論文の概要: Can Machine Learning Uncover Insights into Vehicle Travel Demand from
Our Built Environment?
- arxiv url: http://arxiv.org/abs/2311.06321v1
- Date: Fri, 10 Nov 2023 06:52:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 19:12:37.833065
- Title: Can Machine Learning Uncover Insights into Vehicle Travel Demand from
Our Built Environment?
- Title（参考訳）: 機械学習は、構築された環境から自動車の走行需要を明らかにすることができるか?
- Authors: Zixun Huang, Hao Zheng
- Abstract要約: 本研究では,自動車走行需要の観点から,都市部における土地利用計画の最適化能力の欠如に対処する機械学習アプローチを提案する。
研究によると、私たちの計算モデルは、デザイナーが車の走行需要に対するフィードバックを素早く得るのに役立つ。
- 参考スコア（独自算出の注目度）: 6.878774457703503
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this paper, we propose a machine learning-based approach to address the
lack of ability for designers to optimize urban land use planning from the
perspective of vehicle travel demand. Research shows that our computational
model can help designers quickly obtain feedback on the vehicle travel demand,
which includes its total amount and temporal distribution based on the urban
function distribution designed by the designers. It also assists in design
optimization and evaluation of the urban function distribution from the
perspective of vehicle travel. We obtain the city function distribution
information and vehicle hours traveled (VHT) information by collecting the city
point-of-interest (POI) data and online vehicle data. The artificial neural
networks (ANNs) with the best performance in prediction are selected. By using
data sets collected in different regions for mutual prediction and remapping
the predictions onto a map for visualization, we evaluate the extent to which
the computational model sees use across regions in an attempt to reduce the
workload of future urban researchers. Finally, we demonstrate the application
of the computational model to help designers obtain feedback on vehicle travel
demand in the built environment and combine it with genetic algorithms to
optimize the current state of the urban environment to provide recommendations
to designers.
- Abstract（参考訳）: 本稿では,自動車の走行需要の観点から,都市部における土地利用計画の最適化能力の欠如に対処する機械学習アプローチを提案する。
本研究は,デザイナーが設計した都市機能分布に基づく総生産量と時間分布を含む自動車旅行需要に対するフィードバックを,設計者が迅速に得ることができることを示す。
また,車両走行の観点からの都市機能分布の最適化と評価を支援する。
我々は,都市機能分布情報と移動時間(VHT)情報を,都市間関心(POI)データとオンライン車両データを収集して取得する。
予測において最高の性能を有する人工ニューラルネットワーク(ANN)が選択される。
異なる地域で収集されたデータセットを相互予測に利用し,予測結果を地図上に再マッピングして可視化することにより,都市研究者の作業負荷を軽減するために,計算モデルが地域間における利用度を評価する。
最後に,組込み環境における自動車の走行需要に対するフィードバックを得るために計算モデルを適用し,遺伝的アルゴリズムと組み合わせることで,都市環境の現状を最適化し,設計者へのレコメンデーションを提供する。
関連論文リスト
- Advancing Transportation Mode Share Analysis with Built Environment: Deep Hybrid Models with Urban Road Network [12.349403667141559]
本研究では,移動モード共有分析のための入力として,道路ネットワークと社会デマログラフィー機能を直接結合したディープハイブリッドモデル(DHM)を提案する。
シカゴにおけるモード共有予測の実験において、DHMは社会デマトグラフィー構造に価値ある空間的洞察を与えることができることを示した。
論文 参考訳（メタデータ） (2024-05-23T00:59:00Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳（メタデータ） (2023-08-24T16:20:00Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Deep Occupancy-Predictive Representations for Autonomous Driving [6.591194329459251]
提案アーキテクチャは,事前学習した状態表現のプロキシとして確率的占有率マップを符号化している。
エージェント中心エンコーダは,環境のマップ対応グラフ定式化を利用して任意の道路網や交通状況に一般化する。
論文 参考訳（メタデータ） (2023-03-07T20:21:49Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
近年,Bird's-Eye View (BEV) の知覚が注目されている。
自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。
本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
論文 参考訳（メタデータ） (2023-01-11T18:39:34Z) - Generative methods for Urban design and rapid solution space exploration [13.222198221605701]
本研究では,テンソル場に基づく都市モデルツールキットの実装について紹介する。
提案手法は,ウォーターフロントエッジ,地形,ビュー軸,既存道路,ランドマーク,非幾何学的設計入力などのコンテキスト制約を符号化する。
これによりユーザーは、モデル入力がほとんどない現実世界の都市に似た、多様な都市ファブリック構成を作成できる。
論文 参考訳（メタデータ） (2022-12-13T17:58:02Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - Deep Learning based Urban Vehicle Trajectory Analytics [1.3706331473063877]
この論文は、都市交通網における車両を指す「都市自動車軌道」に焦点を当てている。
本論文の目的は,都市自動車軌道分析のためのディープラーニングモデルを開発することである。
論文 参考訳（メタデータ） (2021-11-15T01:44:18Z) - End-to-end Interpretable Neural Motion Planner [78.69295676456085]
複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。
我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。
北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2021-01-17T14:16:12Z) - TLab: Traffic Map Movie Forecasting Based on HR-NET [23.40323690536007]
私たちのソリューションでは、手作りの機能はチャネルの形でモデルに入力されます。
予測精度に関しては、NeurIPS 2020、Traffic4cast Challengeで2位を獲得しました。
論文 参考訳（メタデータ） (2020-11-13T18:48:13Z)
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。