論文の概要: A Transfer Learning Framework for Proactive Ramp Metering Performance Assessment

• arxiv url: http://arxiv.org/abs/2308.03542v1
• Date: Mon, 7 Aug 2023 12:44:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 13:42:23.570176
• Title: A Transfer Learning Framework for Proactive Ramp Metering Performance Assessment
• Title（参考訳）: アクティブランプ計測性能評価のためのトランスファー学習フレームワーク
• Authors: Xiaobo Ma, Adrian Cottam, Mohammad Razaur Rahman Shaon, Yao-Jan Wu
• Abstract要約: そこで本研究では,新しいランプ計測制御方式を導入する際に,高速道路の交通パラメータを予測する枠組みを提案する。 高速道路セグメントの既知状況前後における交通状態の時空間的特徴の関連を学習することにより,提案手法は,新しい高速道路セグメントの交通パラメータを予測するために,この学習を移譲することができる。
• 参考スコア（独自算出の注目度）: 2.269435462100948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transportation agencies need to assess ramp metering performance when deploying or expanding a ramp metering system. The evaluation of a ramp metering strategy is primarily centered around examining its impact on freeway traffic mobility. One way these effects can be explored is by comparing traffic states, such as the speed before and after the ramp metering strategy has been altered. Predicting freeway traffic states for the after scenarios following the implementation of a new ramp metering control strategy could offer valuable insights into the potential effectiveness of the target strategy. However, the use of machine learning methods in predicting the freeway traffic state for the after scenarios and evaluating the effectiveness of transportation policies or traffic control strategies such as ramp metering is somewhat limited in the current literature. To bridge the research gap, this study presents a framework for predicting freeway traffic parameters (speed, occupancy, and flow rate) for the after situations when a new ramp metering control strategy is implemented. By learning the association between the spatial-temporal features of traffic states in before and after situations for known freeway segments, the proposed framework can transfer this learning to predict the traffic parameters for new freeway segments. The proposed framework is built upon a transfer learning model. Experimental results show that the proposed framework is feasible for use as an alternative for predicting freeway traffic parameters to proactively evaluate ramp metering performance.
• Abstract（参考訳）: 交通機関は、ランプ計測システムを展開または拡張する際に、ランプ計測性能を評価する必要がある。 ランプメータリング戦略の評価は、主に高速道路交通移動性への影響を調べることに集中している。 これらの効果を探索する方法の1つは、ランプ計測戦略の変更前後の速度などの交通状況を比較することである。 新しいランプメータ制御戦略の実装に続くアフターシナリオでの高速道路交通状態の予測は、ターゲット戦略の潜在的有効性に関する貴重な洞察を提供する。 しかし、後続のシナリオにおける高速道路交通状況の予測や交通政策の有効性評価、ランプメータリングなどの交通制御戦略における機械学習の利用は、現在の文献では若干制限されている。 そこで本研究では,新しいランプメータ制御戦略が施行された後,高速道路交通パラメータ(速度,占有率,流量)を予測する枠組みを提案する。 既知の高速道路セグメントの前後の状況における交通状態の空間的・時間的特徴の関係を学習することにより,この学習を伝達し,新しい高速道路セグメントの交通パラメータを予測する。 提案フレームワークは転送学習モデルに基づいて構築される。 実験の結果,提案手法は高速道路交通パラメータ予測の代替として利用し,ランプメータリング性能を積極的に評価できることがわかった。

関連論文リスト

• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• Spatio-Temporal Road Traffic Prediction using Real-time Regional Knowledge [2.6998782337240925]
  本稿では,POI,衛星画像,LTEによるリアルタイムアクセストレースを用いて,リアルタイムな地域レベルの知識を組み込む手法を提案する。 そして、この組み込み知識を道路レベルの注意に基づく予測モデルに取り込みます。 実世界の道路交通予測実験の結果,我々のモデルはベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2024-08-23T07:34:26Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• Modeling Network-level Traffic Flow Transitions on Sparse Data [6.756998301171409]
  本稿では,スパースデータからネットワークレベルのトラフィックフローを予測できるDTIGNNを提案する。 提案手法は最先端の手法よりも優れており,交通機関の意思決定支援に有効であることを示す。
  論文  参考訳（メタデータ） (2022-08-13T13:30:35Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• A Deep Reinforcement Learning Approach for Ramp Metering Based on Traffic Video Data [0.0]
  交通信号を利用してオンランプからの車両の流れを調節するランプメーターは、高速道路の車両移動性を改善するために広く実装されています。 従来の研究では、ポイント検出器によって収集された事前定義された交通手段に基づいて、信号タイミングをリアルタイムに更新する。 深層補強学習法 (DRL) を提案し, ランプ計測の効率化に資するトラフィックビデオデータの可能性を検討する。
  論文  参考訳（メタデータ） (2020-12-09T05:08:41Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• A Novel Ramp Metering Approach Based on Machine Learning and Historical Data [0.7349727826230861]
  ランプ計測は、様々な交通条件下で高速道路の効率を維持するための実証された方法である。 我々は機械学習を用いて、ランプ計測のための新しいリアルタイム予測モデルを開発した。
  論文  参考訳（メタデータ） (2020-05-26T21:05:01Z)

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。