論文の概要: Automated Quantification of Traffic Particulate Emissions via an Image
Analysis Pipeline
- arxiv url: http://arxiv.org/abs/2211.13455v1
- Date: Thu, 24 Nov 2022 07:48:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 18:41:53.075330
- Title: Automated Quantification of Traffic Particulate Emissions via an Image
Analysis Pipeline
- Title（参考訳）: 画像解析パイプラインによる交通微粒子排出の自動定量化
- Authors: Kong Yuan Ho, Chin Seng Lim, Matthena A. Kattar, Bharathi Boppana,
Liya Yu, Chin Chun Ooi
- Abstract要約: 交通画像を利用して車両数を求める統合機械学習パイプラインの提案と実装を行う。
シンガポールのロケーションで取得した交通画像のオープンソースデータセット上で,このパイプラインの有用性と精度を検証する。
路側粒子放出は、得られた車両数と0.93の相関係数とをよく相関させ、この方法が粒子放出の迅速かつ効果的な相関として有効であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Traffic emissions are known to contribute significantly to air pollution
around the world, especially in heavily urbanized cities such as Singapore. It
has been previously shown that the particulate pollution along major roadways
exhibit strong correlation with increased traffic during peak hours, and that
reductions in traffic emissions can lead to better health outcomes. However, in
many instances, obtaining proper counts of vehicular traffic remains manual and
extremely laborious. This then restricts one's ability to carry out
longitudinal monitoring for extended periods, for example, when trying to
understand the efficacy of intervention measures such as new traffic
regulations (e.g. car-pooling) or for computational modelling. Hence, in this
study, we propose and implement an integrated machine learning pipeline that
utilizes traffic images to obtain vehicular counts that can be easily
integrated with other measurements to facilitate various studies. We verify the
utility and accuracy of this pipeline on an open-source dataset of traffic
images obtained for a location in Singapore and compare the obtained vehicular
counts with collocated particulate measurement data obtained over a 2-week
period in 2022. The roadside particulate emission is observed to correlate well
with obtained vehicular counts with a correlation coefficient of 0.93,
indicating that this method can indeed serve as a quick and effective correlate
of particulate emissions.
- Abstract（参考訳）: 交通の排出は世界中の大気汚染、特にシンガポールのような都市化都市に大きな影響を与えることが知られている。
従来,幹線道路沿いの粒子状汚染はピーク時の交通量の増加と強い相関を示すことが示されており,交通排出の減少は健康状態の改善につながると考えられた。
しかし、多くの場合、車両交通の適正な数の取得は手作業であり、非常に困難である。
これにより、例えば、新しい交通規制(例えば、カープール)や計算モデリングなどの介入措置の有効性を理解しようとする場合など、長期にわたって縦断的な監視を行う能力を制限する。
そこで本研究では,交通画像を利用して,他の測定値と容易に統合して様々な研究を容易にすることのできる車両数を求める,統合型機械学習パイプラインを提案し,実装する。
2022年にシンガポールで取得した交通画像のオープンソースデータセットにおいて,本パイプラインの有用性と精度を検証し,得られた車両数と2週間のコロケーション粒子計測データとの比較を行った。
路側粒子放出は、得られた車両数と0.93の相関係数とをよく相関させ、この方法が粒子放出の迅速かつ効果的な相関として有効であることを示す。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Deep Reinforcement Learning-based Intelligent Traffic Signal Controls
with Optimized CO2 emissions [6.851243292023835]
交通ネットワークは、人間の健康や環境に悪影響を及ぼし、交通渋滞に寄与する準最適制御政策の課題に直面している。
文献における適応的な信号制御装置はいくつかあるが、それらの比較性能について限定的な研究がなされている。
EcoLightは,CO2排出量を削減するだけでなく,旅行時間などの指標で競合する結果が得られる強化学習アルゴリズムの報酬形成手法である。
論文 参考訳（メタデータ） (2023-10-19T19:54:47Z) - Establishing a real-time traffic alarm in the city of Valencia with Deep
Learning [0.0]
スペイン・バレンシア市における交通フラックスと汚染の相関分析を行った。
道路が今後30分で異常に高いトラフィックを経験する確率を予測するアラームシステムの開発を行う。
論文 参考訳（メタデータ） (2023-09-05T07:47:43Z) - OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。
OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。
様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
論文 参考訳（メタデータ） (2023-04-20T16:31:22Z) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-10T02:22:33Z) - City-scale Pollution Aware Traffic Routing by Sampling Max Flows using
MCMC [8.301939401602233]
大気汚染の長期曝露は深刻な健康問題を引き起こす可能性がある。
我々は,多様なサンプルを用いて汚染に配慮した交通経路ポリシーを設計し,実世界の道路地図上での交通をシミュレーションする。
世界の大都市の地図を他の手法と比較すると, 大気汚染の激しい地域では, かなりの減少が見られた。
論文 参考訳（メタデータ） (2023-02-28T09:40:37Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Variability Analysis of Isolated Intersections Through Case Study [1.2891210250935146]
都市部の人口と経済成長により、民間車の利用が激化している。
信号化交差点は交通管理の主要な関心事である。
データは飽和フロー、構成、ボリューム、容量対容量比などのトラフィックパラメータを推定する。
論文 参考訳（メタデータ） (2022-10-08T04:13:35Z) - Rapid Assessments of Light-Duty Gasoline Vehicle Emissions Using On-Road
Remote Sensing and Machine Learning [18.334974501482275]
道路上での自動車排ガスのリアルタイムかつ正確な評価は、都市大気の質と健康政策において中心的な役割を果たす。
ここでは、オンロードリモートセンシング(ORRS)測定をI/Mレコードに関連付ける103831光デューティガソリン車を含む、ユニークなデータセットを構築します。
ニューラルネットワーク(NN)、極勾配強化(XGBoost)、ランダムフォレスト(ランダムフォレスト)を含む3つの機械学習アルゴリズムを統合するアンサンブルモデルフレームワークを開発した。
論文 参考訳（メタデータ） (2021-10-01T08:37:06Z) - 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) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳（メタデータ） (2020-11-07T19:57:22Z)
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。