Fugu-MT 論文翻訳(概要): Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU

論文の概要: Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU

arxiv url: http://arxiv.org/abs/2303.12643v1
Date: Wed, 22 Mar 2023 15:25:07 GMT
ステータス: 処理完了
システム内更新日: 2023-03-23 13:47:20.052739
Title: Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU
Title（参考訳）: メモリベースリカレントニューラルネットワークを用いた交通量予測:LSTMとGRUの比較解析
Authors: Lokesh Chandra Das
Abstract要約: 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。
参考スコア（独自算出の注目度）: 5.320087179174425
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting traffic volume in real-time can improve both traffic flow and road safety. A precise traffic volume forecast helps alert drivers to the flow of traffic along their preferred routes, preventing potential deadlock situations. Existing parametric models cannot reliably forecast traffic volume in dynamic and complex traffic conditions. Therefore, in order to evaluate and forecast the traffic volume for every given time step in a real-time manner, we develop non-linear memory-based deep neural network models. Our extensive experiments run on the Metro Interstate Traffic Volume dataset demonstrate the effectiveness of the proposed models in predicting traffic volume in highly dynamic and heterogeneous traffic environments.
Abstract（参考訳）: リアルタイムでの交通量予測は、交通の流れと道路安全の両方を改善することができる。正確な交通量予測は、ドライバーに望ましい経路に沿った交通の流れを知らせ、潜在的なデッドロックの事態を防ぐのに役立つ。既存のパラメトリックモデルは、動的かつ複雑な交通条件下で、確実に交通量を予測できない。そこで,各時間ステップ毎のトラヒック量の評価と予測をリアルタイムに行うために,非線形メモリに基づくディープニューラルネットワークモデルを開発した。我々は,メトロ・インターステート・トラヒック・ボリューム・データセットを用いて,高ダイナミック・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した。

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)
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)
Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
論文参考訳（メタデータ） (2023-08-11T13:35:52Z)
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)
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)
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)
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)
Learning Traffic Speed Dynamics from Visualizations [3.0969191504482243]
時空の可視化からマクロ交通速度のダイナミクスを学習する深層学習法を提案する。既存の推定手法と比較して,より詳細な推定解決が可能となる。次世代シミュレーションプログラム(NGSIM)とドイツ高速道路(HighD)のデータセットから得られたデータを用いて,高速道路区間の高分解能交通速度場を推定した。
論文参考訳（メタデータ） (2021-05-04T11:17:43Z)
Integrated Traffic Simulation-Prediction System using Neural Networks with Application to the Los Angeles International Airport Road Network [39.975268616636]
提案システムは,最適化に基づくOD行列生成手法と,トラフィックフローのパターンを介してOD行列を予測するニューラルネットワーク(NN)モデルと,微視的トラフィックシミュレータを含む。ロサンゼルス国際空港(LAX)中央ターミナルエリア(CTA)の道路ネットワーク上で提案システムをテストする。
論文参考訳（メタデータ） (2020-08-05T01:41:10Z)
Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
論文参考訳（メタデータ） (2020-01-21T12:52:58Z)

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。