論文の概要: Networkwide Traffic State Forecasting Using Exogenous Information: A
Multi-Dimensional Graph Attention-Based Approach
- arxiv url: http://arxiv.org/abs/2310.12353v1
- Date: Wed, 18 Oct 2023 21:57:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 17:50:27.714126
- Title: Networkwide Traffic State Forecasting Using Exogenous Information: A
Multi-Dimensional Graph Attention-Based Approach
- Title(参考訳): 異種情報を用いたネットワーク全体のトラフィック状態予測:多次元グラフアテンションに基づくアプローチ
- Authors: Syed Islam, Monika Filipovska
- Abstract要約: 本稿では,グラフに基づく交通予測手法(M-STGAT)を提案する。
過去の速度の観測に基づいてトラフィックを予測し、車線閉鎖イベント、温度、交通網の可視性などを予測する。
30分、45分、60分の予測地平線でテストを行う場合、3つの代替モデルを上回る結果が得られた。
- 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: Traffic state forecasting is crucial for traffic management and control
strategies, as well as user- and system-level decision making in the
transportation network. While traffic forecasting has been approached with a
variety of techniques over the last couple of decades, most approaches simply
rely on endogenous traffic variables for state prediction, despite the evidence
that exogenous factors can significantly impact traffic conditions. This paper
proposes a multi-dimensional spatio-temporal graph attention-based traffic
prediction approach (M-STGAT), which predicts traffic based on past
observations of speed, along with lane closure events, temperature, and
visibility across the transportation network. The approach is based on a graph
attention network architecture, which also learns based on the structure of the
transportation network on which these variables are observed. Numerical
experiments are performed using traffic speed and lane closure data from the
California Department of Transportation (Caltrans) Performance Measurement
System (PeMS). The corresponding weather data were downloaded from the National
Oceanic and Atmospheric Administration (NOOA) Automated Surface Observing
Systems (ASOS). For comparison, the numerical experiments implement three
alternative models which do not allow for the multi-dimensional input. The
M-STGAT is shown to outperform the three alternative models, when performing
tests using our primary data set for prediction with a 30-, 45-, and 60-minute
prediction horizon, in terms of three error measures: Mean Absolute Error
(MAE), Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE).
However, the model's transferability can vary for different transfer data sets
and this aspect may require further investigation.
- Abstract(参考訳): 交通状態予測は交通管理と制御戦略、および交通ネットワークにおけるユーザーおよびシステムレベルの意思決定において重要である。
過去数十年間、交通予測は様々な手法でアプローチされてきたが、ほとんどのアプローチは、外因性要因が交通条件に大きな影響を及ぼすという証拠にもかかわらず、内因性交通変数に依存している。
本稿では,過去の速度観測に基づくトラヒック予測と車線閉鎖イベント,温度,交通ネットワーク全体の可視性を考慮した多次元時空間グラフ注意型トラヒック予測手法(m-stgat)を提案する。
このアプローチはグラフ注意ネットワークアーキテクチャに基づいており、これらの変数が観測される輸送ネットワークの構造に基づいて学習する。
カリフォルニア交通省 (Caltrans) Performance Measurement System (PeMS) の交通速度と車線閉鎖データを用いて, 数値実験を行った。
気象データは、NOOA (National Oceanic and Atmospheric Administration) Automated Surface Observing Systems (ASOS)からダウンロードされた。
比較のために、数値実験は多次元入力を許さない3つの代替モデルを実装している。
M-STGATは、平均絶対誤差(MAE)、ルート平均角誤差(RMSE)、平均絶対誤差(MAPE)の3つの誤差尺度で、30分、45分、60分の予測水平線で予測するために、一次データセットを用いてテストを行う場合、以下の3つの代替モデルより優れている。
しかし、モデルの転送性は異なる転送データセットによって異なり、この側面はさらなる調査を必要とするかもしれない。
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) - 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) - 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) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - 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) - A Graph and Attentive Multi-Path Convolutional Network for Traffic
Prediction [16.28015945020806]
本稿では,将来的な交通状況を予測するために,グラフおよび注意深いマルチパス畳み込みネットワーク(GAMCN)モデルを提案する。
我々のモデルは交通条件に影響を与える空間的要因と時間的要因に焦点を当てている。
予測精度は,予測誤差が最大18.9%,予測効率が23.4%である。
論文 参考訳(メタデータ) (2022-05-30T16:24:43Z) - PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic
Condition Prediction [8.255993195520306]
本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。
まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
論文 参考訳(メタデータ) (2021-08-05T07:42:43Z) - 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) - Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。
提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
論文 参考訳(メタデータ) (2020-06-22T14:26:19Z)
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。