論文の概要: A Big-Data Driven Framework to Estimating Vehicle Volume based on Mobile Device Location Data

• arxiv url: http://arxiv.org/abs/2301.08660v2
• Date: Tue, 24 Jan 2023 14:57:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 13:42:20.562937
• Title: A Big-Data Driven Framework to Estimating Vehicle Volume based on Mobile Device Location Data
• Title（参考訳）: モバイルデバイスの位置データに基づく車両容積推定のためのビッグデータ駆動フレームワーク
• Authors: Mofeng Yang, Weiyu Luo, Mohammad Ashoori, Jina Mahmoudi, Chenfeng Xiong, Jiawei Lu, Guangchen Zhao, Saeed Saleh Namadi, Songhua Hu and Aliakbar Kabiri
• Abstract要約: 車両の体積は、交通信号の制御、交通計画の優先順位付け、道路整備などの基礎となる重要な指標となっている。 従来の車両の体積を定量化する方法は、限られた場所における手動計数、ビデオカメラ、ループ検出器に頼っている。 本稿では, 大規模な地理的領域において, テラバイト単位のデバイス位置情報を取り込み, 車両の体積を推定できる, 大規模データ駆動型フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.40631409309544836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle volume serves as a critical metric and the fundamental basis for traffic signal control, transportation project prioritization, road maintenance plans and more. Traditional methods of quantifying vehicle volume rely on manual counting, video cameras, and loop detectors at a limited number of locations. These efforts require significant labor and cost for expansions. Researchers and private sector companies have also explored alternative solutions such as probe vehicle data, while still suffering from a low penetration rate. In recent years, along with the technological advancement in mobile sensors and mobile networks, Mobile Device Location Data (MDLD) have been growing dramatically in terms of the spatiotemporal coverage of the population and its mobility. This paper presents a big-data driven framework that can ingest terabytes of MDLD and estimate vehicle volume at a larger geographical area with a larger sample size. The proposed framework first employs a series of cloud-based computational algorithms to extract multimodal trajectories and trip rosters. A scalable map matching and routing algorithm is then applied to snap and route vehicle trajectories to the roadway network. The observed vehicle counts on each roadway segment are weighted and calibrated against ground truth control totals, i.e., Annual Vehicle-Miles of Travel (AVMT), and Annual Average Daily Traffic (AADT). The proposed framework is implemented on the all-street network in the state of Maryland using MDLD for the entire year of 2019. Results indicate that our proposed framework produces reliable vehicle volume estimates and also demonstrate its transferability and the generalization ability.
• Abstract（参考訳）: 車両の容積は交通信号の制御、交通計画の優先順位付け、道路整備計画などの基礎となる重要な指標となっている。 車両体積を定量化する伝統的な方法は、限られた数の場所で手動の計数、ビデオカメラ、ループ検出器に依存する。 これらの努力は、拡張のためにかなりの労力とコストを必要とする。 研究者や民間企業は、調査車両データなどの代替ソリューションも検討しているが、それでも低い浸透率に悩まされている。 近年,移動体センサや移動体ネットワークの技術進歩とともに,人口の時空間的分布と移動性の観点から,移動体位置情報(MDLD)が飛躍的に増加している。 本稿では,MDLDのテラバイトを取り込み,より広い地理的領域で車両の容積を推定できる大規模データ駆動型フレームワークを提案する。 提案フレームワークは、まずクラウドベースの一連の計算アルゴリズムを用いて、マルチモーダル軌道とトリップロスターを抽出する。 次に、スケーラブルなマップマッチングとルーティングアルゴリズムを、道路網へのスナップおよびルート車両の軌道に適用する。 各道路区間で観測された車両数は、地上の真理制御総量(AVMT)、平均日中交通量(AADT)に対して重み付けされ、校正される。 提案フレームワークは、メリーランドのオールストリートネットワーク上で、2019年全体にわたってmdldを使用して実装されている。 その結果,提案手法は信頼性の高い車両容積推定を行い,その伝達性および一般化能力を示す。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• Unifying Lane-Level Traffic Prediction from a Graph Structural Perspective: Benchmark and Baseline [21.37853568400125]
  本稿では,レーンレベルの交通予測における既存研究を幅広く分析し,分類する。 グラフ構造と予測ネットワークに基づくシンプルなベースラインモデルであるGraphMLPを導入している。 既存の研究では公開されていないコードを複製し、有効性、効率、適用性の観点から様々なモデルを評価しました。
  論文  参考訳（メタデータ） (2024-03-22T04:21:40Z)
• Tel2Veh: Fusion of Telecom Data and Vehicle Flow to Predict Camera-Free Traffic via a Spatio-Temporal Framework [26.92971702938603]
  特徴を抽出し,その特徴をグラフニューラルネットワーク(GNN)ベースの融合と統合し,差分を識別するフレームワークを提案する。 この研究は、輸送における通信データの利用を促進し、通信とビジョンベースのデータの融合を開拓し、交通管理のためのソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-05T06:37:14Z)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• 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)
• A Hybrid Physics Machine Learning Approach for Macroscopic Traffic State Estimation [20.716261308570555]
  本稿では,革新的なトラフィック状態推定フレームワークを提案する。 入力として、交通センサからの限られた情報を使用し、正確でフルフィールドで推定された交通状況を構築する。 実験の結果,提案手法は実地交通情報を正確に推定できることが証明された。
  論文  参考訳（メタデータ） (2022-02-01T06:04:18Z)
• 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)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)
• A Data-Driven Analytical Framework of Estimating Multimodal Travel Demand Patterns using Mobile Device Location Data [5.902556437760098]
  本稿では,スマートフォンの位置データからマルチモーダル旅行需要パターンを抽出するデータ駆動分析フレームワークを提案する。 トラベルモードインプテーションのための訓練された単層モデルとディープニューラルネットワークを開発した。 この枠組みは、近隣の鉄道、地下鉄、高速道路、バス路線への交通ルートの近接性を評価するためにマルチモーダル交通網も組み込んでいる。
  論文  参考訳（メタデータ） (2020-12-08T22:49:44Z)
• Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
  モバイルデータ分析における多くの関心は、人間とその行動に関連している。 本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
  論文  参考訳（メタデータ） (2020-08-29T15:14:03Z)

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。