論文の概要: A Machine Learning Method for Predicting Traffic Signal Timing from
Probe Vehicle Data
- arxiv url: http://arxiv.org/abs/2308.02370v1
- Date: Fri, 4 Aug 2023 15:10:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-07 12:33:09.486134
- Title: A Machine Learning Method for Predicting Traffic Signal Timing from
Probe Vehicle Data
- Title(参考訳): プローブ車両データによる交通信号タイミング予測のための機械学習手法
- Authors: Juliette Ugirumurera, Joseph Severino, Erik A. Bensen, Qichao Wang,
and Jane Macfarlane
- Abstract要約: 信号位相とタイミングデータを知ることで、時間とエネルギー効率の最適な車両ルーティングが可能になる。
車両プローブデータから交通信号のタイミング情報を推定する機械学習(ML)手法を提案する。
- 参考スコア(独自算出の注目度): 2.479294896735424
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic signals play an important role in transportation by enabling traffic
flow management, and ensuring safety at intersections. In addition, knowing the
traffic signal phase and timing data can allow optimal vehicle routing for time
and energy efficiency, eco-driving, and the accurate simulation of signalized
road networks. In this paper, we present a machine learning (ML) method for
estimating traffic signal timing information from vehicle probe data. To the
authors best knowledge, very few works have presented ML techniques for
determining traffic signal timing parameters from vehicle probe data. In this
work, we develop an Extreme Gradient Boosting (XGBoost) model to estimate
signal cycle lengths and a neural network model to determine the corresponding
red times per phase from probe data. The green times are then be derived from
the cycle length and red times. Our results show an error of less than 0.56 sec
for cycle length, and red times predictions within 7.2 sec error on average.
- Abstract(参考訳): 交通信号は交通フロー管理を可能にし、交差点での安全を確保することで交通において重要な役割を担っている。
さらに、信号位相とタイミングデータを知ることで、時間とエネルギー効率、エコドライブ、信号化道路網の正確なシミュレーションのための最適な車両ルーティングが可能になる。
本稿では,車両プローブデータから交通信号のタイミング情報を推定する機械学習(ML)手法を提案する。
著者らにとって、車両プローブデータから交通信号タイミングパラメータを決定するためのML技術を提案する研究はほとんどない。
本研究では,信号周期長を推定するxgboost(extreme gradient boosting)モデルと,プローブデータから位相当たりの赤時間を決定するニューラルネットワークモデルを開発した。
緑色の時間は、サイクルの長さと赤の時間から導き出される。
その結果,サイクル長0.56秒未満の誤差と,平均7.2秒以内の赤時間予測が得られた。
関連論文リスト
- Traffic Reconstruction and Analysis of Natural Driving Behaviors at
Unsignalized Intersections [1.7273380623090846]
この研究は、TNのメンフィスにある様々な無署名の交差点で、その日の異なる時間に交通を記録していた。
ビデオデータを手動でラベル付けして特定の変数をキャプチャした後,SUMOシミュレーション環境におけるトラフィックシナリオを再構築した。
これらのシミュレーションから得られた出力データは、車両移動の時間空間図、走行時間頻度分布、ボトルネック点を特定するための速度配置プロットなど、包括的な分析を提供する。
論文 参考訳(メタデータ) (2023-12-22T09:38:06Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - 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) - 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) - 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) - Data-Driven Intersection Management Solutions for Mixed Traffic of
Human-Driven and Connected and Automated Vehicles [0.0]
この論文は、コネクテッドカーとオートマチックカーの存在下での都市交通制御のための2つの解決策を提案する。
まず, 協調的交差点管理問題に対して, 集中型小隊制御器を提案する。
第二に,コネクテッドカーの存在下での適応信号制御のためのデータ駆動手法を提案する。
論文 参考訳(メタデータ) (2020-12-10T01:44:45Z) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳(メタデータ) (2020-11-07T19:57:22Z) - Predicting Coordinated Actuated Traffic Signal Change Times using LSTM
Neural Networks [14.767495209601016]
本研究は、4段階の長期記憶深層学習に基づく方法論を詳述し、合理的な切換時間推定を提供する。
モデルへの入力には、コントローラロジック、信号タイミングパラメータ、日時、検出器からのトラフィック状態、車両のアクティベーションデータ、歩行者のアクティベーションデータが含まれていた。
LSTMにおける平均二乗誤差,平均絶対誤差,平均相対誤差を含む各損失関数の比較解析を行い,新しい損失関数を提案する。
論文 参考訳(メタデータ) (2020-08-10T15:11:21Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳(メタデータ) (2020-06-24T04:45:14Z) - Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。
提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
論文 参考訳(メタデータ) (2020-06-22T14:26:19Z) - 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。
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。