Fugu-MT 論文翻訳(概要): Probabilistic Image-Driven Traffic Modeling via Remote Sensing

論文の概要: Probabilistic Image-Driven Traffic Modeling via Remote Sensing

arxiv url: http://arxiv.org/abs/2403.05521v2
Date: Thu, 18 Jul 2024 16:35:23 GMT
ステータス: 処理完了
システム内更新日: 2024-07-19 21:21:41.882994
Title: Probabilistic Image-Driven Traffic Modeling via Remote Sensing
Title（参考訳）: リモートセンシングによる確率的画像駆動交通モデリング
Authors: Scott Workman, Armin Hadzic,
Abstract要約: 都市交通モデルの構築に使用できるマルチモーダル・マルチタスクトランスフォーマーに基づくセグメンテーションアーキテクチャを提案する。そこで我々は,Dynamic Traffic Speedsベンチマークデータセットを用いて提案手法を広範囲に評価し,現状を著しく改善した。
参考スコア（独自算出の注目度）: 8.234589405189187
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work addresses the task of modeling spatiotemporal traffic patterns directly from overhead imagery, which we refer to as image-driven traffic modeling. We extend this line of work and introduce a multi-modal, multi-task transformer-based segmentation architecture that can be used to create dense city-scale traffic models. Our approach includes a geo-temporal positional encoding module for integrating geo-temporal context and a probabilistic objective function for estimating traffic speeds that naturally models temporal variations. We evaluate our method extensively using the Dynamic Traffic Speeds (DTS) benchmark dataset and significantly improve the state-of-the-art. Finally, we introduce the DTS++ dataset to support mobility-related location adaptation experiments.
Abstract（参考訳）: 本稿では,画像から時空間の交通パターンを直接モデル化する作業について述べる。都市交通モデルの構築に使用可能なマルチモーダル・マルチタスクトランスフォーマーベースのセグメンテーションアーキテクチャを導入する。提案手法は、時空間コンテキストを統合する時空間位置符号化モジュールと、時空間変動を自然にモデル化する交通速度を推定する確率的目的関数を含む。提案手法は,DTS(Dynamic Traffic Speeds)ベンチマークデータセットを用いて広範に評価し,現状を著しく改善する。最後に、移動性に関連する位置適応実験をサポートするために、DTS++データセットを導入する。

関連論文リスト

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)
Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文参考訳（メタデータ） (2023-12-07T18:53:27Z)
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)
TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文参考訳（メタデータ） (2023-03-07T18:28:41Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。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） (2023-01-19T08:42:40Z)
Multi View Spatial-Temporal Model for Travel Time Estimation [14.591364075326984]
時空間と軌跡の依存性を捉えるためのマルチビュー時空間モデル(MVSTM)を提案する。具体的には,空間ビューのモデル化にGraph2vec,軌跡ビューのモデル化にデュアルチャネル時間モジュール,トラフィックセマンティクスのモデル化に構造埋め込みを用いる。大規模タクシー軌道データを用いた実験により,本手法は新規手法よりも有効であることが示された。
論文参考訳（メタデータ） (2021-09-15T16:11:18Z)
Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。注目重量行列を解析すれば道路網の影響力のある部分を見つけられる交通網をよりよく学べる
論文参考訳（メタデータ） (2021-04-12T02:29:58Z)
Dynamic Traffic Modeling From Overhead Imagery [35.5820716257079]
本稿では,畳み込みニューラルネットワークを用いた交通速度の動的マップ生成手法を提案する。モデルをトレーニングするために、ニューヨーク市から収集した過去のトラフィックデータを活用する。
論文参考訳（メタデータ） (2020-12-18T21:48:03Z)
TAM: Temporal Adaptive Module for Video Recognition [60.83208364110288]
時間適応モジュール(bf TAM)は、自身の特徴マップに基づいてビデオ固有の時間カーネルを生成する。 Kinetics-400およびSomethingデータセットの実験は、我々のTAMが他の時間的モデリング手法より一貫して優れていることを示した。
論文参考訳（メタデータ） (2020-05-14T08:22:45Z)
Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
論文参考訳（メタデータ） (2020-01-21T12:52:58Z)
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。