論文の概要: Establishing a real-time traffic alarm in the city of Valencia with Deep Learning

• arxiv url: http://arxiv.org/abs/2309.02010v1
• Date: Tue, 5 Sep 2023 07:47:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 16:02:19.578788
• Title: Establishing a real-time traffic alarm in the city of Valencia with Deep Learning
• Title（参考訳）: ディープラーニングを用いたバレンシア市におけるリアルタイムトラヒックアラームの確立
• Authors: Miguel Folgado, Veronica Sanz, Johannes Hirn, Edgar Lorenzo-Saez, Javier Urchueguia
• Abstract要約: スペイン・バレンシア市における交通フラックスと汚染の相関分析を行った。 道路が今後30分で異常に高いトラフィックを経験する確率を予測するアラームシステムの開発を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Urban traffic emissions represent a significant concern due to their detrimental impacts on both public health and the environment. Consequently, decision-makers have flagged their reduction as a crucial goal. In this study, we first analyze the correlation between traffic flux and pollution in the city of Valencia, Spain. Our results demonstrate that traffic has a significant impact on the levels of certain pollutants (especially $\text{NO}_\text{x}$). Secondly, we develop an alarm system to predict if a street is likely to experience unusually high traffic in the next 30 minutes, using an independent three-tier level for each street. To make the predictions, we use traffic data updated every 10 minutes and Long Short-Term Memory (LSTM) neural networks. We trained the LSTM using traffic data from 2018, and tested it using traffic data from 2019.
• Abstract（参考訳）: 都市交通の排出は、公衆衛生と環境に有害な影響があるため、重大な懸念となっている。 その結果、意思決定者はその削減を重要な目標と宣言した。 本研究では,まずスペインのバレンシア市における交通流束と大気汚染の関係について分析した。 私たちの結果は、トラフィックが特定の汚染物質のレベル(特に$\text{no}_\text{x}$)に大きな影響を与えることを示している。 第2に,各道路の独立レベルを用いて,今後30分で異常に高い交通量が発生する可能性を予測できるアラームシステムの開発を行う。 予測には10分毎に更新されたトラフィックデータとLong Short-Term Memory(LSTM)ニューラルネットワークを使用します。 2018年のトラフィックデータを使ってLSTMをトレーニングし、2019年のトラフィックデータを使ってテストしました。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• 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)
• Deep Reinforcement Learning to Maximize Arterial Usage during Extreme Congestion [4.934817254755007]
  本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。 エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。 エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
  論文  参考訳（メタデータ） (2023-05-16T16:53:27Z)
• Predicting the traffic flux in the city of Valencia with Deep Learning [0.0]
  都市内を流れる交通の流れに関する大量のデータにより、人工知能は、低エミッションゾーン政策に関連付けられているような排出削減対策を可能にするために、事前に十分なトラフィックフラックスを予測できるかどうかを検討する。 予測モデルを構築するには、世界で最も密集した都市であるバレンシア交通センサーシステムを使用します。 LSTMは, 実測データからパターンを抽出することにより, 交通フラックスの将来的な進化を予測することができることを示す。
  論文  参考訳（メタデータ） (2022-10-04T14:19:06Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• 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)
• Modeling Traffic Congestion in Developing Countries using Google Maps Data [4.3117073200815375]
  本稿では,Google Mapのトラフィック層からのトラフィックデータを最小限のコストで収集する手法を提案する。 これらの単純なモデルであっても、交通渋滞を事前に予測できることが示されています。
  論文  参考訳（メタデータ） (2020-10-29T13:46:34Z)
• Defining Traffic States using Spatio-temporal Traffic Graphs [9.861775841965386]
  本稿では,交通グラフを用いた交差点の空間領域の交通状況の把握手法を提案する。 これらのトラフィックグラフが時間とともに異なるトラフィック状態を示す方法 — a) 渋滞が形成されている(クランプ)、あるいは、渋滞が分散している(アンクランプ)、c) トラフィックが正常に流れている(中性)。
  論文  参考訳（メタデータ） (2020-07-27T17:27:52Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)
• An IoT-Based System: Big Urban Traffic Data Mining Through Airborne Pollutant Gases Analysis [0.0]
  イランなどの発展途上国では、人口の増加により車両の数が増加している。 交通警察官による交通渋滞を抑え、効率的に経路を拡大し、市民による交通の減少に最適な方法を選択する必要がある。 今日では、交通警察や都市交通管制システムなど多くの交通機関が、交通カメラ、誘導センサー、衛星画像、レーダーセンサー、超音波技術、電波識別(RFID)を都市交通診断に利用している。 本稿で提案する手法は,大気汚染量を算出して交通渋滞を発生させるスマートシステムを含むIOTに基づく交通渋滞の検出である。
  論文  参考訳（メタデータ） (2020-02-15T13:04:37Z)

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。