論文の概要: An Enhanced Analysis of Traffic Intelligence in Smart Cities Using Sustainable Deep Radial Function

• arxiv url: http://arxiv.org/abs/2402.09432v1
• Date: Wed, 24 Jan 2024 22:28:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-18 13:01:15.877421
• Title: An Enhanced Analysis of Traffic Intelligence in Smart Cities Using Sustainable Deep Radial Function
• Title（参考訳）: 持続的深層放射関数を用いたスマートシティにおける交通情報分析の強化
• Authors: Ayad Ghany Ismaeel, S.J. Jereesha Mary, C. Anitha, Jaganathan Logeshwaran, Sarmad Nozad Mahmood, Sameer Alani, and Akram H. Shather
• Abstract要約: 本稿では,ディープ・ラジアル・ベース・ファンクション(RBF)ネットワークを用いたスマートシティにおける交通インテリジェンス向上のための新しい戦略について述べる。 ディープRBFネットワークは、ディープラーニングの一般化と能力とラジアル基底関数の識別能力を組み合わせる。 提案手法は,ディープニューラルネットワークの階層構造を利用して,交通データの複雑な関係や非線形パターンを効果的に学習することができる。
• 参考スコア（独自算出の注目度）: 0.6282171844772422
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Smart cities have revolutionized urban living by incorporating sophisticated technologies to optimize various aspects of urban infrastructure, such as transportation systems. Effective traffic management is a crucial component of smart cities, as it has a direct impact on the quality of life of residents and tourists. Utilizing deep radial basis function (RBF) networks, this paper describes a novel strategy for enhancing traffic intelligence in smart cities. Traditional methods of traffic analysis frequently rely on simplistic models that are incapable of capturing the intricate patterns and dynamics of urban traffic systems. Deep learning techniques, such as deep RBF networks, have the potential to extract valuable insights from traffic data and enable more precise predictions and decisions. In this paper, we propose an RBF based method for enhancing smart city traffic intelligence. Deep RBF networks combine the adaptability and generalization capabilities of deep learning with the discriminative capability of radial basis functions. The proposed method can effectively learn intricate relationships and nonlinear patterns in traffic data by leveraging the hierarchical structure of deep neural networks. The deep RBF model can learn to predict traffic conditions, identify congestion patterns, and make informed recommendations for optimizing traffic management strategies by incorporating these rich and diverse data To evaluate the efficacy of our proposed method, extensive experiments and comparisons with real world traffic datasets from a smart city environment were conducted. In terms of prediction accuracy and efficiency, the results demonstrate that the deep RBF based approach outperforms conventional traffic analysis methods. Smart city traffic intelligence is enhanced by the model capacity to capture nonlinear relationships and manage large scale data sets.
• Abstract（参考訳）: スマートシティは、交通システムなどの都市インフラの様々な側面を最適化する高度な技術を導入し、都市生活に革命をもたらした。 効果的な交通管理は、住民や観光客の生活の質に直接影響するため、スマートシティにとって重要な要素である。 本稿では, ディープラジアルベース機能(RBF)ネットワークを活用し, スマートシティにおける交通インテリジェンス向上のための新たな戦略について述べる。 従来の交通分析手法は、都市交通システムの複雑なパターンやダイナミクスを捉えることができない単純なモデルにしばしば依存している。 深いRBFネットワークのようなディープラーニング技術は、交通データから貴重な洞察を抽出し、より正確な予測と決定を可能にする可能性がある。 本稿では,都市交通インテリジェンス向上のためのRBFに基づく手法を提案する。 深いRBFネットワークは、ディープラーニングの適応性と一般化能力と放射基底関数の識別能力を組み合わせる。 提案手法は,ディープニューラルネットワークの階層構造を利用して,トラヒックデータの複雑な関係や非線形パターンを効果的に学習する。 深部RBFモデルでは,交通状況の予測,混雑パターンの同定,これらのリッチで多様なデータを取り入れて交通管理戦略を最適化するためのインフォームドレコメンデーションを学習し,提案手法の有効性を評価するため,スマートシティ環境からの実世界の交通データセットとの比較を行った。 予測精度と効率の面では、深いRBFに基づくアプローチが従来の交通分析手法より優れていることを示す。 スマートシティ交通インテリジェンスはモデル容量によって強化され、非線形関係を捉え、大規模データセットを管理する。

関連論文リスト

• Deep Heuristic Learning for Real-Time Urban Pathfinding [0.0]
  本稿では,交通や気象条件などのリアルタイムな文脈データを活用するディープラーニングモデルに,従来のアルゴリズムを変換することで,都市パスフィニングへの新たなアプローチを提案する。 本稿では,現在の環境条件に基づいて経路を動的に調整する拡張A*アルゴリズムと,過去のデータとライブデータを用いて次の最適経路セグメントを予測するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-07T00:22:04Z)
• Traffic Pattern Classification in Smart Cities Using Deep Recurrent Neural Network [0.519400993594577]
  本稿では,ディープリカレントニューラルネットワークに基づく交通パターン分類手法を提案する。 提案モデルでは、畳み込み層と繰り返し層を組み合わせて、トラフィックパターンデータから特徴を抽出する。 その結果,提案モデルは,95%の精度でスマートシティの交通パターンを正確に分類できることがわかった。
  論文  参考訳（メタデータ） (2024-01-24T20:24:32Z)
• Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank [15.123457772023238]
  交通パターンバンク(TPB)を用いた都市間交通予測フレームワークを提案する。 TPBは、訓練済みのトラフィックパッチエンコーダを使用して、データ豊富な都市からの生のトラフィックデータを高次元空間に投影する。 隣接行列は、下流の時空間モデルで将来のトラフィックを予測するために構成される。
  論文  参考訳（メタデータ） (2023-08-17T13:29:57Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
  トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。 先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。 本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
  論文  参考訳（メタデータ） (2023-06-05T01:01:12Z)
• Building Transportation Foundation Model via Generative Graph Transformer [12.660129805049664]
  本稿では,交通シミュレーションの原理を交通予測に統合した交通基盤モデル(TFM)を提案する。 TFMは、移動系アクターの参加行動と相互作用を捉えるために、グラフ構造と動的グラフ生成アルゴリズムを使用する。 このデータ駆動・モデルフリーシミュレーション手法は、構造的複雑性とモデル精度の観点から、従来のシステムで直面する課題に対処する。
  論文  参考訳（メタデータ） (2023-05-24T07:34:15Z)
• Traffic Management of Autonomous Vehicles using Policy Based Deep Reinforcement Learning and Intelligent Routing [0.26249027950824505]
  本稿では,交差点の混雑状況に応じて交通信号を調整するDRLに基づく信号制御システムを提案する。 交差点の後方の道路での渋滞に対処するため,道路ネットワーク上で車両のバランスをとるために再ルート手法を用いた。
  論文  参考訳（メタデータ） (2022-06-28T02:46:20Z)
• 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)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• 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)
• 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。