論文の概要: On-ramp and Off-ramp Traffic Flows Estimation Based on A Data-driven
Transfer Learning Framework
- arxiv url: http://arxiv.org/abs/2308.03538v1
- Date: Mon, 7 Aug 2023 12:36:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 13:41:42.579719
- Title: On-ramp and Off-ramp Traffic Flows Estimation Based on A Data-driven
Transfer Learning Framework
- Title（参考訳）: データ駆動トランスファー学習フレームワークに基づくオンランプ・オフランプ交通流の推定
- Authors: Xiaobo Ma, Abolfazl Karimpour, Yao-Jan Wu
- Abstract要約: 幹線道路のループ検出装置から収集したデータのみを用いて,不足する傾斜流を正確に推定することのできるデータ駆動型フレームワークを提案する。
提案フレームワークは,交通パターン,分布,特性の異なる高速道路におけるオンランプおよびオフランプ流の高精度な推定を保証できる。
- 参考スコア（独自算出の注目度）: 2.55061802822074
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To develop the most appropriate control strategy and monitor, maintain, and
evaluate the traffic performance of the freeway weaving areas, state and local
Departments of Transportation need to have access to traffic flows at each pair
of on-ramp and off-ramp. However, ramp flows are not always readily available
to transportation agencies and little effort has been made to estimate these
missing flows in locations where no physical sensors are installed. To bridge
this research gap, a data-driven framework is proposed that can accurately
estimate the missing ramp flows by solely using data collected from loop
detectors on freeway mainlines. The proposed framework employs a transfer
learning model. The transfer learning model relaxes the assumption that the
underlying data distributions of the source and target domains must be the
same. Therefore, the proposed framework can guarantee high-accuracy estimation
of on-ramp and off-ramp flows on freeways with different traffic patterns,
distributions, and characteristics. Based on the experimental results, the flow
estimation mean absolute errors range between 23.90 veh/h to 40.85 veh/h for
on-ramps, and 31.58 veh/h to 45.31 veh/h for off-ramps; the flow estimation
root mean square errors range between 34.55 veh/h to 57.77 veh/h for on-ramps,
and 41.75 veh/h to 58.80 veh/h for off-ramps. Further, the comparison analysis
shows that the proposed framework outperforms other conventional machine
learning models. The estimated ramp flows based on the proposed method can help
transportation agencies to enhance the operations of their ramp control
strategies for locations where physical sensors are not installed.
- Abstract（参考訳）: 交通省や州、地方交通省が、オンランプとオフランプの各対の交通流へのアクセスを必要とせず、最も適切な制御戦略を策定し、交通性能の監視、維持、評価を行う。
しかし、ランプフローは常に交通機関に提供され易くはなく、物理的なセンサーが設置されていない場所での不足フローを推定する努力はほとんどなされていない。
この研究ギャップを埋めるために、高速道路本線のループ検出器から収集したデータのみを用いて、行方不明のランプ流を正確に推定できるデータ駆動フレームワークを提案する。
提案フレームワークは転送学習モデルを採用している。
転送学習モデルは、ソースとターゲットドメインの基盤となるデータ分布が同じでなければならないという仮定を緩和する。
そこで,提案手法は,交通パターン,分布,特性の異なる高速道路におけるオンランプおよびオフランプ流の高精度な推定を保証できる。
実験結果に基づいて、フロー推定平均絶対誤差はオンランプで23.90 veh/hから40.85 veh/h、オフランプで31.58 veh/hから45.31 veh/h、オンランプで34.55 veh/hから57.77 veh/h、オフランプで41.75 veh/hから58.80 veh/hである。
さらに比較分析の結果,提案手法は従来の機械学習モデルよりも優れていることがわかった。
提案手法に基づく推定ランプフローは, 交通機関が物理的なセンサが設置されていない場所でのランプ制御戦略の運用を強化するのに役立つ。
関連論文リスト
- Network Wide Evacuation Traffic Prediction in a Rapidly Intensifying
Hurricane from Traffic Detectors and Facebook Movement Data: A Deep Learning
Approach [0.4143603294943439]
提案モデルでは,前もって6時間以内のトラフィックを予測できる。
避難交通管理担当者は、開発済みの交通予測モデルを使用して、将来の交通渋滞を事前に予測することができる。
論文 参考訳（メタデータ） (2023-11-16T01:50:54Z) - An Application of Vector Autoregressive Model for Analyzing the Impact
of Weather And Nearby Traffic Flow On The Traffic Volume [0.0]
本稿では,付近の交通量と気象条件に基づいて,ある道路区間における交通流を予測することを目的とする。
また,気象条件や付近の交通量が目標地点の交通量に与える影響も確認した。
論文 参考訳（メタデータ） (2023-11-12T16:45:29Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Short Duration Traffic Flow Prediction Using Kalman Filtering [0.0]
調査は、ソバンバグ・モスク近郊のダッカのミルプル・ロードで行われた。
ストリームには異質なトラフィックの混合が含まれており、予測の不確実性を示している。
提案されたモデルの平均絶対パーセンテージ誤差(MAPE)は14.62であり、KFTモデルは合理的に予測できることを示している。
論文 参考訳（メタデータ） (2022-08-06T00:30:47Z) - On the Design of Graph Embeddings for the Sensorless Estimation of Road
Traffic Profiles [6.100274095771616]
トラフィック予測モデルは、認識、処理、保存が必要なデータに依存します。
認識された場所の欠如は、交通監視に必要な経済的投資をさらに減少させる合成データシミュレーションと補完することができる。
本稿では,道路セグメントのトポロジ的特徴を検査することで,交通データのある場所を探索する手法を提案する。
論文 参考訳（メタデータ） (2022-01-11T15:16:18Z) - 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) - Learning Probabilistic Intersection Traffic Models for Trajectory
Prediction [8.536503379429032]
この研究は、交差点における車両の挙動を定量化するために使用されるガウス過程に基づく確率的交通モデルを示す。
この方法は時系列位置軌跡のセットで示される。
モデルの適用性を示すために、テスト軌跡は部分的な観察のみで分類される。
論文 参考訳（メタデータ） (2020-02-05T19:22:26Z)
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。