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
- 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) - Unlocking Carbon Reduction Potential with Reinforcement Learning for the
Three-Dimensional Loading Capacitated Vehicle Routing Problem [54.43397200631224]
効率を上げるためのソリューションとして、協調車両ルーティングが提案されている。
現在の運用研究手法は、問題の大きさを増大させる非線形スケーリングに悩まされている。
約線形時間で3次元負荷容量化車両ルーティング問題を解くための強化学習モデルを開発した。
論文 参考訳(メタデータ) (2023-07-22T18:05:28Z) - 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) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-03-17T00:28:33Z) - 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) - Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。
静的および動的駆動コンテキストを階層的にエンコードする。
提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
論文 参考訳(メタデータ) (2021-11-02T13:42:16Z) - 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) - Mining Topological Dependencies of Recurrent Congestion in Road Networks [0.8602553195689513]
本稿では,交通速度のアウトレイラに基づいて,道路網の連結部分グラフを最初に構築するアルゴリズムを提案する。
第二に、アルゴリズムはトラフィック負荷の挙動の時間的相関を示すサブグラフのペアを識別する。
第3に、同定された部分グラフをアルゴリズムによって決定されたスコアに基づいてランク付けする。
論文 参考訳(メタデータ) (2021-07-20T15:14:10Z) - 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。