論文の概要: Pattern retrieval of traffic congestion using graph-based associations
of traffic domain-specific features
- arxiv url: http://arxiv.org/abs/2311.17256v1
- Date: Tue, 28 Nov 2023 22:33:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 23:18:50.138617
- Title: Pattern retrieval of traffic congestion using graph-based associations
of traffic domain-specific features
- Title（参考訳）: トラヒックドメイン固有の特徴のグラフベース関連を用いたトラヒックのパターン検索
- Authors: Tin T. Nguyen, Simeon C. Calvert, Guopeng Li, Hans van Lint
- Abstract要約: 本稿では,高速道路渋滞の交通パターンをコンテンツベースで検索するシステムを提案する。
検索結果を効果的に解釈するために,従来のコンポーネントに対するグラフベースのアプローチ(リレーショナルグラフ)を提案する。
後者のコンポーネントでは、ユーザの期待に応じて、混雑パターン間の類似性をカスタマイズできる。
- 参考スコア（独自算出の注目度）: 5.32051334268552
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The fast-growing amount of traffic data brings many opportunities for
revealing more insightful information about traffic dynamics. However, it also
demands an effective database management system in which information retrieval
is arguably an important feature. The ability to locate similar patterns in big
datasets potentially paves the way for further valuable analyses in traffic
management. This paper proposes a content-based retrieval system for
spatiotemporal patterns of highway traffic congestion. There are two main
components in our framework, namely pattern representation and similarity
measurement. To effectively interpret retrieval outcomes, the paper proposes a
graph-based approach (relation-graph) for the former component, in which
fundamental traffic phenomena are encoded as nodes and their spatiotemporal
relationships as edges. In the latter component, the similarities between
congestion patterns are customizable with various aspects according to user
expectations. We evaluated the proposed framework by applying it to a dataset
of hundreds of patterns with various complexities (temporally and spatially).
The example queries indicate the effectiveness of the proposed method, i.e. the
obtained patterns present similar traffic phenomena as in the given examples.
In addition, the success of the proposed approach directly derives a new
opportunity for semantic retrieval, in which expected patterns are described by
adopting the relation-graph notion to associate fundamental traffic phenomena.
- Abstract（参考訳）: トラフィックデータの急増は、トラフィックのダイナミクスに関するより洞察力のある情報を明らかにする多くの機会をもたらします。
しかし、情報検索が重要な機能である効果的なデータベース管理システムも要求している。
大きなデータセットに類似したパターンを見つける能力は、トラフィック管理におけるさらなる価値ある分析の道を開く可能性がある。
本稿では,高速道路渋滞の時空間パターンに対するコンテンツベース検索システムを提案する。
私たちのフレームワークにはパターン表現と類似度測定という2つの主要なコンポーネントがあります。
検索結果を効果的に解釈するために, 基本的トラフィック現象をノードとして符号化し, 時空間の関係をエッジとして表現するグラフベース手法(リレーグラフ)を提案する。
後者のコンポーネントでは、混雑パターン間の類似性はユーザの期待に応じてさまざまな側面でカスタマイズできる。
様々な複雑なパターン(時間的・空間的)のデータセットに適用することで,提案手法の評価を行った。
サンプルクエリは,提案手法の有効性,すなわち得られたパターンが与えられた例と同様の交通現象を示すことを示す。
さらに,提案手法の成功は,基本トラヒック現象を関連付けるために関係グラフの概念を採用することにより,期待されるパターンを記述する意味検索の新たな機会を直接導出する。
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) - BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。
本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。
本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文 参考訳（メタデータ） (2024-03-08T04:19:56Z) - Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。
この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。
既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。
本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
論文 参考訳（メタデータ） (2023-09-21T12:44:55Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳（メタデータ） (2022-03-21T06:38:34Z) - On the Design of Graph Embeddings for the Sensorless Estimation of Road
Traffic Profiles [6.100274095771616]
トラフィック予測モデルは、認識、処理、保存が必要なデータに依存します。
認識された場所の欠如は、交通監視に必要な経済的投資をさらに減少させる合成データシミュレーションと補完することができる。
本稿では,道路セグメントのトポロジ的特徴を検査することで,交通データのある場所を探索する手法を提案する。
論文 参考訳（メタデータ） (2022-01-11T15:16:18Z) - 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) - Bayesian Graph Convolutional Network for Traffic Prediction [23.30484840210517]
これらの問題を緩和するためにベイズグラフ畳み込みネットワーク(BGCN)フレームワークを提案する。
この枠組みの下では、グラフ構造はパラメトリック生成モデルからランダムな実現と見なされる。
本手法の有効性を5つの実世界データセットで検証し,BGCNが最新手法と比較して優れた性能を発揮することを実証した。
論文 参考訳（メタデータ） (2021-04-01T14:19:37Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。
本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。
我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
論文 参考訳（メタデータ） (2020-07-06T12:31:27Z)
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。