論文の概要: Clustering of Urban Traffic Patterns by K-Means and Dynamic Time Warping: Case Study

• arxiv url: http://arxiv.org/abs/2309.09830v1
• Date: Mon, 18 Sep 2023 14:50:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 13:03:52.280504
• Title: Clustering of Urban Traffic Patterns by K-Means and Dynamic Time Warping: Case Study
• Title（参考訳）: K平均と動的時間ワープによる都市交通パターンのクラスタリング:ケーススタディ
• Authors: Sadegh Etemad, Raziyeh Mosayebi, Tadeh Alexani Khodavirdian, Elahe Dastan, Amir Salari Telmadarreh, Mohammadreza Jafari, Sepehr Rafiei
• Abstract要約: 都市交通パターンのクラスタリングにおける2つの重要な応用について述べる。 最初のアプリケーションは、地図タイルをカラー化するために、類似のトラフィックパターンを持つ道路セグメントの速度を用いて、欠落した速度値を推定する。 2つ目は、異なる道路セグメントの類似パターンを用いて、地図上の局所点のアドレスを生成するための重要な道路セグメントの推定である。
• 参考スコア（独自算出の注目度）: 2.012144743140005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clustering of urban traffic patterns is an essential task in many different areas of traffic management and planning. In this paper, two significant applications in the clustering of urban traffic patterns are described. The first application estimates the missing speed values using the speed of road segments with similar traffic patterns to colorify map tiles. The second one is the estimation of essential road segments for generating addresses for a local point on the map, using the similarity patterns of different road segments. The speed time series extracts the traffic pattern in different road segments. In this paper, we proposed the time series clustering algorithm based on K-Means and Dynamic Time Warping. The case study of our proposed algorithm is based on the Snapp application's driver speed time series data. The results of the two applications illustrate that the proposed method can extract similar urban traffic patterns.
• Abstract（参考訳）: 都市交通パターンのクラスタリングは、交通管理と計画のさまざまな分野において重要な課題である。 本稿では,都市交通パターンのクラスタリングにおける2つの重要な応用について述べる。 第1のアプリケーションは、マップタイルの色付けに類似したトラフィックパターンを持つ道路セグメントの速度を使用して、失われた速度値を推定する。 2つ目は、異なる道路セグメントの類似パターンを用いて、地図上の局所点のアドレスを生成するための重要な道路セグメントの推定である。 速度時系列は、異なる道路セグメントの交通パターンを抽出する。 本稿では,K-MeansとDynamic Time Warpingに基づく時系列クラスタリングアルゴリズムを提案する。 提案アルゴリズムのケーススタディは,Snappアプリケーションの運転速度時系列データに基づく。 その結果,提案手法は類似の都市交通パターンを抽出できることが示唆された。

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)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• 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)
• Spatial-Temporal Dual Graph Neural Networks for Travel Time Estimation [5.614908141182951]
  時空間デュアルグラフニューラルネットワーク(STDGNN)を用いた旅行時間推定のためのグラフベースディープラーニングフレームワークを提案する。 まず,交差点と道路セグメントの複雑な相関関係を捉えるために,時空間二重グラフアーキテクチャを構築した。 交差点と道路セグメントの連立時空間ダイナミクスを捉えるために,空間時空間学習層を採用する。
  論文  参考訳（メタデータ） (2021-05-28T05:15:45Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Dynamic Traffic Modeling From Overhead Imagery [35.5820716257079]
  本稿では,畳み込みニューラルネットワークを用いた交通速度の動的マップ生成手法を提案する。 モデルをトレーニングするために、ニューヨーク市から収集した過去のトラフィックデータを活用する。
  論文  参考訳（メタデータ） (2020-12-18T21:48:03Z)
• Spatio-Temporal Point Processes with Attention for Traffic Congestion Event Modeling [28.994426283738363]
  本稿では,道路ネットワーク上での交通渋滞イベントをモデル化するための新しいフレームワークを提案する。 交通センサからのカウントデータと交通事故を報告した警察の報告を組み合わせることで、マルチモーダルデータを用いて、渋滞イベントに対する2種類のトリガー効果を捉えることを目指す。 ある場所での現在の交通渋滞は、将来の道路網の混雑を引き起こす可能性があり、交通事故は広範な交通渋滞を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2020-05-15T04:22:18Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
  都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。 本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-13T21:14:38Z)

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。