Bearings Using
Time-frequency Information [0.0]
現代の工業生産において、軸受の残りの有用寿命(RUL)の予測能力は、システムの安全性と安定性に直接影響を及ぼす。
本稿では, 短時間フーリエ変換(STFT)を前処理として, エンドツーエンドのRUL予測手法を提案する。
信号列の時間相関を考慮すると、CNNでは、畳み込みブロックアテンションモジュールを組み込んだ長短のメモリネットワークが設計されている。
論文 参考訳(メタデータ) (2022-04-11T12:27:31Z) - Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection [0.0]
多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。
このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。
異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
論文 参考訳(メタデータ) (2022-02-25T01:50:22Z) - Time-Incremental Learning from Data Using Temporal Logics [3.167882687550935]
本稿では,プレフィックス信号と呼ばれる,時間とともに漸進的に受信される信号のラベルを予測する手法を提案する。
与えられたデータセットから有限個の信号時間論理(STL)仕様を生成するための,決定木に基づく新しい手法を提案する。
本アルゴリズムの有効性と分類性能を,都市交通と海軍監視ケーススタディで評価した。
論文 参考訳(メタデータ) (2021-12-28T21:32:00Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳(メタデータ) (2021-04-27T18:17:42Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Predicting Coordinated Actuated Traffic Signal Change Times using LSTM
Neural Networks [14.767495209601016]
本研究は、4段階の長期記憶深層学習に基づく方法論を詳述し、合理的な切換時間推定を提供する。
モデルへの入力には、コントローラロジック、信号タイミングパラメータ、日時、検出器からのトラフィック状態、車両のアクティベーションデータ、歩行者のアクティベーションデータが含まれていた。
LSTMにおける平均二乗誤差,平均絶対誤差,平均相対誤差を含む各損失関数の比較解析を行い,新しい損失関数を提案する。
論文 参考訳(メタデータ) (2020-08-10T15:11:21Z)
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。