論文の概要: Streaming Traffic Flow Prediction Based on Continuous Reinforcement
Learning
- arxiv url: http://arxiv.org/abs/2212.12767v1
- Date: Sat, 24 Dec 2022 16:34:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 13:47:58.373309
- Title: Streaming Traffic Flow Prediction Based on Continuous Reinforcement
Learning
- Title（参考訳）: 連続強化学習に基づく流路交通流予測
- Authors: Yanan Xiao, Minyu Liu, Zichen Zhang, Lu Jiang, Minghao Yin, Jianan
Wang
- Abstract要約: 交通流予測はスマート交通の重要な部分である。
目標は、センサと交通ネットワークが記録した履歴データに基づいて、将来の交通状況を予測することである。
本稿では,センサパターンを模倣する自律エージェントを指導する,シミュレーションに基づく新しい基準を提案する。
- 参考スコア（独自算出の注目度）: 17.841952123645022
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic flow prediction is an important part of smart transportation. The
goal is to predict future traffic conditions based on historical data recorded
by sensors and the traffic network. As the city continues to build, parts of
the transportation network will be added or modified. How to accurately predict
expanding and evolving long-term streaming networks is of great significance.
To this end, we propose a new simulation-based criterion that considers
teaching autonomous agents to mimic sensor patterns, planning their next visit
based on the sensor's profile (e.g., traffic, speed, occupancy). The data
recorded by the sensor is most accurate when the agent can perfectly simulate
the sensor's activity pattern. We propose to formulate the problem as a
continuous reinforcement learning task, where the agent is the next flow value
predictor, the action is the next time-series flow value in the sensor, and the
environment state is a dynamically fused representation of the sensor and
transportation network. Actions taken by the agent change the environment,
which in turn forces the agent's mode to update, while the agent further
explores changes in the dynamic traffic network, which helps the agent predict
its next visit more accurately. Therefore, we develop a strategy in which
sensors and traffic networks update each other and incorporate temporal context
to quantify state representations evolving over time.
- Abstract（参考訳）: 交通流予測はスマート交通の重要な部分である。
目標は、センサと交通ネットワークが記録した履歴データに基づいて、将来の交通状況を予測することである。
市が建設を続けるにつれて、交通網の一部が追加または変更される。
長期ストリーミングネットワークの拡大と進化を正確に予測する方法は非常に重要です。
そこで本研究では,自律エージェントにセンサパターンの模倣を指導し,センサのプロファイル(交通,速度,占有率など)に基づいて次の訪問を計画する,シミュレーションに基づく新しい基準を提案する。
センサーが記録したデータは、エージェントがセンサーの動作パターンを完全にシミュレートできる場合に最も正確である。
本稿では,エージェントが次のフロー値予測器であり,アクションがセンサの次の時系列フロー値であり,環境状態がセンサと輸送ネットワークの動的に融合した表現である,連続強化学習タスクとして問題を定式化する。
エージェントが取ったアクションは環境を変え、エージェントのモードを更新させ、エージェントはさらにダイナミックなトラフィックネットワークの変化を調べ、エージェントがその次の訪問をより正確に予測するのに役立つ。
そこで我々は,センサとトラヒックネットワークが相互に更新し,時間とともに進化する状態表現を定量化する手法を開発した。
関連論文リスト
- Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。
単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
論文 参考訳（メタデータ） (2025-01-07T03:23:28Z) - Enhancing Traffic Flow Prediction using Outlier-Weighted AutoEncoders:
Handling Real-Time Changes [0.7614628596146602]
本稿では, Outlier Weighted Autoencoder Modeling (OWAM) フレームワークを紹介する。
OWAMは、自動エンコーダを用いて局所的な異常検出を行い、近隣の交通の影響を評価するために相関スコアを生成する。
この情報は、トラヒックモデルの性能を高め、効果的なリアルタイム更新をサポートする。
論文 参考訳（メタデータ） (2023-12-27T14:44:58Z) - Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity
Analysis [6.8775337739726226]
本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。
本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
論文 参考訳（メタデータ） (2023-08-20T14:31:55Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - 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) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳（メタデータ） (2021-01-20T00:31:52Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z) - 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) - AMENet: Attentive Maps Encoder Network for Trajectory Prediction [35.22312783822563]
軌道予測は、安全な将来の動きを計画するための応用に不可欠である。
我々は Attentive Maps Network (AMENet) というエンドツーエンド生成モデルを提案する。
AMENetはエージェントの動作と相互作用情報をエンコードし、高精度でリアルなマルチパス軌道予測を行う。
論文 参考訳（メタデータ） (2020-06-15T10:00:07Z) - Traffic Flow Forecast of Road Networks with Recurrent Neural Networks [0.0]
効率的なインテリジェント交通システムには交通流の予測が不可欠である。
本研究では, 様々なリカレントニューラルネットワークを用いて, この予測を行う。
多くの場合、ゲート再帰単位を持つベクトル出力モデルは、テストセット上で最小の誤差を達成した。
論文 参考訳（メタデータ） (2020-06-08T15:17:58Z)
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。