Fugu-MT 論文翻訳(概要): Truck Parking Usage Prediction with Decomposed Graph Neural Networks

論文の概要: Truck Parking Usage Prediction with Decomposed Graph Neural Networks

arxiv url: http://arxiv.org/abs/2401.12920v1
Date: Tue, 23 Jan 2024 17:14:01 GMT
ステータス: 処理完了
システム内更新日: 2024-01-24 14:55:10.357452
Title: Truck Parking Usage Prediction with Decomposed Graph Neural Networks
Title（参考訳）: 分解型グラフニューラルネットワークによる駐車場利用予測
Authors: Rei Tamaru, Yang Cheng, Steven Parker, Ernie Perry, Bin Ran, Soyoung Ahn
Abstract要約: 本稿では、地域時間グラフニューラルネットワーク(RegT-GCN)を、州全体での駐車状況を評価するための予測フレームワークとして提示する。このフレームワークは、トラックの駐車場所分布と歴史的駐車データのトポロジカルな構造を利用して、州全体での占有率を予測する。評価結果は,提案モデルが他のベースラインモデルを上回る結果となり,元のモデルと比較して20%以上性能が向上したことを示している。
参考スコア（独自算出の注目度）: 16.20279799290392
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Truck parking on freight corridors faces various challenges, such as insufficient parking spaces and compliance with Hour-of-Service (HOS) regulations. These constraints often result in unauthorized parking practices, causing safety concerns. To enhance the safety of freight operations, providing accurate parking usage prediction proves to be a cost-effective solution. Despite the existing research demonstrating satisfactory accuracy for predicting individual truck parking site usage, few approaches have been proposed for predicting usage with spatial dependencies of multiple truck parking sites. We present the Regional Temporal Graph Neural Network (RegT-GCN) as a predictive framework for assessing parking usage across the entire state to provide better truck parking information and mitigate unauthorized parking. The framework leverages the topological structures of truck parking site distributions and historical parking data to predict occupancy rates across a state. To achieve this, we introduce a Regional Decomposition approach, which effectively captures the geographical characteristics. We also introduce the spatial module working efficiently with the temporal module. Evaluation results demonstrate that the proposed model surpasses other baseline models, improving the performance by more than $20\%$ compared with the original model. The proposed model allows truck parking sites' percipience of the topological structures and provides higher performance.
Abstract（参考訳）: 貨物回廊のトラックの駐車は、駐車場の不足やHOS(Hour-of-Service)規制の遵守など、様々な課題に直面している。これらの制約は、しばしば無許可の駐車慣行を引き起こし、安全上の懸念を引き起こす。正確な駐車利用予測を提供して貨物運行の安全性を高めることは、コスト効率の良い解決策であることが証明される。個々の駐車場利用量の予測に十分な精度を示す既存の研究にもかかわらず、複数の駐車場の空間依存性を考慮した利用予測手法が提案されている。本稿では,地域時間グラフニューラルネットワーク(regt-gcn)を,州全体の駐車利用状況を評価するための予測枠組みとして提示し,トラックの駐車情報の向上と無許可駐車の緩和を図る。この枠組みは、トラックの駐車場所分布と歴史的な駐車データのトポロジー構造を利用して、州全体の占有率を予測する。そこで本研究では,地理的特徴を効果的に捉えた地域分割手法を提案する。また、時間モジュールと効率的に連携する空間モジュールについても紹介する。評価の結果,提案モデルは他のベースラインモデルを上回っており,従来のモデルと比較して20-%$以上性能が向上した。提案モデルにより,トラックの駐車地点のトポロジカルな構造を把握でき,高い性能が得られる。

関連論文リスト

Efficient Large-Scale Urban Parking Prediction: Graph Coarsening Based on Real-Time Parking Service Capability [7.5350858327743095]
本稿では,リアルタイムサービス機能を活用した大規模都市駐車場グラフの予測手法を提案する。大規模駐車データを効果的に処理するために,グラフ粗大化手法と時間畳み込みオートエンコーダを組み合わせる。本フレームワークは, それぞれ46.8%, 30.5%の精度向上と効率向上を実現している。
論文参考訳（メタデータ） (2024-10-05T03:54:25Z)
GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文参考訳（メタデータ） (2024-08-19T08:23:38Z)
Smart Camera Parking System With Auto Parking Spot Detection [1.0512475026060208]
PakStaと呼ばれる新しい手法で駐車場の状態を自動識別する。本手法はPakLocのオブジェクト検出器を用いて,ビデオフレーム内の駐車場の占有状況を同時に判定する。提案手法がPKLotデータセットに与える影響は, 人的労働力の94.25%を大幅に削減する結果となった。
論文参考訳（メタデータ） (2024-07-07T19:00:11Z)
Leverage Multi-source Traffic Demand Data Fusion with Transformer Model for Urban Parking Prediction [4.672121078249809]
本研究では,空間時間深層学習とマルチソースデータ融合を組み合わせた駐車予測フレームワークを提案する。このフレームワークは、時空間深層学習モデルとしてのTransformerに基づいている。実世界の実証データを用いて,提案手法の有効性を検証した。
論文参考訳（メタデータ） (2024-05-02T07:28:27Z)
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)
Beyond Prediction: On-street Parking Recommendation using Heterogeneous Graph-based List-wise Ranking [18.08128929432942]
我々はまず,ドライバーに駐車スペースを直接推薦する,路上駐車推奨(OPR)タスクを提案する。我々はESGraphと呼ばれる高効率なヘテロジニアスグラフを設計し、歴史的かつリアルタイムなメーターのターンオーバーイベントを表現する。さらにランキングモデルを用いて、ランキングされた駐車場のリストを推薦するスコア関数を学習する。
論文参考訳（メタデータ） (2023-04-29T03:59:35Z)
Parking Analytics Framework using Deep Learning [1.4146420810689422]
本稿では,自動車の駐車状況をリアルタイムで把握し,その利用状況を分析する手法を提案する。このソリューションは、画像解析とディープラーニング技術の組み合わせに基づいている。
論文参考訳（メタデータ） (2022-03-15T11:16:59Z)
Dynamic Price of Parking Service based on Deep Learning [68.8204255655161]
都市部における空気質の向上は、公共団体の主な関心事の一つである。この懸念は、大気の質と公衆衛生の間の証拠から生じる。規制された駐車場サービスにおける動的価格の提案について述べる。
論文参考訳（メタデータ） (2022-01-11T20:31:35Z)
Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
論文参考訳（メタデータ） (2021-08-25T18:24:34Z)
Deep Multi-Task Learning for Joint Localization, Perception, and Prediction [68.50217234419922]
本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。我々は,認識,予測,局所化を共同で行うシステムの設計を行う。本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
論文参考訳（メタデータ） (2021-01-17T17:20:31Z)
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。