論文の概要: On the Distribution of Probe Traffic Volume Estimated without Trajectory Reconstruction

• arxiv url: http://arxiv.org/abs/2307.15274v2
• Date: Mon, 14 Oct 2024 15:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-15 15:03:23.475102
• Title: On the Distribution of Probe Traffic Volume Estimated without Trajectory Reconstruction
• Title（参考訳）: 軌道再構成なしで推定されるプローブ交通量分布について
• Authors: Kentaro Iio, Gulshan Noorsumar, Dominique Lord, Yunlong Zhang,
• Abstract要約: 軌道再構成を伴わないプローブ点位置データに基づいて,道路セグメント内における推定プローブトラフィック量の正確な分布を示す。 分布の整合性は数値シミュレーションにより可視化された。 推定されたプローブトラフィック量の理論的分散は、トラフィックボリューム推定のモデル化におけるヘテロセシスティック性に対処することができる。
• 参考スコア（独自算出の注目度）: 3.8581904575338886
• License:
• Abstract: In recent years, passively recorded probe traffic volumes have increasingly been used to estimate traffic volumes. However, it is not always possible to count probe traffic volume in a spatial dataset when probe trajectories cannot be fully reconstructed from raw probe point location data due to sparse recording intervals, lack of pseudonyms or timestamps. As a result, the application of such probe point location data has been limited in traffic volume estimation. To relax these constraints, we present the exact distribution of the estimated probe traffic volume in a road segment based on probe point location data without trajectory reconstruction. The distribution of the estimated probe traffic volume can exhibit multimodality, without necessarily being line-symmetric with respect to the true probe traffic volume. As more probes are present, the distribution approaches a normal distribution. The conformity of the distribution was visualised through numerical simulations. Sometimes, there exists a local optimal cordon length that maximises estimation precision. The theoretical variance of estimated probe traffic volume can address heteroscedasticity in the modelling of traffic volume estimates.
• Abstract（参考訳）: 近年は、受動的に記録されたプローブのトラフィック量を用いて、トラフィック量を推定している。 しかし、粗い記録間隔、偽名やタイムスタンプの欠如により、プローブ軌道が生のプローブ点位置データから完全に再構成できない場合、空間データセットにおいてプローブのトラフィック量をカウントすることは必ずしも不可能ではない。 その結果,交通量推定においてそのようなプローブ点位置データの応用は限られている。 これらの制約を緩和するため、軌道再構成を行わずにプローブ点位置データに基づいて道路セグメント内の推定プローブトラフィック量の正確な分布を示す。 推定されたプローブトラフィックボリュームの分布は、真のプローブトラフィックボリュームに対して必ずしもライン対称でなくても、多モード性を示すことができる。 より多くのプローブが存在すると、分布は正規分布に近づく。 分布の整合性は数値シミュレーションにより可視化された。 時々、推定精度を最大化する局所最適コードン長が存在する。 推定されたプローブトラフィック量の理論的分散は、トラフィックボリューム推定のモデル化におけるヘテロセシスティック性に対処することができる。

関連論文リスト

• Spatio-Temporal Partial Sensing Forecast for Long-term Traffic [11.052930563842347]
  本稿では,一部の場所でのみセンサを仮定して,長期交通量の部分的検知トラフィック予測について検討する。 この研究は、あらゆる場所にセンサーを配置することでコストが高くなるため、交通管理におけるインフラ投資コストを下げる上で重要である。
  論文  参考訳（メタデータ） (2024-08-02T21:22:22Z)
• Out-of-distribution detection using normalizing flows on the data manifold [3.725042082196983]
  本研究では,正規化フローを用いた多様体学習が分布外検出に及ぼす影響について検討した。 本研究では,正規化フローとして知られる確率ベースモデルの分布外検出能力を,多様体学習により向上させることを示す。
  論文  参考訳（メタデータ） (2023-08-26T07:35:16Z)
• 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)
• Nonparametric Density Estimation under Distribution Drift [6.599344783327055]
  我々は離散的および連続的な滑らかな密度の両方に対して、厳密なミニマックスリスク境界を証明した。 本手法は,ドリフトモデルの幅広いクラスを扱い,ドリフト下での非依存学習に関する過去の結果を一般化する。
  論文  参考訳（メタデータ） (2023-02-05T19:09:50Z)
• ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
  正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。 摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。 最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
  論文  参考訳（メタデータ） (2022-08-18T16:07:59Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• Instance-Optimal Compressed Sensing via Posterior Sampling [101.43899352984774]
  後部サンプリング推定器がほぼ最適回復保証を達成できることを示す。 本稿では,Langevin dynamics を用いた深部生成前駆体の後方サンプリング推定器を実装し,MAP よりも精度の高い推定値が得られることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-21T22:51:56Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• 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)
• Uncertainty Intervals for Graph-based Spatio-Temporal Traffic Prediction [0.0]
  本研究では,従来の時間ステップの測定値から密度を推定するよう訓練された時空間ニューラルネットワークを提案する。 この密度推定法はニューラルネットワークによって完全にパラメータ化され, 内部では近似値を用いない。 このアプローチは、モンテカルロドロップアウトのような推論中にサンプリングする必要なしに不確実性推定を生成する。
  論文  参考訳（メタデータ） (2020-12-09T18:02:26Z)

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。