論文の概要: Smart Journey in Istanbul: A Mobile Application in Smart Cities for
Traffic Estimation by Harnessing Time Series
- arxiv url: http://arxiv.org/abs/2212.09448v1
- Date: Tue, 13 Dec 2022 12:10:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 02:42:59.058985
- Title: Smart Journey in Istanbul: A Mobile Application in Smart Cities for
Traffic Estimation by Harnessing Time Series
- Title（参考訳）: イスタンブールのスマートジャーニー:ハーネス時系列による交通量推定のためのスマートシティのモバイルアプリケーション
- Authors: Senem Tanberk, Mustafa Can
- Abstract要約: 提案した研究の主目的は、交通密度データを用いて、イスタンブールの交通渋滞予測にAIを活用した新しいモバイルアプリケーションを提供することである。
予測モデル上でのシミュレーション結果の解析は,MAPE,MAE,RMSEなどの性能指標に基づいて検討する。
開発した交通予報プロトタイプは,市民の日常利用に適したモバイルアプリケーションの出発点として期待されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent decades, mobile applications (apps) have gained enormous
popularity. Smart services for smart cities increasingly gain attention. The
main goal of the proposed research is to present a new AI-powered mobile
application on Istanbul's traffic congestion forecast by using traffic density
data. It addresses the research question by using time series approaches (LSTM,
Transformer, and XGBoost) based on past data over the traffic load dataset
combined with meteorological conditions. Analysis of simulation results on
predicted models will be discussed according to performance indicators such as
MAPE, MAE, and RMSE. And then, it was observed that the Transformer model made
the most accurate traffic prediction. The developed traffic forecasting
prototype is expected to be a starting point on future products for a mobile
application suitable for citizens' daily use.
- Abstract（参考訳）: 近年、モバイルアプリケーション(アプリ)は大きな人気を集めている。
スマートシティのスマートサービスがますます注目を集めている。
提案研究の主な目的は,交通密度データを用いて,イスタンブールの交通渋滞予測にaiを活用した新しいモバイルアプリケーションを提供することである。
気象条件と組み合わせた交通負荷データセット上の過去のデータに基づいて、時系列アプローチ(LSTM、Transformer、XGBoost)を用いて、研究課題に対処する。
予測モデル上でのシミュレーション結果の解析は,MAPE,MAE,RMSEなどの性能指標に基づいて検討する。
そして、トランスフォーマーモデルが最も正確な交通予測を行ったことが観測された。
先進的な交通予測プロトタイプは、市民の日常利用に適したモバイルアプリケーションのための将来の製品の出発点として期待されている。
関連論文リスト
- Foundations and Recent Trends in Multimodal Mobile Agents: A Survey [57.677161006710065]
モバイルエージェントは、複雑で動的なモバイル環境におけるタスクの自動化に不可欠である。
近年の進歩により、リアルタイム適応性とマルチモーダルインタラクションが向上している。
これらの進歩は、プロンプトベースの方法とトレーニングベースの方法の2つの主要なアプローチに分類する。
論文 参考訳（メタデータ） (2024-11-04T11:50:58Z) - Data Matters: The Case of Predicting Mobile Cellular Traffic [0.5939858158928474]
本研究では, スマート道路に着目し, セルラー交通の発生過程をモデル化するための道路交通対策について検討する。
実験では、道路の流れと速度を利用することで、セルラーネットワークのメトリクスに加えて、セルラーロード予測エラーを最大56.5%削減できることを示した。
論文 参考訳（メタデータ） (2024-10-21T11:30:13Z) - Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。
最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。
本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - On the road to more accurate mobile cellular traffic predictions [0.0]
我々は、セル上の短期的な将来の負荷を予測するために、ハイウェイフローと平均速度変数とセルネットワークトラフィックメトリクスを併用する。
これは、主に都市のシナリオを研究する先行技術とは対照的である。
学習構造は、セルまたはエッジレベルで使用することができ、フェデレーション付き学習と集中型学習の両方に適用できる。
論文 参考訳（メタデータ） (2023-05-24T15:18:46Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T17:58:12Z) - Traffic-Twitter Transformer: A Nature Language Processing-joined
Framework For Network-wide Traffic Forecasting [14.71745498591372]
本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。
まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。
次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
論文 参考訳（メタデータ） (2022-06-19T20:17:15Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - Mobility prediction Based on Machine Learning Algorithms [7.078487870739008]
本稿では,移動予測技術の現状を紹介する。
そこで我々は,現実的な交通日付学習のためのSVMアルゴリズムとMLアルゴリズムを選択した。
最後に,移動性予測のシミュレーション結果を分析し,移動性予測をモバイル通信改善に応用する今後の作業計画を提案する。
論文 参考訳（メタデータ） (2021-11-12T13:49:29Z) - 5G Traffic Prediction with Time Series Analysis [0.0]
トラフィックを生成するアプリケーションの3つの主要な目的を分類しようと試みる。
予測・分類システムの設計は,Long Short Term Memory Modelを用いて行う。
論文 参考訳（メタデータ） (2021-10-07T20:24:34Z)
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。