論文の概要: Network Wide Evacuation Traffic Prediction in a Rapidly Intensifying
Hurricane from Traffic Detectors and Facebook Movement Data: A Deep Learning
Approach
- arxiv url: http://arxiv.org/abs/2311.09498v1
- Date: Thu, 16 Nov 2023 01:50:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 17:03:30.264935
- Title: Network Wide Evacuation Traffic Prediction in a Rapidly Intensifying
Hurricane from Traffic Detectors and Facebook Movement Data: A Deep Learning
Approach
- Title（参考訳）: 交通検知器とfacebook移動データによる急拡大するハリケーンにおけるネットワーク広域避難交通予測:深層学習アプローチ
- Authors: Md Mobasshir Rashid, Rezaur Rahman, Samiul Hasan
- Abstract要約: 提案モデルでは,前もって6時間以内のトラフィックを予測できる。
避難交通管理担当者は、開発済みの交通予測モデルを使用して、将来の交通渋滞を事前に予測することができる。
- 参考スコア（独自算出の注目度）: 0.4143603294943439
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic prediction during hurricane evacuation is essential for optimizing
the use of transportation infrastructures. It can reduce evacuation time by
providing information on future congestion in advance. However, evacuation
traffic prediction can be challenging as evacuation traffic patterns is
significantly different than regular period traffic. A data-driven traffic
prediction model is developed in this study by utilizing traffic detector and
Facebook movement data during Hurricane Ian, a rapidly intensifying hurricane.
We select 766 traffic detectors from Florida's 4 major interstates to collect
traffic features. Additionally, we use Facebook movement data collected during
Hurricane Ian's evacuation period. The deep-learning model is first trained on
regular period (May-August 2022) data to understand regular traffic patterns
and then Hurricane Ian's evacuation period data is used as test data. The model
achieves 95% accuracy (RMSE = 356) during regular period, but it underperforms
with 55% accuracy (RMSE = 1084) during the evacuation period. Then, a transfer
learning approach is adopted where a pretrained model is used with additional
evacuation related features to predict evacuation period traffic. After
transfer learning, the model achieves 89% accuracy (RMSE = 514). Adding
Facebook movement data further reduces model's RMSE value to 393 and increases
accuracy to 93%. The proposed model is capable to forecast traffic up to
6-hours in advance. Evacuation traffic management officials can use the
developed traffic prediction model to anticipate future traffic congestion in
advance and take proactive measures to reduce delays during evacuation.
- Abstract（参考訳）: ハリケーン避難時の交通予測は交通インフラの最適化に不可欠である。
将来の混雑に関する情報を事前に提供することにより、避難時間を短縮できる。
しかし、避難交通パターンが通常の定期交通とは大きく異なるため、避難交通予測は困難である。
本研究では,急激なハリケーンHurricane Ianにおける交通検知とFacebookの移動データを利用して,データ駆動型交通予測モデルを開発した。
フロリダ州の4大州間高速道路から交通検知器を766個選んで交通の特徴を収集する。
さらに,ハリケーン・イアンの避難期間中に収集したFacebookの移動データも利用した。
ディープラーニングモデルは,まず,通常の交通パターンを理解するために,通常期間(2022年5月から8月)のデータに基づいて訓練し,その後,ハリケーンIanの避難期間データをテストデータとして利用する。
このモデルは通常の期間に95%の精度(RMSE = 356)を達成するが、避難期間中に55%の精度(RMSE = 1084)で性能が低下する。
次に、避難期間の交通量を予測するために、事前学習したモデルと追加の避難関連特徴を用いた転送学習手法を採用する。
移行学習後、モデルは89%の精度を達成する(RMSE = 514)。
Facebookの動きデータを追加することで、モデルのRMSE値はさらに393に削減され、精度は93%に向上する。
提案モデルでは,前もって6時間までのトラフィックを予測できる。
避難交通管理担当者は、先進的な交通予測モデルを用いて、将来の交通渋滞を事前に予測し、避難の遅れを軽減するための前向きな対策を講じることができる。
関連論文リスト
- Deploying scalable traffic prediction models for efficient management in real-world large transportation networks during hurricane evacuations [5.240024206355563]
本稿では,長期の混雑パターンと短期の速度パターンの両方を抽出する予測モデリングシステムを提案する。
このフレームワークは、異質な人間の行動、限られた避難データ、ハリケーンイベントの不確実性によって引き起こされる問題に対処するために設計されている。
ルイジアナ州の現実の交通予測システムで展開されたこのモデルは,長期的混雑状態を予測する上で,82%の精度を達成した。
論文 参考訳（メタデータ） (2024-06-17T21:59:44Z) - 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) - 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) - 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) - On-ramp and Off-ramp Traffic Flows Estimation Based on A Data-driven
Transfer Learning Framework [2.55061802822074]
幹線道路のループ検出装置から収集したデータのみを用いて,不足する傾斜流を正確に推定することのできるデータ駆動型フレームワークを提案する。
提案フレームワークは,交通パターン,分布,特性の異なる高速道路におけるオンランプおよびオフランプ流の高精度な推定を保証できる。
論文 参考訳（メタデータ） (2023-08-07T12:36:30Z) - 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) - A Deep Learning Approach for Network-wide Dynamic Traffic Prediction
during Hurricane Evacuation [1.3706331473063877]
本稿では,ネットワーク規模で避難トラフィックを予測するための新しいデータ駆動手法を提案する。
ハリケーン避難のネットワーク力学を学習するための動的グラフ畳み込みLSTM(DGCN-LSTM)モデルを開発した。
論文 参考訳（メタデータ） (2022-02-25T05:40:24Z) - Spatial-Temporal Tensor Graph Convolutional Network for Traffic
Prediction [46.762437988118386]
本稿では,交通速度予測に対処する空間時間グラフ畳み込みネットワークを提案する。
計算負荷を軽減するために、タッカーテンソル分解を行い、テンソル畳み込みを導出する。
2つの実世界の交通速度データセットの実験は、従来の交通予測方法よりも効果的な方法を示しています。
論文 参考訳（メタデータ） (2021-03-10T15:28:07Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z) - 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) - Automatic Detection of Major Freeway Congestion Events Using Wireless
Traffic Sensor Data: A Machine Learning Approach [0.0]
本稿では,高速道路交通渋滞事象の確実な検出と特徴付けのための機械学習に基づくアプローチを提案する。
速度データは最初10時間のスライディングウィンドウでタイムウインドウされ、3つのニューラルネットワークに入力される。
スライディングウィンドウは、各スローダウンイベントを複数回キャプチャし、渋滞検出の信頼性を高める。
論文 参考訳（メタデータ） (2020-07-09T21:38:45Z)
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。