論文の概要: Research on Self-adaptive Online Vehicle Velocity Prediction Strategy
Considering Traffic Information Fusion
- arxiv url: http://arxiv.org/abs/2210.03402v1
- Date: Fri, 7 Oct 2022 08:42:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 15:19:25.696452
- Title: Research on Self-adaptive Online Vehicle Velocity Prediction Strategy
Considering Traffic Information Fusion
- Title（参考訳）: 交通情報融合を考慮した自己適応型オンライン車両速度予測戦略に関する研究
- Authors: Ziyan Zhang, Junhao Shen, Dongwei Yao, Feng Wu
- Abstract要約: 一般回帰ニューラルネットワーク(GRNN)のアルゴリズムは、交通シナリオにおいて、エゴ車両、前面車両、信号機のデータセットと組み合わせられた。
都市や高速道路のシナリオでは、従来のGRNN VVP戦略と比較して予測精度が27.8%、54.5%向上する。
- 参考スコア（独自算出の注目度）: 33.78486808705356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In order to increase the prediction accuracy of the online vehicle velocity
prediction (VVP) strategy, a self-adaptive velocity prediction algorithm fused
with traffic information was presented for the multiple scenarios. Initially,
traffic scenarios were established inside the co-simulation environment. In
addition, the algorithm of a general regressive neural network (GRNN) paired
with datasets of the ego-vehicle, the front vehicle, and traffic lights was
used in traffic scenarios, which increasingly improved the prediction accuracy.
To ameliorate the robustness of the algorithm, then the strategy was optimized
by particle swarm optimization (PSO) and k-fold cross-validation to find the
optimal parameters of the neural network in real-time, which constructed a
self-adaptive online PSO-GRNN VVP strategy with multi-information fusion to
adapt with different operating situations. The self-adaptive online PSO-GRNN
VVP strategy was then deployed to a variety of simulated scenarios to test its
efficacy under various operating situations. Finally, the simulation results
reveal that in urban and highway scenarios, the prediction accuracy is
separately increased by 27.8% and 54.5% when compared to the traditional GRNN
VVP strategy with fixed parameters utilizing only the historical ego-vehicle
velocity dataset.
- Abstract（参考訳）: オンライン車両速度予測 (vvp) 戦略の予測精度を向上させるため, 交通情報と融合した自己適応速度予測アルゴリズムを複数のシナリオに適用した。
当初、交通シナリオは共模擬環境で確立された。
さらに、一般的な回帰ニューラルネットワーク(GRNN)のアルゴリズムは、エゴ車、前車、信号機のデータセットと組み合わせて、交通シナリオに利用され、予測精度が向上した。
アルゴリズムのロバスト性を改善するため、この戦略はパーティクルスワム最適化(PSO)とkフォールドクロスバリデーション(k-fold cross-validation)によって、ニューラルネットワークの最適パラメータをリアルタイムで見つけるように最適化され、異なる動作状況に適応するために多情報融合を用いた自己適応型オンラインPSO-GRNN VVP戦略を構築した。
自己適応型オンラインPSO-GRNN VVP戦略は、様々な運用状況下で有効性をテストするために、様々なシミュレーションシナリオに展開された。
最後に, 都市・高速道路のシナリオでは, 従来のGRNN VVP戦略と比較して, 予測精度が27.8%, 54.5%向上し, 歴史的エゴ車速データセットのみを利用した固定パラメータが得られた。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
不確実性に対処するために、リアルタイムの検証残差に基づいて予測間隔を調整するAdaptive Conformal Prediction (ACP) 手法を用いる。
実験の結果,提案モデルでは,MAEが約24%,RMSEが8%,次世代モデルが約24%向上した。
論文 参考訳（メタデータ） (2024-07-17T01:11:07Z) - Dynamic Scheduling for Vehicle-to-Vehicle Communications Enhanced Federated Learning [14.942677904783759]
車両連系学習(VFL)は、連結車両のエッジトレーニングに応用されている。
VFLトレーニング性能を最適化するために最適化問題を定式化する。
本稿では,V2Vを拡張した動的スケジューリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-25T11:15:53Z) - Cellular Traffic Prediction Using Online Prediction Algorithms [5.416701003120508]
本稿では,リアルタイムシナリオにおけるセルラーネットワークトラフィック予測におけるライブ予測アルゴリズムの有効性について検討する。
機械学習モデルに2つのライブ予測アルゴリズムを適用し,その1つは最近提案されたFast LiveStream Prediction (FLSP)アルゴリズムである。
本研究は,従来のオンライン予測アルゴリズムと比較して,FLSPアルゴリズムが非同期データレポートに必要な帯域幅を半減できることを明らかにする。
論文 参考訳（メタデータ） (2024-05-08T17:36:14Z) - Acceleration in Policy Optimization [50.323182853069184]
我々は、楽観的かつ適応的な更新を通じて、政策改善のステップにフォレストを組み込むことにより、強化学習(RL)における政策最適化手法を加速するための統一パラダイムに向けて研究する。
我々は、楽観主義を、政策の将来行動の予測モデルとして定義し、適応性は、過度な予測や変化に対する遅延反応からエラーを軽減するために、即時かつ予測的な修正措置をとるものである。
我々は,メタグラディエント学習による適応型楽観的ポリシー勾配アルゴリズムを設計し,実証的なタスクにおいて,加速度に関連するいくつかの設計選択を実証的に強調する。
論文 参考訳（メタデータ） (2023-06-18T15:50:57Z) - An Empirical Study on Internet Traffic Prediction Using Statistical
Rolling Model [3.689539481706835]
我々の交通の季節性は、SARIMAを用いて明確にモデル化されており、平均平均パーセンテージ誤差(MAPE)を4%以上削減している。
さらに,SARIMAXを用いた交通予測を改良し,元の交通から抽出した異なる要因を学習し,MAPEの6.83%で最高の転がり予測結果を得た。
論文 参考訳（メタデータ） (2022-05-03T16:15:00Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Distributed Multi-agent Meta Learning for Trajectory Design in Wireless
Drone Networks [151.27147513363502]
本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。
値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
論文 参考訳（メタデータ） (2020-12-06T01:30:12Z) - Meta-Reinforcement Learning for Trajectory Design in Wireless UAV
Networks [151.65541208130995]
ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。
この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。
新たな環境に遭遇したDBSの軌道に適応するために,メタラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-25T20:43:59Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-04-26T00:01:49Z) - SCALE-Net: Scalable Vehicle Trajectory Prediction Network under Random
Number of Interacting Vehicles via Edge-enhanced Graph Convolutional Neural
Network [15.916040656243858]
最初の完全にスケーラブルな軌道予測ネットワークであるSCALE-Netが提案されている。
車両数に関係なく高い予測性能と一貫した計算負荷を確保することができる。
論文 参考訳（メタデータ） (2020-02-28T09:25:01Z)
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。