論文の概要: Estimating On-road Transportation Carbon Emissions from Open Data of
Road Network and Origin-destination Flow Data
- arxiv url: http://arxiv.org/abs/2402.05153v1
- Date: Wed, 7 Feb 2024 13:51:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-09 17:44:35.081535
- Title: Estimating On-road Transportation Carbon Emissions from Open Data of
Road Network and Origin-destination Flow Data
- Title（参考訳）: 道路網開放データと原位置流データからの道路交通炭素排出量の推定
- Authors: Jinwei Zeng and Yu Liu and Jingtao Ding and Jian Yuan and Yong Li
- Abstract要約: 我々は、オンロード二酸化炭素排出量推定(HENCE)のための階層的なグラフ学習法を構築した。
2つの大規模な実世界のデータセットの実験では、HENCEの有効性と、R-squared が 0.75 を超え、平均で 9.60% のベースラインを上回っていることが示されている。
- 参考スコア（独自算出の注目度）: 16.21501733814205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accounting for over 20% of the total carbon emissions, the precise estimation
of on-road transportation carbon emissions is crucial for carbon emission
monitoring and efficient mitigation policy formulation. However, existing
estimation methods typically depend on hard-to-collect individual statistics of
vehicle miles traveled to calculate emissions, thereby suffering from high data
collection difficulty. To relieve this issue by utilizing the strong pattern
recognition of artificial intelligence, we incorporate two sources of open data
representative of the transportation demand and capacity factors, the
origin-destination (OD) flow data and the road network data, to build a
hierarchical heterogeneous graph learning method for on-road carbon emission
estimation (HENCE). Specifically, a hierarchical graph consisting of the road
network level, community level, and region level is constructed to model the
multi-scale road network-based connectivity and travel connection between
spatial areas. Heterogeneous graphs consisting of OD links and spatial links
are further built at both the community level and region level to capture the
intrinsic interactions between travel demand and road network accessibility.
Extensive experiments on two large-scale real-world datasets demonstrate
HENCE's effectiveness and superiority with R-squared exceeding 0.75 and
outperforming baselines by 9.60% on average, validating its success in
pioneering the use of artificial intelligence to empower carbon emission
management and sustainability development. The implementation codes are
available at this link: https://github.com/tsinghua-fib-lab/HENCE.
- Abstract（参考訳）: 総炭素排出量の20%以上を占めるため、オンデマンド輸送炭素排出量の正確な推定は、二酸化炭素排出量のモニタリングと効率的な緩和政策の策定に不可欠である。
しかし、既存の推定手法は一般的に、走行距離の個人統計に頼り、排気量を計算し、データ収集の難しさに悩まされる。
人工知能の強力なパターン認識を活用することでこの問題を解消するため,輸送需要とキャパシティ要因を表すオープンデータ,オリジン・デスティネーション(OD)フローデータ,ロードネットワークデータという2つのソースを組み込んで,オンロード炭素排出量推定(HENCE)のための階層的ヘテロジニアスグラフ学習手法を構築した。
具体的には, 道路網レベル, コミュニティレベル, 地域レベルからなる階層グラフを構築し, 広域道路網ベースの接続と空間間の旅行接続をモデル化する。
交通需要と道路網のアクセシビリティーの本質的な相互作用を捉えるため,コミュニティレベルと地域レベルの両方でODリンクと空間リンクからなる不均一グラフを構築した。
2つの大規模な実世界のデータセットに対する大規模な実験は、HENCEの有効性と、R-squaredによる優位性が平均で0.75を超え、ベースラインを9.60%上回ることを示した。
実装コードは、https://github.com/tsinghua-fib-lab/hence。
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) - Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
本稿では,リンクレベルの自転車のボリュームをモデル化するために,グラフ畳み込みネットワークアーキテクチャを利用する最初の研究について述べる。
オーストラリア,メルボルン市全体での年間平均自転車数(AADB)を,Strava Metro の自転車数データを用いて推定した。
以上の結果から,GCNモデルは従来のAADB数予測モデルよりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-10-11T04:53:18Z) - IBB Traffic Graph Data: Benchmarking and Road Traffic Prediction Model [0.24999074238880487]
道路交通渋滞予測はインテリジェント交通システムにおいて重要な要素である。
IBB Traffic Graphデータセットは、2451の異なる場所で収集されたセンサーデータをカバーしている。
本稿では,機能工学を通して時間的リンクを強化する道路交通予測モデルを提案する。
論文 参考訳（メタデータ） (2024-08-02T05:23:19Z) - RCooper: A Real-world Large-scale Dataset for Roadside Cooperative Perception [8.145851017138618]
実世界の大規模RCooperデータセットを公開し、実用的な道路側協調認識の研究を華々しくする。
データセットは,2つの代表的なトラフィックシーンを含む,50kイメージと30kポイントのクラウドで構成されている。
構築されたベンチマークは、道路側協調認識の有効性を証明し、さらなる研究の方向性を示す。
論文 参考訳（メタデータ） (2024-03-15T09:44:02Z) - Deep Reinforcement Learning-based Intelligent Traffic Signal Controls
with Optimized CO2 emissions [6.851243292023835]
交通ネットワークは、人間の健康や環境に悪影響を及ぼし、交通渋滞に寄与する準最適制御政策の課題に直面している。
文献における適応的な信号制御装置はいくつかあるが、それらの比較性能について限定的な研究がなされている。
EcoLightは,CO2排出量を削減するだけでなく,旅行時間などの指標で競合する結果が得られる強化学習アルゴリズムの報酬形成手法である。
論文 参考訳（メタデータ） (2023-10-19T19:54:47Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - Estimating Link Flows in Road Networks with Synthetic Trajectory Data
Generation: Reinforcement Learning-based Approaches [7.369475193451259]
本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。
本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。
発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
論文 参考訳（メタデータ） (2022-06-26T13:14:52Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳（メタデータ） (2021-11-30T04:30:10Z) - 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) - Learning to Optimize Industry-Scale Dynamic Pickup and Delivery Problems [17.076557377480444]
動的ピックアップ・デリバリー問題 (DPDP) は、配送注文が事前に分かっていない場合のコストを最小限に抑えるため、複数のサイト間で車両を動的にスケジューリングすることを目的としている。
産業規模のDPDPを解決するために,データ駆動型空間時間支援ダブルグラフネットワーク(ST-DDGN)を提案する。
本手法は,ST-DDGNデータから隣接車両のリレーショナル表現を周期的に学習し,補正することが可能である。
論文 参考訳（メタデータ） (2021-05-27T01:16:00Z) - 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。