論文の概要: TranViT: An Integrated Vision Transformer Framework for Discrete Transit
Travel Time Range Prediction
- arxiv url: http://arxiv.org/abs/2211.12322v1
- Date: Tue, 22 Nov 2022 15:13:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 18:29:42.084359
- Title: TranViT: An Integrated Vision Transformer Framework for Discrete Transit
Travel Time Range Prediction
- Title（参考訳）: TranViT:旅行時間範囲予測を離散化するための統合ビジョントランスフォーマフレームワーク
- Authors: Awad Abdelhalim and Jinhua Zhao
- Abstract要約: 本稿では,交通・道路画像データ取得,ラベル付け,モデルトレーニングのための新しいエンドツーエンドフレームワークを提案し,評価する。
GTFS(General Transit Feed Specification)リアルタイムデータは、マサチューセッツ州ケンブリッジのマサチューセッツ・アベニューのセグメントを監視するロードサイドカメラユニットのアクティベーションメカニズムとして使用される。
生成されたラベル付き画像データセットを使用して、観察された旅行時間パーセンタイルに基づいて、個別の旅行時間範囲(バンド)を予測するために、ビジョントランスフォーマー(ViT)モデルをトレーニングし、評価する。
- 参考スコア（独自算出の注目度）: 5.787117733071415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate travel time estimation is paramount for providing transit users with
reliable schedules and dependable real-time information. This paper proposes
and evaluates a novel end-to-end framework for transit and roadside image data
acquisition, labeling, and model training to predict transit travel times
across a segment of interest. General Transit Feed Specification (GTFS)
real-time data is used as an activation mechanism for a roadside camera unit
monitoring a segment of Massachusetts Avenue in Cambridge, MA. Ground truth
labels are generated for the acquired images dataset based on transit travel
time across the monitored segment acquired from Automated Vehicle Location
(AVL) data. The generated labeled image dataset is then used to train and
evaluate a Vision Transformer (ViT) model to predict a discrete transit travel
time range (band) based on the observed travel time percentiles. The results of
this exploratory study illustrate that the ViT model is able to learn image
features and contents that best help it deduce the expected travel time range
with an average validation accuracy ranging between 80%-85%. We also
demonstrate how this discrete travel time band prediction can subsequently be
utilized to improve continuous transit travel time estimation. The workflow and
results presented in this study provide an end-to-end, scalable, automated, and
highly efficient approach for integrating traditional transit data sources and
roadside imagery to estimate traffic states and predict transit travel
duration, which can have major implications for improving operations and
passenger real-time information.
- Abstract（参考訳）: 正確な旅行時間推定は、交通機関の利用者に信頼できるスケジュールと信頼できるリアルタイム情報を提供するのに最重要である。
本稿では,交通・道路画像データ取得,ラベリング,モデルトレーニングのための新しいエンド・ツー・エンドの枠組みを提案し,評価する。
GTFS(General Transit Feed Specification)リアルタイムデータは、マサチューセッツ州ケンブリッジのマサチューセッツ・アベニューのセグメントを監視するロードサイドカメラユニットのアクティベーションメカニズムとして使用される。
自動走行位置(AVL)データから取得した監視セグメントを横断する移動時間に基づいて、取得した画像データセットに対して、地上の真理ラベルを生成する。
次に、生成されたラベル付き画像データセットを使用して視覚トランスフォーマー(vit)モデルを訓練し、観測された旅行時間パーセンタイルに基づいて離散的な移動時間範囲(バンド)を予測する。
この探索実験の結果,ViTモデルは,80%～85%の精度で,予測走行時間範囲を推定する上で最も有効な画像特徴と内容を学習できることが示唆された。
また,この離散トラベルタイムバンド予測を,連続トラベルタイム推定の改善に活用できることを実証する。
本研究で提示されたワークフローと結果は,トラヒック状態を推定し,トラヒックの走行時間を予測するために,従来のトランジットデータソースとロードサイドイメージを統合するための,エンドツーエンド,スケーラブル,自動化,高効率なアプローチを提供する。
関連論文リスト
- Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。
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。
論文 参考訳（メタデータ） (2024-07-17T01:11:07Z) - Traffic estimation in unobserved network locations using data-driven
macroscopic models [2.3543188414616534]
本稿では,自動交通カウンタとプローブ車両から収集したマクロモデルとマルチソースデータを利用して,これらの測定が不可能なリンクにおいて,交通流と走行時間を正確に推定する。
MaTEはマクロフロー理論に基礎を置いているため、全てのパラメータと変数は解釈可能である。
合成データを用いた実験により, サンプル外リンクの走行時間と交通流を正確に推定できることがわかった。
論文 参考訳（メタデータ） (2024-01-30T15:21:50Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Spatial and Temporal Characteristics of Freight Tours: A Data-Driven
Exploratory Analysis [1.2289361708127877]
貨物輸送データから規則を抽出するための離散連続決定木アプローチを含む,完全なモデリングフレームワークを提供する。
その結果, 時間的・空間的特性は, 旅行の種類や貨物活動の日時変化を捉える上で重要であることがわかった。
結果は、実践者が輸送市場をより把握し、貨物・交通管理対策を開発するために利用することができる。
論文 参考訳（メタデータ） (2023-11-26T13:02:24Z) - ViTs for SITS: Vision Transformers for Satellite Image Time Series [52.012084080257544]
ビジョン変換器(ViT)に基づく一般衛星画像時系列(SITS)処理のための完全アテンショナルモデルを提案する。
TSViTはSITSレコードを空間と時間で重複しないパッチに分割し、トークン化し、分解されたテンポロ空間エンコーダで処理する。
論文 参考訳（メタデータ） (2023-01-12T11:33:07Z) - Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
近年,Bird's-Eye View (BEV) の知覚が注目されている。
自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。
本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
論文 参考訳（メタデータ） (2023-01-11T18:39:34Z) - Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。
我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
論文 参考訳（メタデータ） (2022-11-15T13:52:41Z) - On Designing Day Ahead and Same Day Ridership Level Prediction Models
for City-Scale Transit Networks Using Noisy APC Data [0.0]
本稿では,複数のソースからのデータの収集,クリーン化,処理,マージを併用して,トランジットライダーシップの予測に機械学習モデルをトレーニングする手法を提案する。
ナッシュビルの公共交通機関が提供している現実の交通データに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2022-10-10T19:50:59Z) - 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) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳（メタデータ） (2020-07-23T14:31:25Z) - Study on Key Technologies of Transit Passengers Travel Pattern Mining
and Applications based on Multiple Sources of Data [1.370633147306388]
本稿では,移動客の移動パターンと行動選好をマイニングするための一連の手法を提案する。
これらの知識を交通システムの調整と最適化に利用しています。
論文 参考訳（メタデータ） (2020-05-26T22:35:28Z)
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。