論文の概要: Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN)
for Travel Demand Forecasting During Wildfires
- arxiv url: http://arxiv.org/abs/2304.06233v1
- Date: Thu, 13 Apr 2023 03:04:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 15:48:36.454766
- Title: Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN)
for Travel Demand Forecasting During Wildfires
- Title（参考訳）: 森林火災時の旅行需要予測のための状況対応多グラフ畳み込みリカレントネットワーク(SA-MGCRN)
- Authors: Xiaojian Zhang, Xilei Zhao, Yiming Xu, Ruggiero Lovreglio, Daniel
Nilsson
- Abstract要約: 本研究では,山火事避難時の旅行生成をモデル化するための新しい方法論の枠組みを開発し,検証する。
GPSデータから推定される旅行需要に基づいて、我々は新しいディープラーニングモデル、すなわち状況対応マルチグラフ畳み込みリカレントネットワーク(SA-MGCRN)を開発する。
提案手法は, カリフォルニア州ソノマ郡の2019年キンケード火災を事例として, 本研究で検証した。
- 参考スコア（独自算出の注目度）: 5.215306867715247
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Real-time forecasting of travel demand during wildfire evacuations is crucial
for emergency managers and transportation planners to make timely and
better-informed decisions. However, few studies focus on accurate travel demand
forecasting in large-scale emergency evacuations. Therefore, this study
develops and tests a new methodological framework for modeling trip generation
in wildfire evacuations by using (a) large-scale GPS data generated by mobile
devices and (b) state-of-the-art AI technologies. The proposed methodology aims
at forecasting evacuation trips and other types of trips. Based on the travel
demand inferred from the GPS data, we develop a new deep learning model, i.e.,
Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN), along
with a model updating scheme to achieve real-time forecasting of travel demand
during wildfire evacuations. The proposed methodological framework is tested in
this study for a real-world case study: the 2019 Kincade Fire in Sonoma County,
CA. The results show that SA-MGCRN significantly outperforms all the selected
state-of-the-art benchmarks in terms of prediction performance. Our finding
suggests that the most important model components of SA-MGCRN are evacuation
order/warning information, proximity to fire, and population change, which are
consistent with behavioral theories and empirical findings.
- Abstract（参考訳）: 野火避難時の移動需要のリアルタイム予測は,緊急時の管理者や交通計画立案者にとって,タイムリーかつより良い意思決定を行う上で重要である。
しかし,大規模緊急避難時の正確な移動需要予測に焦点をあてた研究は少ない。
そこで本研究では,山火事避難時の旅行生成をモデル化するための新しい方法論の枠組みを開発し,検証した。
(a)モバイルデバイスが生成する大規模GPSデータ
(b)最先端のAI技術。
提案手法は,避難旅行やその他の種類の旅行を予測することを目的としている。
GPSデータから推定される旅行需要に基づいて,山火事避難時の移動需要のリアルタイム予測を行うモデル更新とともに,状況対応型多グラフ畳み込みリカレントネットワーク(SA-MGCRN)という新たなディープラーニングモデルを開発した。
提案手法は, カリフォルニア州ソノマ郡の2019年キンケード火災を事例として, 本研究で検証した。
以上の結果から,SA-MGCRNは予測性能において,選択した最先端ベンチマークよりも有意に優れていた。
以上の結果から,SA-MGCRNの最も重要なモデル成分は,避難順・警戒情報,火災接近,人口変動であり,行動理論や経験的知見と一致することが示唆された。
関連論文リスト
- 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) - 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) - Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。
この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
論文 参考訳（メタデータ） (2022-11-01T11:07:37Z) - Multi-time Predictions of Wildfire Grid Map using Remote Sensing Local
Data [0.0]
本稿では,米国西部の10か所で収集されたローカルデータをローカルエージェントで共有する分散学習フレームワークを提案する。
提案モデルには,動的オンライン推定や時系列モデリングなど,予測評価における特徴的ニーズに対処する特徴がある。
論文 参考訳（メタデータ） (2022-09-15T22:34:06Z) - A Baselined Gated Attention Recurrent Network for Request Prediction in
Ridesharing [1.0312968200748118]
ライドシェアリングは、ドライバーと乗客の両方にとって利便性とコスト効率のため、世界的に人気がある。
RSODP(Origin-Destination Prediction for Ride Share)問題の目的は、将来の配車要求を予測し、事前に車両のスケジュールを提供することである。
既存の予測モデルの多くはDeep Learningを利用しているが、空間力学と時間力学の両方を効果的に考慮していない。
論文 参考訳（メタデータ） (2022-07-11T08:41:24Z) - 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) - A Deep Learning Approach for Network-wide Dynamic Traffic Prediction
during Hurricane Evacuation [1.3706331473063877]
本稿では,ネットワーク規模で避難トラフィックを予測するための新しいデータ駆動手法を提案する。
ハリケーン避難のネットワーク力学を学習するための動的グラフ畳み込みLSTM(DGCN-LSTM)モデルを開発した。
論文 参考訳（メタデータ） (2022-02-25T05:40:24Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1～15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳（メタデータ） (2022-02-10T11:37:00Z) - Real-Time Forecasting of Dockless Scooter-Sharing Demand: A
Spatio-Temporal Multi-Graph Transformer Approach [5.6973480878880824]
本稿では,S-TMGT (S-Temporal Multi-Graph Transformer) という新しいディープラーニングアーキテクチャを提案する。
提案したモデルは、マイクロモビリティーオペレーターが最適な車両再バランススキームを開発し、ドックレススクーターシェアリングオペレーションをよりよく管理するために都市を案内するのに役立つ。
論文 参考訳（メタデータ） (2021-11-02T03:48:48Z) - Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts
for Inventory Management [8.441020454345932]
本稿では,ポアソン繰り返しニューラルネットワークモデル(VP-RNN)を導入し,今後のピックアップとリターン率を予測する。
本稿は,米国ニューヨーク市からの実旅行データに対する従来の予測手法と学習に基づく予測手法の両方に対するアプローチを実証的に評価する。
論文 参考訳（メタデータ） (2021-07-28T14:11:34Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z)
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。