論文の概要: Crowd Safety Manager: Towards Data-Driven Active Decision Support for Planning and Control of Crowd Events

• arxiv url: http://arxiv.org/abs/2308.00076v1
• Date: Mon, 31 Jul 2023 18:47:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 16:39:25.749460
• Title: Crowd Safety Manager: Towards Data-Driven Active Decision Support for Planning and Control of Crowd Events
• Title（参考訳）: crowd safety manager: クラウドイベントの計画と制御のためのデータ駆動アクティブ意思決定支援に向けて
• Authors: Panchamy Krishnakumari, Sascha Hoogendoorn-Lanser, Jeroen Steenbakkers, Serge Hoogendoorn
• Abstract要約: リスクレベルの評価と予測を目的とした包括的フレームワークであるBortieモデルを紹介する。 提案されたフレームワークは、ScheveningenのCrowd Safety Managerプロジェクトに適用される。
• 参考スコア（独自算出の注目度）: 1.3764085113103222
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents novel technology and methodology aimed at enhancing crowd management in both the planning and operational phases. The approach encompasses innovative data collection techniques, data integration, and visualization using a 3D Digital Twin, along with the incorporation of artificial intelligence (AI) tools for risk identification. The paper introduces the Bowtie model, a comprehensive framework designed to assess and predict risk levels. The model combines objective estimations and predictions, such as traffic flow operations and crowdedness levels, with various aggravating factors like weather conditions, sentiments, and the purpose of visitors, to evaluate the expected risk of incidents. The proposed framework is applied to the Crowd Safety Manager project in Scheveningen, where the DigiTwin is developed based on a wealth of real-time data sources. One noteworthy data source is Resono, offering insights into the number of visitors and their movements, leveraging a mobile phone panel of over 2 million users in the Netherlands. Particular attention is given to the left-hand side of the Bowtie, which includes state estimation, prediction, and forecasting. Notably, the focus is on generating multi-day ahead forecasts for event-planning purposes using Resono data. Advanced machine learning techniques, including the XGBoost framework, are compared, with XGBoost demonstrating the most accurate forecasts. The results indicate that the predictions are adequately accurate. However, certain locations may benefit from additional input data to further enhance prediction quality. Despite these limitations, this work contributes to a more effective crowd management system and opens avenues for further advancements in this critical field.
• Abstract（参考訳）: 本稿では,計画段階と運用段階の両方において,群集管理の促進を目的とした新しい技術と方法論を提案する。 このアプローチには、3D Digital Twinを使った革新的なデータ収集技術、データ統合、可視化に加えて、リスク識別のための人工知能(AI)ツールが組み込まれている。 リスクレベルの評価と予測を目的とした包括的フレームワークであるBortieモデルを紹介する。 このモデルでは,交通流の操作や混雑レベルといった客観的な予測と,気象条件や感情,ビジターの目的など,さまざまな付加的な要因を組み合わせることで,事故の予測リスクを評価する。 提案したフレームワークは、ScheveningenのCrowd Safety Managerプロジェクトに適用され、DigiTwinは多数のリアルタイムデータソースに基づいて開発されている。 注目すべきデータソースのひとつがResonoで,オランダの200万人以上のユーザからなる携帯電話パネルを活用して,ビジター数とその行動に関する洞察を提供する。 特に、状態推定、予測、予測を含むボウタイの左側に注意が向けられている。 特に注目されるのは、resonoデータを使用してイベントプランニング目的で、複数日間の事前予測を生成することだ。 XGBoostフレームワークを含む高度な機械学習技術を比較し、XGBoostは最も正確な予測を示す。 結果は予測が十分正確であることを示している。 しかし、特定の場所は、さらなる予測品質を高めるために追加の入力データから恩恵を受ける可能性がある。 これらの制限にもかかわらず、この研究はより効果的な群衆管理システムに貢献し、この重要な分野におけるさらなる進歩への道を開く。

関連論文リスト

• HEADS-UP: Head-Mounted Egocentric Dataset for Trajectory Prediction in Blind Assistance Systems [47.37573198723305]
  HEADS-UPは、ヘッドマウントカメラから収集された最初のエゴセントリックなデータセットである。 視覚障害者と歩行者の衝突リスクを評価するための半局所軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T14:26:09Z)
• Joint Hypergraph Rewiring and Memory-Augmented Forecasting Techniques in Digital Twin Technology [2.368662284133926]
  Digital Twin技術は、物理的オブジェクト、プロセス、システムの仮想レプリカを作成し、それらの特性、データ、振る舞いを複製する。 Digital Twin技術は、大規模複雑なセンサーネットワークにおけるグラフ予測技術を活用し、多様なシナリオの正確な予測とシミュレーションを可能にしている。 本稿では,新しいパターンへの高速適応と過去の知識のメモリベース検索を取り入れ,ハイパーグラフ表現学習のバックボーンを強化するハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-08-22T14:08:45Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• 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)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of Dynamic Agents [10.869902339190949]
  本稿では,レーンアウェア予測 (lapred) ネットワークと呼ばれる新しい予測モデルを提案する。 LaPredは、セマンティックマップから抽出されたインスタンスレベルのレーンエンティティを使用して、マルチモーダルな将来の軌跡を予測する。 公開nuScenesとArgoverseデータセットで実施された実験は、提案したLaPred法が既存の予測モデルを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2021-04-01T04:33:36Z)
• Challenges and approaches to time-series forecasting in data center telemetry: A Survey [0.0]
  この研究は、データセンターで収集されたテレメトリデータ予測のための様々な予測アプローチのレビューに重点を置いている。 我々は、よく知られた時系列予測技術の性能を要約し、評価しようと試みた。
  論文  参考訳（メタデータ） (2021-01-11T22:36:21Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。