論文の概要: Will there be a construction? Predicting road constructions based on
heterogeneous spatiotemporal data
- arxiv url: http://arxiv.org/abs/2209.06813v1
- Date: Wed, 14 Sep 2022 17:59:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-15 13:43:19.820575
- Title: Will there be a construction? Predicting road constructions based on
heterogeneous spatiotemporal data
- Title（参考訳）: 建設がありますか。
不均質時空間データに基づく道路構造予測
- Authors: Amin Karimi Monsefi, Sobhan Moosavi, Rajiv Ramnath
- Abstract要約: 道路建設は交通インフラを維持している。
本稿では、ディープ・ニューラル・ネットワーク・ベース・モデルを用いて将来の構築を予測するためのアプローチについて報告する。
本モデルでは,建設,気象,地図,道路網のデータからなる異種データセットに対して,畳み込み成分と繰り返し成分の両方を適用した。
- 参考スコア（独自算出の注目度）: 1.2891210250935146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Road construction projects maintain transportation infrastructures. These
projects range from the short-term (e.g., resurfacing or fixing potholes) to
the long-term (e.g., adding a shoulder or building a bridge). Deciding what the
next construction project is and when it is to be scheduled is traditionally
done through inspection by humans using special equipment. This approach is
costly and difficult to scale. An alternative is the use of computational
approaches that integrate and analyze multiple types of past and present
spatiotemporal data to predict location and time of future road constructions.
This paper reports on such an approach, one that uses a
deep-neural-network-based model to predict future constructions. Our model
applies both convolutional and recurrent components on a heterogeneous dataset
consisting of construction, weather, map and road-network data. We also report
on how we addressed the lack of adequate publicly available data - by building
a large scale dataset named "US-Constructions", that includes 6.2 million cases
of road constructions augmented by a variety of spatiotemporal attributes and
road-network features, collected in the contiguous United States (US) between
2016 and 2021. Using extensive experiments on several major cities in the US,
we show the applicability of our work in accurately predicting future
constructions - an average f1-score of 0.85 and accuracy 82.2% - that
outperform baselines. Additionally, we show how our training pipeline addresses
spatial sparsity of data.
- Abstract（参考訳）: 道路建設プロジェクトは交通インフラを維持している。
これらのプロジェクトは、短期(例えば、ポットホールの復活や固定など)から長期(例えば、肩の追加や橋の建設など)まで様々である。
次の建設計画といつ予定されるかは、伝統的に特殊装備を用いて人間による検査によって決定される。
このアプローチは費用がかかり、スケールが難しい。
別の方法として、複数の種類の過去のデータと現在の時空間データを統合分析し、将来の道路建設の場所と時刻を予測する計算手法の利用がある。
本稿では,深層神経ネットワークモデルを用いて将来の構成を予測する手法について報告する。
本モデルでは,建設,気象,地図,道路網のデータからなる異種データセットに対して,畳み込み成分と繰り返し成分の両方を適用した。
私たちはまた、2016年から2021年にかけて米国(us)で収集された様々な時空間属性と道路ネットワーク機能によって拡張された620万の道路建設を含む、"us-constructions"という名の大規模データセットを構築することで、適切な公開データの欠如に対する対処方法を報告します。
米国内のいくつかの主要都市で大規模な実験を行い、平均的なf1スコアと82.2%の精度でベースラインを上回り、将来の建設を正確に予測できることを示す。
さらに、トレーニングパイプラインがデータの空間的スパーシティに対処する方法を示す。
関連論文リスト
- SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。
このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。
そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
論文 参考訳（メタデータ） (2023-12-02T07:40:21Z) - Towards predicting Pedestrian Evacuation Time and Density from
Floorplans using a Vision Transformer [0.0]
本研究では,視覚変換器をベースとした深層学習手法を提案する。
具体的には、公開データセットの可用性が限られているため、従来のシミュレータを含むパラメトリックデータ生成パイプラインを実装している。
これにより、アーキテクチャのトレーニングに使用する大規模な合成データセットを構築することができます。
論文 参考訳（メタデータ） (2023-06-27T09:15:52Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - Towards the automated large-scale reconstruction of past road networks
from historical maps [5.902781409284461]
我々は,過去の道路網を再構築するために,スキャンおよびジオレファレンス付き歴史地図シリーズを多用するフレームワークを提案する。
米国内の道路ネットワークの5万km以上に相当する30万以上の道路セグメントで,本手法を検証した。
論文 参考訳（メタデータ） (2022-02-10T07:51:10Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - 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) - DeepSTCL: A Deep Spatio-temporal ConvLSTM for Travel Demand Prediction [4.0711669706762805]
本稿では,Deep Spatio-Temporal ConvLSTMに基づく新しいディープラーニングトラフィック需要予測フレームワークを提案する。
提案手法は時間的依存と空間的依存を同時に捉えることができる。
ChengduのDIDIオーダーデータセットの実験結果から,本手法が従来のモデルよりも精度と速度で優れていることが示された。
論文 参考訳（メタデータ） (2020-08-22T13:33:31Z) - 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) - Travel Time Prediction using Tree-Based Ensembles [4.74324101583772]
本稿では,都市シナリオにおける2つの任意の地点間の移動時間予測の課題について考察する。
我々はこの問題を2つの時間的視点から見る: 長期予測は数日間、短期予測は1時間である。
論文 参考訳（メタデータ） (2020-05-28T07:43:54Z) - Holistic Parameteric Reconstruction of Building Models from Point Clouds [9.93322840476651]
本研究では,1つの建物全体の点雲を同時に考慮した総合的パラメトリック再構築手法を提案する。
まず、よく設計されたディープニューラルネットワークを使用して、所定のビルディングポイントクラウド内のプリミティブを識別します。
次に、セグメント化されたプリミティブのパラメータを同時に決定するために、全体最適化戦略を導入する。
総合的な再現の質は、点表面距離0.08メートル、入力されたLiDAR点の0.7倍のRMSEである。
論文 参考訳（メタデータ） (2020-05-19T05:42:23Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。