論文の概要: Traffic estimation in unobserved network locations using data-driven
macroscopic models
- arxiv url: http://arxiv.org/abs/2401.17095v1
- Date: Tue, 30 Jan 2024 15:21:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 14:31:30.834862
- Title: Traffic estimation in unobserved network locations using data-driven
macroscopic models
- Title（参考訳）: データ駆動マクロモデルによる未観測ネットワーク位置のトラフィック推定
- Authors: Pablo Guarda, Sean Qian
- Abstract要約: 本稿では,自動交通カウンタとプローブ車両から収集したマクロモデルとマルチソースデータを利用して,これらの測定が不可能なリンクにおいて,交通流と走行時間を正確に推定する。
MaTEはマクロフロー理論に基礎を置いているため、全てのパラメータと変数は解釈可能である。
合成データを用いた実験により, サンプル外リンクの走行時間と交通流を正確に推定できることがわかった。
- 参考スコア（独自算出の注目度）: 2.3543188414616534
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper leverages macroscopic models and multi-source spatiotemporal data
collected from automatic traffic counters and probe vehicles to accurately
estimate traffic flow and travel time in links where these measurements are
unavailable. This problem is critical in transportation planning applications
where the sensor coverage is low and the planned interventions have
network-wide impacts. The proposed model, named the Macroscopic Traffic
Estimator (MaTE), can perform network-wide estimations of traffic flow and
travel time only using the set of observed measurements of these quantities.
Because MaTE is grounded in macroscopic flow theory, all parameters and
variables are interpretable. The estimated traffic flow satisfies fundamental
flow conservation constraints and exhibits an increasing monotonic relationship
with the estimated travel time. Using logit-based stochastic traffic assignment
as the principle for routing flow behavior makes the model fully differentiable
with respect to the model parameters. This property facilitates the application
of computational graphs to learn parameters from vast amounts of spatiotemporal
data. We also integrate neural networks and polynomial kernel functions to
capture link flow interactions and enrich the mapping of traffic flows into
travel times. MaTE also adds a destination choice model and a trip generation
model that uses historical data on the number of trips generated by location.
Experiments on synthetic data show that the model can accurately estimate
travel time and traffic flow in out-of-sample links. Results obtained using
real-world multi-source data from a large-scale transportation network suggest
that MaTE outperforms data-driven benchmarks, especially in travel time
estimation. The estimated parameters of MaTE are also informative about the
hourly change in travel demand and supply characteristics of the transportation
network.
- Abstract（参考訳）: 本稿では,自動トラヒックカウンタおよびプローブ車両から収集したマクロモデルと多源時空間データを用いて,これらの測定が利用できないリンク内のトラヒックフローと走行時間を正確に推定する。
この問題は、センサカバレッジが低く、計画された介入がネットワーク全体に影響を及ぼす輸送計画アプリケーションにおいて重要である。
提案手法はマクロトラヒック推定器 (mate) と呼ばれ, 観測された測定値のセットのみを用いて, トラヒックフローとトラヒックタイムのネットワークワイド推定を行うことができる。
MaTEはマクロフロー理論に基礎を置いているため、全てのパラメータと変数は解釈可能である。
推定トラフィックフローは, 基本流量の制約を満たすとともに, 推定走行時間とモノトニックな関係を示す。
ルーティングフローの挙動の原理としてロジットベースの確率的トラフィック割り当てを用いることで、モデルはモデルパラメータに関して完全に微分可能である。
この性質は、膨大な時空間データからパラメータを学習するための計算グラフの応用を促進する。
また,リンクフロー相互作用をキャプチャし,トラヒックフローの移動時間へのマッピングを強化するために,ニューラルネットワークと多項式カーネル関数を統合する。
MaTEはまた、目的地選択モデルと、位置情報によって生成された旅行数に関する履歴データを使用する旅行生成モデルも追加する。
合成データを用いた実験により, サンプル外リンクの走行時間と交通流を正確に推定できることがわかった。
大規模輸送ネットワークから実世界のマルチソースデータを用いて得られた結果は,特に旅行時間推定において,MaTEがデータ駆動ベンチマークより優れていることを示唆している。
mateの推定パラメータは、交通網の交通需要と供給特性の時間的変化についても有益である。
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) - Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。
FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。
時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
論文 参考訳（メタデータ） (2024-10-12T03:47:27Z) - Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。
本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-07-17T01:11:07Z) - Newell's theory based feature transformations for spatio-temporal
traffic prediction [0.0]
本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。
この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。
私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
論文 参考訳（メタデータ） (2023-07-12T06:31:43Z) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-10T02:22:33Z) - STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow
Prediction [0.40964539027092917]
本稿では,交通流を正確に予測する新しい交通予測モデルSTLGRUを提案する。
提案するSTLGRUは,交通ネットワークの局所的・大域的空間的関係を効果的に捉えることができる。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2022-12-08T20:24:59Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - 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) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - 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。