論文の概要: SWMLP: Shared Weight Multilayer Perceptron for Car Trajectory Speed Prediction using Road Topographical Features

• arxiv url: http://arxiv.org/abs/2310.02282v1
• Date: Mon, 2 Oct 2023 12:39:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 18:23:35.228163
• Title: SWMLP: Shared Weight Multilayer Perceptron for Car Trajectory Speed Prediction using Road Topographical Features
• Title（参考訳）: SWMLP:道路地形特徴を用いた車両軌道速度予測のための共有重層パーセプトロン
• Authors: Sarah Almeida Carneiro (LIGM, IFPEN), Giovanni Chierchia (LIGM), Jean Charl\'ety (IFPEN), Aur\'elie Chataignon (IFPEN), Laurent Najman (LIGM)
• Abstract要約: 本研究では,大規模な履歴速度データとは無関係な速度予測手法を提案する。 その結果, 定性的, 定量的に, 標準回帰分析よりも有意な改善が認められた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although traffic is one of the massively collected data, it is often only available for specific regions. One concern is that, although there are studies that give good results for these data, the data from these regions may not be sufficiently representative to describe all the traffic patterns in the rest of the world. In quest of addressing this concern, we propose a speed prediction method that is independent of large historical speed data. To predict a vehicle's speed, we use the trajectory road topographical features to fit a Shared Weight Multilayer Perceptron learning model. Our results show significant improvement, both qualitative and quantitative, over standard regression analysis. Moreover, the proposed framework sheds new light on the way to design new approaches for traffic analysis.
• Abstract（参考訳）: トラフィックは収集された膨大なデータの1つであるが、特定の地域でのみ利用可能であることが多い。 懸念の1つは、これらのデータに良い結果をもたらす研究があるが、これらの領域のデータは世界の他のすべての交通パターンを記述するのに十分な代表的ではないかもしれないことである。 この問題に対処するために,大規模な履歴速度データに依存しない速度予測手法を提案する。 車両の速度を予測するために軌道道路地形特徴を用いて,多層パーセプトロン学習モデルの共有重み付けを行う。 その結果,標準回帰分析よりも質的かつ定量的に有意な改善が認められた。 さらに、提案フレームワークは、トラフィック分析のための新しいアプローチを設計する上で、新たな光を放つ。

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)
• IBB Traffic Graph Data: Benchmarking and Road Traffic Prediction Model [0.24999074238880487]
  道路交通渋滞予測はインテリジェント交通システムにおいて重要な要素である。 IBB Traffic Graphデータセットは、2451の異なる場所で収集されたセンサーデータをカバーしている。 本稿では,機能工学を通して時間的リンクを強化する道路交通予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-02T05:23:19Z)
• Unifying Lane-Level Traffic Prediction from a Graph Structural Perspective: Benchmark and Baseline [21.37853568400125]
  本稿では,レーンレベルの交通予測における既存研究を幅広く分析し,分類する。 グラフ構造と予測ネットワークに基づくシンプルなベースラインモデルであるGraphMLPを導入している。 既存の研究では公開されていないコードを複製し、有効性、効率、適用性の観点から様々なモデルを評価しました。
  論文  参考訳（メタデータ） (2024-03-22T04:21:40Z)
• Clustering Dynamics for Improved Speed Prediction Deriving from Topographical GPS Registrations [0.0]
  スパースGPSデータポイントとそれに関連する地形・道路設計特徴を用いた速度予測手法を提案する。 私たちのゴールは、地形とインフラの類似性を利用して、交通データがない地域での速度を予測する機械学習モデルをトレーニングできるかどうかを調べることです。
  論文  参考訳（メタデータ） (2024-02-12T09:28:16Z)
• MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data [1.147374308875151]
  本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。 車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。 複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
  論文  参考訳（メタデータ） (2024-01-16T14:22:44Z)
• 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)
• 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)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• Graph modelling approaches for motorway traffic flow prediction [6.370406399003785]
  本稿では,シドニーの人気のある自動車道に沿って,正確な短期予測を構築するための2つの新しい時空間的アプローチを提案する。 提案手法は, 道路沿いの各目標カウントステーションに対して, 直近で最も近い交通流情報を用いて, バックトラックと近接性を示す近接手法に基づいて構築される。 その結果,10分以内の短期予測では,提案手法は最先端のディープラーニングモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-06-26T06:54:14Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。