論文の概要: Data-Driven Traffic Reconstruction and Kernel Methods for Identifying Stop-and-Go Congestion

• arxiv url: http://arxiv.org/abs/2312.03186v1
• Date: Tue, 5 Dec 2023 23:32:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 16:26:18.886460
• Title: Data-Driven Traffic Reconstruction and Kernel Methods for Identifying Stop-and-Go Congestion
• Title（参考訳）: データ駆動型交通再建とカーネル法による渋滞の同定
• Authors: Edgar Ramirez Sanchez, Shreyaa Raghavan, Cathy Wu
• Abstract要約: 交通流におけるSAG(Identifying-and-go Event)は、気候変動対策のためのデータ駆動研究を進めるための重要な道のりである。 SAGは高速道路の外部交通の33-50%を占めると見積もられている。 この研究は、トラヒックシステムの持続可能性を高めるためのデータ駆動決定の基礎に貢献する。
• 参考スコア（独自算出の注目度）: 2.7214777196418645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying stop-and-go events (SAGs) in traffic flow presents an important avenue for advancing data-driven research for climate change mitigation and sustainability, owing to their substantial impact on carbon emissions, travel time, fuel consumption, and roadway safety. In fact, SAGs are estimated to account for 33-50% of highway driving externalities. However, insufficient attention has been paid to precisely quantifying where, when, and how much these SAGs take place -necessary for downstream decision making, such as intervention design and policy analysis. A key challenge is that the data available to researchers and governments are typically sparse and aggregated to a granularity that obscures SAGs. To overcome such data limitations, this study thus explores the use of traffic reconstruction techniques for SAG identification. In particular, we introduce a kernel-based method for identifying spatio-temporal features in traffic and leverage bootstrapping to quantify the uncertainty of the reconstruction process. Experimental results on California highway data demonstrate the promise of the method for capturing SAGs. This work contributes to a foundation for data-driven decision making to advance sustainability of traffic systems.
• Abstract（参考訳）: 交通流におけるストップ・アンド・ゴー現象(SAGs)の特定は、二酸化炭素排出量、旅行時間、燃料消費、道路安全に重大な影響を及ぼすため、気候変動の緩和と持続可能性に関するデータ駆動研究を進めるための重要な道を示す。 実際、SAGは高速道路の外部交通の33-50%を占めると見積もられている。 しかし、介入設計や政策分析など、下流の意思決定に必要となるSAGの所在、時期、規模を正確に把握するには、十分な注意が払われている。 重要な課題は、研究者や政府に利用可能なデータは、通常、SAGを隠蔽する粒度まで粗く集約されていることだ。 このようなデータ制限を克服するため,SAG識別のための交通再建手法について検討した。 特に,トラフィックの時空間的特徴を識別するカーネルベースの手法を導入し,再構築プロセスの不確かさを定量化するためにブートストラップを利用する。 カリフォルニア高速道路のデータによる実験結果は、SAGを捕捉する手法の可能性を実証している。 この研究は、トラヒックシステムの持続可能性を高めるためのデータ駆動決定の基礎に貢献する。

関連論文リスト

• Enhancing Vehicle Re-identification and Matching for Weaving Analysis [12.549381266302959]
  高速道路での車両の織りは交通渋滞に寄与し、安全上の問題を提起し、高度な交通管理システムの必要性を浮き彫りにしている。 現在のツールは、レーン固有の織りパターンの正確で包括的なデータを提供するには不十分です。 本稿では, ウィービングゾーンにおける非オーバーラップ映像データを収集する革新的な手法を提案し, レーン固有ウィービング行動に関する定量的洞察を創出する。
  論文  参考訳（メタデータ） (2024-07-05T17:50:35Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic Flow Forecasting [21.6456624219159]
  トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。 本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。 提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
  論文  参考訳（メタデータ） (2023-03-31T03:07:53Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• Censored Deep Reinforcement Patrolling with Information Criterion for Monitoring Large Water Resources using Autonomous Surface Vehicles [0.0]
  本研究は,自律走行車を用いた大規模水資源モニタリングの枠組みを提案する。 データに対する不確実性低減の尺度として情報ゲインを用いて,モデルに基づく障害物回避のためのQ-Censoring機構によって改良されたディープQ-ラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-12T07:33:46Z)
• Multistep traffic speed prediction: A deep learning based approach using latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
  ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。 深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。 提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
  論文  参考訳（メタデータ） (2021-11-03T10:17:48Z)
• 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)
• Deep Reinforcement Learning with Spatio-temporal Traffic Forecasting for Data-Driven Base Station Sleep Control [39.31623488192675]
  5G時代のモバイル交通需要の増加に対応するため、基地局(BS)は無線アクセスネットワーク(RAN)に密に展開され、ネットワークカバレッジと容量が向上しています。 BSの高密度はピークトラフィックに対応するために設計されているため、オフピーク時にBSがオンになっている場合、不必要に大量のエネルギーを消費します。 セルラーネットワークのエネルギー消費を抑えるために、交通需要に応えないアイドルベースステーションを非活性化する方法が効果的である。 本論文では,DeepBSC と呼ばれるトラフィック認識型動的 BS 睡眠制御フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-01-21T01:39:42Z)
• 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)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。