論文の概要: Truck Parking Usage Prediction with Decomposed Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2401.12920v2
- Date: Mon, 12 Aug 2024 20:33:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-14 23:04:59.193017
- Title: Truck Parking Usage Prediction with Decomposed Graph Neural Networks
- Title(参考訳): 分割グラフニューラルネットワークによるトラック駐車利用予測
- Authors: Rei Tamaru, Yang Cheng, Steven Parker, Ernie Perry, Bin Ran, Soyoung Ahn,
- Abstract要約: 貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。
正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。
本稿では地域時間グラフニューラルネットワーク(RegT-CN)を提案する。
- 参考スコア(独自算出の注目度): 15.291200515217513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Truck parking on freight corridors faces the major challenge of insufficient parking spaces. This is exacerbated by the Hour-of-Service (HOS) regulations, which often result in unauthorized parking practices, causing safety concerns. It has been shown that providing accurate parking usage prediction can be a cost-effective solution to reduce unsafe parking practices. In light of this, existing studies have developed various methods to predict the usage of a truck parking site and have demonstrated satisfactory accuracy. However, these studies focus on a single parking site, and few approaches have been proposed to predict the usage of multiple truck parking sites considering spatio-temporal dependencies, due to the lack of data. This paper aims to fill this gap and presents the Regional Temporal Graph Neural Network (RegT-GCN) to predict parking usage across the entire state to provide more comprehensive truck parking information. The framework leverages the topological structures of truck parking site locations and historical parking data to predict the occupancy rate considering spatio-temporal dependencies across a state. To achieve this, we introduce a Regional Decomposition approach, which effectively captures the geographical characteristics of the truck parking locations and their spatial correlations. Evaluation results demonstrate that the proposed model outperforms other baseline models, improving performance by more than 20%.
- Abstract(参考訳): 貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。
これは、HOS(Hour-of-Service)規制によって悪化し、しばしば許可されていない駐車慣行を引き起こし、安全上の懸念を引き起こす。
正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。
これを踏まえ、既存の研究では、トラックの駐車場所の使用を予測するための様々な手法を開発し、良好な精度を示してきた。
しかし、これらの研究は1つの駐車場に焦点をあてており、データ不足のため、時空間依存を考慮した複数のトラック駐車施設の利用を予測するためのアプローチがいくつか提案されている。
本稿では,このギャップを埋めることを目的とした地域時間グラフニューラルネットワーク(RegT-GCN)を提案する。
このフレームワークは、トラックの駐車場所と歴史的駐車データのトポロジ的構造を利用して、州全体の時空間依存性を考慮した占有率を予測する。
そこで本研究では,トラックの駐車場所の地理的特徴とその空間的相関を効果的に把握する地域分割手法を提案する。
評価結果は,提案モデルが他のベースラインモデルより優れており,性能が20%以上向上していることを示している。
関連論文リスト
- A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
軌道予測は、自動運転車における計画の安全性と効率に不可欠である。
現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。
本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
論文 参考訳(メタデータ) (2024-11-29T14:47:08Z) - Efficient Large-Scale Urban Parking Prediction: Graph Coarsening Based on Real-Time Parking Service Capability [9.760334115507055]
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) - 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。