論文の概要: Short-term prediction of construction waste transport activities using AI-Truck
- arxiv url: http://arxiv.org/abs/2312.04609v2
- Date: Thu, 4 Apr 2024 06:31:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-05 19:43:34.821887
- Title: Short-term prediction of construction waste transport activities using AI-Truck
- Title（参考訳）: AI-Truckを用いた建設廃棄物輸送活動の短期予測
- Authors: Meng Xu, Ke Han,
- Abstract要約: 建設廃棄物運搬トラック(スラグトラック)は、都市部でよく見られる重厚なディーゼル車である。
本稿では, 都市規模でスラグトラック活動のレベルを重汚染発生時に予測する実践的問題に対処する。
ディープアンサンブル学習フレームワーク (coined AI-Truck) は,Bi-LSTM, TCN, STGCN, PDFormerをベース分類器として使用するソフト投票積分器を用いて設計されている。
- 参考スコア（独自算出の注目度）: 7.9472477567851465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Construction waste hauling trucks (or `slag trucks') are among the most commonly seen heavy-duty diesel vehicles in urban streets, which not only produce significant carbon, NO$_{\textbf{x}}$ and PM$_{\textbf{2.5}}$ emissions but are also a major source of on-road and on-site fugitive dust. Slag trucks are subject to a series of spatial and temporal access restrictions by local traffic and environmental policies. This paper addresses the practical problem of predicting levels of slag truck activity at a city scale during heavy pollution episodes, such that environmental law enforcement units can take timely and proactive measures against localized truck aggregation. A deep ensemble learning framework (coined AI-Truck) is designed, which employs a soft vote integrator that utilizes Bi-LSTM, TCN, STGCN, and PDFormer as base classifiers. AI-Truck employs a combination of downsampling and weighted loss is employed to address sample imbalance, and utilizes truck trajectories to extract more accurate and effective geographic features. The framework was deployed for truck activity prediction at a resolution of 1km$\times$1km$\times$0.5h, in a 255 km$^{\textbf{2}}$ area in Chengdu, China. As a classifier, AI-Truck achieves a macro F1 of 0.747 in predicting levels of slag truck activity for 0.5-h prediction time length, and enables personnel to spot high-activity locations 1.5 hrs ahead with over 80\% accuracy.
- Abstract（参考訳）: 建設廃棄物運搬トラック(またはスラグトラック)は、都市部でよく見られる重厚なディーゼル車であり、大きな炭素、NO$_{\textbf{x}}$およびPM$_{\textbf{2.5}}$エミッションを生産するだけでなく、路上および現場の逃亡ダストの主要な供給源でもある。
スラグトラックは、地域交通と環境政策によって、一連の空間的および時間的アクセス制限を受ける。
本稿では, 環境法執行機関が局所トラック収集に対して, 時間的かつ積極的に対応できるように, 都市規模でスラグトラック活動のレベルを予測するという現実的な課題に対処する。
ディープアンサンブル学習フレームワーク (coined AI-Truck) は,Bi-LSTM, TCN, STGCN, PDFormerをベース分類器として使用するソフト投票積分器を用いて設計されている。
AI-Truckはサンプルの不均衡に対応するためにダウンサンプリングと重み付き損失の組み合わせを採用し、トラック軌道を利用してより正確で効果的な地理的特徴を抽出する。
このフレームワークは、1km$\times$1km$\times$0.5hの解像度で、中国成都の255km$^{\textbf{2}}$エリアに展開された。
分類器として、AI-Truckは、0.5時間予測時間におけるスラグトラック活動のレベル予測における0.747のマクロF1を達成し、80%以上の精度で、高活動位置1.5時間前倒しが可能となる。
関連論文リスト
- Mitigating Metropolitan Carbon Emissions with Dynamic Eco-driving at Scale [3.5052652317043846]
我々は、二酸化炭素排出量を減らす新たな機会として、半自律車の採用の増加を考えています。
交通シナリオと車両排出の複雑さにより、包括的影響分析は手に入らなかった。
我々は,米国三大都市を横断する信号化交差点6,011箇所で,ダイナミックエコドライブの詳細な影響評価を行う。
論文 参考訳（メタデータ） (2024-08-10T18:23:59Z) - Using construction waste hauling trucks' GPS data to classify earthwork-related locations: A Chengdu case study [8.065039038112346]
アースワーク関連地域(ERL)は、都市ごみ汚染の主な原因である(粒子状物質)。
本研究は,16,000台以上の建設廃棄物運搬トラック(CWHT)のGPSトラジェクトリデータを用いた都市ERLの識別と分類を目的とする。
いくつかの機械学習モデルを比較し,中国成都市における実世界データを用いた分類性能に及ぼす時空間的特徴の影響を検討した。
論文 参考訳（メタデータ） (2024-02-22T16:50:32Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Toward Efficient Transportation Electrification of Heavy-Duty Trucks:
Joint Scheduling of Truck Routing and Charging [3.0794207344325693]
本稿では,電気トラックの連系計画と充電スケジューリングを提案する。
関連する最適化問題の目的は、輸送、充電、重荷のコストを最小限に抑えることである。
サーロゲートレベルに基づくラグランジアン緩和法 (SLBLR) を用いて, 問題をより複雑なトラックサブプロブレムに分解する。
論文 参考訳（メタデータ） (2023-02-01T04:38:18Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z) - Do Neural Optimal Transport Solvers Work? A Continuous Wasserstein-2
Benchmark [133.46066694893318]
最適輸送のためのニューラルネットワークに基づく解法の性能を評価する。
既存の解法では,下流タスクでは良好に機能するにもかかわらず,最適な輸送マップを復元できないことがわかった。
論文 参考訳（メタデータ） (2021-06-03T15:59:28Z) - Mining Truck Platooning Patterns Through Massive Trajectory Data [9.559029665817656]
トラック小隊を適切に計画し、トラック小隊の可能性を評価することは、交通機関にとって不可欠である。
本研究では,大規模軌道から自発トラック小隊パターンを学習するための一連のデータマイニング手法を提案する。
我々は,中国梁寧省のトラック輸送システムから収集した実データを利用して,小隊成績を評価し,小隊パターンの抽出に成功した。
論文 参考訳（メタデータ） (2020-10-11T02:44:48Z) - TNT: Target-driveN Trajectory Prediction [76.21200047185494]
我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。
我々は、車や歩行者の軌道予測をベンチマークする。
私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
論文 参考訳（メタデータ） (2020-08-19T06:52:46Z) - Cautious Adaptation For Reinforcement Learning in Safety-Critical
Settings [129.80279257258098]
都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。
非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。
多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
論文 参考訳（メタデータ） (2020-08-15T01:40:59Z) - A Physics Model-Guided Online Bayesian Framework for Energy Management
of Extended Range Electric Delivery Vehicles [3.927161292818792]
本稿では、双方向の車両とクラウド接続を備えた配送車両において使用される、利用規則に基づくEMSを改善する。
物理モデルに基づくオンラインベイズフレームワークについて記述し,最終マイルのパッケージ配信に使用されるEREVの多数の使用済み駆動サンプルについて検証した。
実輸送155回の試験車両の燃料使用量の平均は12.8%減少した。
論文 参考訳（メタデータ） (2020-06-01T08:43:23Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳（メタデータ） (2020-04-21T20:46:32Z)
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。