論文の概要: RegTraffic: A Regression Based Traffic Simulator for Spatiotemporal
Traffic Modeling, Simulation and Visualization
- arxiv url: http://arxiv.org/abs/2301.01245v1
- Date: Wed, 23 Nov 2022 03:34:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 01:14:51.218568
- Title: RegTraffic: A Regression Based Traffic Simulator for Spatiotemporal
Traffic Modeling, Simulation and Visualization
- Title（参考訳）: regtraffic:時空間トラヒックモデリング,シミュレーション,可視化のための回帰型トラヒックシミュレータ
- Authors: Sifatul Mostafi, Taghreed Alghamdi, Khalid Elgazzar
- Abstract要約: 本稿では,動的回帰に基づくトラフィック解析を統合した対話型トラフィックシミュレータRegTrafficを提案する。
RegTrafficは、1.3Km/hの平均正方形エラーと1.71Km/hのルート平均正方形エラーを効果的に予測できる。
- 参考スコア（独自算出の注目度）: 0.6531546527140474
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Traffic simulation is a great tool to demonstrate complex traffic structures
which can be extremely useful for the planning, development, and management of
road traffic networks. Current traffic simulators offer limited features when
it comes to interactive and adaptive traffic modeling. This paper presents
RegTraffic, a novel interactive traffic simulator that integrates dynamic
regression-based spatiotemporal traffic analysis to predict congestion of
intercorrelated road segments. The simulator models traffic congestion of road
segments depending on neighboring road links and temporal features of the
dynamic traffic flow. The simulator provides a user-friendly web interface to
select road segments of interest, receive user-defined traffic parameters, and
visualize the traffic for the flow of correlated road links based on the user
inputs and the underlying correlation of these road links. Performance
evaluation shows that RegTraffic can effectively predict traffic congestion
with a Mean Squared Error of 1.3 Km/h and a Root Mean Squared Error of 1.71
Km/h. RegTraffic can effectively simulate the results and provide visualization
on interactive geographical maps.
- Abstract（参考訳）: 交通シミュレーションは,道路交通網の計画,開発,管理に極めて有用な複雑な交通構造を示すための優れたツールである。
現在の交通シミュレータは、インタラクティブで適応的な交通モデリングに関して限定的な機能を提供する。
本稿では、動的回帰に基づく時空間トラフィック解析を統合して、相互関連道路セグメントの混雑を予測する対話型交通シミュレータRegTrafficを提案する。
シミュレータは隣接する道路リンクや動的交通の流れの時間的特徴に応じて道路セグメントの交通渋滞をモデル化する。
シミュレータは、興味のある道路セグメントを選択し、ユーザ定義のトラフィックパラメータを受信し、ユーザ入力とこれらの道路リンクの基盤となる相関に基づいて、関連道路リンクの流れのトラフィックを可視化するユーザフレンドリーなWebインターフェースを提供する。
性能評価の結果、RegTrafficは1.3Km/hの平均二乗誤差と1.71Km/hのルート平均二乗誤差で交通渋滞を効果的に予測できることがわかった。
RegTrafficは結果を効果的にシミュレートし、インタラクティブな地理地図上で視覚化する。
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) - Towards Multi-agent Reinforcement Learning based Traffic Signal Control through Spatio-temporal Hypergraphs [19.107744041461316]
交通信号制御システム(TSCS)は、インテリジェントな交通管理に不可欠なものであり、効率的な車両の流れを育んでいる。
従来のアプローチでは、道路網を標準的なグラフに単純化することが多い。
本稿では,インテリジェントトラフィック制御を実現するための新しいTSCSフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-17T02:46:18Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph [10.675666104503119]
本稿では,詳細な深部交通推論をedIと呼ぶ。
道路間の関係をモデル化するために,交通信号に基づくきめ細かい交通グラフを構築した。
私たちは、都市レベルのきめ細かい交通予測を最初に実施しました。
論文 参考訳（メタデータ） (2023-06-19T14:03:42Z) - Leveraging Neo4j and deep learning for traffic congestion simulation &
optimization [0.0]
渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。
また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
論文 参考訳（メタデータ） (2023-04-01T01:23:10Z) - Traffic Volume Prediction using Memory-Based Recurrent Neural Networks:
A comparative analysis of LSTM and GRU [5.320087179174425]
我々は、リアルタイムにトラフィック量を予測するための非線形メモリベースディープニューラルネットワークモデルを開発した。
本実験は,高ダイナミックかつ異種交通環境における交通量予測における提案モデルの有効性を実証するものである。
論文 参考訳（メタデータ） (2023-03-22T15:25:07Z) - 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) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳（メタデータ） (2022-03-21T06:38:34Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z)
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。