論文の概要: TrafficGPT: Towards Multi-Scale Traffic Analysis and Generation with Spatial-Temporal Agent Framework

• arxiv url: http://arxiv.org/abs/2405.05985v1
• Date: Wed, 8 May 2024 07:48:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-13 17:45:54.518440
• Title: TrafficGPT: Towards Multi-Scale Traffic Analysis and Generation with Spatial-Temporal Agent Framework
• Title（参考訳）: TrafficGPT:時空間エージェントフレームワークによるマルチスケールトラフィック分析と生成を目指して
• Authors: Jinhui Ouyang, Yijie Zhu, Xiang Yuan, Di Wu,
• Abstract要約: 我々は3つのAIエージェントを用いてマルチスケールトラフィックデータを処理するマルチスケールトラフィック生成システムであるTrafficGPTを設計した。 TrafficGPTは,1)ユーザと対話し,テキストを介して予測タスクを抽出するテキスト・ツー・デマンドエージェント,2)マルチスケールトラフィックデータを利用して時間的特徴と類似性を生成するトラフィック予測エージェント,3)予測結果を用いて提案や視覚化を行う提案・可視化エージェントの3つの重要なAIエージェントから構成される。
• 参考スコア（独自算出の注目度）: 3.947797359736224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The precise prediction of multi-scale traffic is a ubiquitous challenge in the urbanization process for car owners, road administrators, and governments. In the case of complex road networks, current and past traffic information from both upstream and downstream roads are crucial since various road networks have different semantic information about traffic. Rationalizing the utilization of semantic information can realize short-term, long-term, and unseen road traffic prediction. As the demands of multi-scale traffic analysis increase, on-demand interactions and visualizations are expected to be available for transportation participants. We have designed a multi-scale traffic generation system, namely TrafficGPT, using three AI agents to process multi-scale traffic data, conduct multi-scale traffic analysis, and present multi-scale visualization results. TrafficGPT consists of three essential AI agents: 1) a text-to-demand agent that is employed with Question & Answer AI to interact with users and extract prediction tasks through texts; 2) a traffic prediction agent that leverages multi-scale traffic data to generate temporal features and similarity, and fuse them with limited spatial features and similarity, to achieve accurate prediction of three tasks; and 3) a suggestion and visualization agent that uses the prediction results to generate suggestions and visualizations, providing users with a comprehensive understanding of traffic conditions. Our TrafficGPT system focuses on addressing concerns about traffic prediction from transportation participants, and conducted extensive experiments on five real-world road datasets to demonstrate its superior predictive and interactive performance
• Abstract（参考訳）: マルチスケール交通の正確な予測は、自動車所有者、道路管理者、政府にとって都市化プロセスにおけるユビキタスな課題である。 複雑な道路網の場合,様々な道路網が交通について異なる意味情報を持っているため,上流道路と下流道路の両方からの交通情報が重要となる。 セマンティック情報の利用の合理化は、短期的、長期的、そして目に見えない道路交通予測を実現することができる。 マルチスケール交通分析の需要が高まるにつれて、オンデマンドの対話や可視化が交通機関の参加者に提供されることが期待されている。 我々は,3つのAIエージェントを用いたマルチスケールトラフィック生成システムであるTrafficGPTを設計し,マルチスケールトラフィックデータを処理し,マルチスケールトラフィック解析を行い,マルチスケールビジュアライゼーション結果を示す。 TrafficGPTは3つの重要なAIエージェントから構成される。 1)質問&回答AIを用いてユーザと対話し,テキストを介して予測タスクを抽出するテキスト・ツー・デマンド・エージェント 2マルチスケールの交通データを利用して時間的特徴と類似性を生成し、空間的特徴と類似性を限定して融合させ、3つのタスクの正確な予測を実現する交通予測エージェント。 3)予測結果を用いて提案・視覚化を行い,交通状況の総合的な理解をユーザに提供する提案・可視化エージェント。 当社のTrafficGPTシステムは,交通機関参加者からの交通予測に関する懸念に対処することに注力し,その優れた予測的かつ対話的な性能を示すために,5つの実環境道路データセットの広範な実験を行った。

関連論文リスト

• xMTrans: Temporal Attentive Cross-Modality Fusion Transformer for Long-Term Traffic Prediction [3.08580339590996]
  本稿では,長期交通予測,すなわちxMTransに対する時間的注意型クロスモーダルトランスモデルを提案する。 我々は,実世界のデータセットを用いて,交通渋滞とタクシー需要予測に関する提案モデルを評価する実験を行った。
  論文  参考訳（メタデータ） (2024-05-08T06:29:26Z)
• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• Multi-scale Traffic Pattern Bank for Cross-city Few-shot Traffic Forecasting [15.123457772023238]
  本稿では,マルチスケール交通パターンバンクと呼ばれる都市間交通予測問題に対する解決策を提案する。 このフレームワークは高度なクラスタリング技術を用いて、マルチスケールのトラフィックパターンバンクを体系的に生成する。 実世界の交通データセットを用いた実証評価により,MTPBの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-02-01T07:33:31Z)
• Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
  本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。 本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
  論文  参考訳（メタデータ） (2023-08-20T14:31:55Z)
• 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)
• TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
  インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。 本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:12:17Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• 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)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Multi-modal Trajectory Prediction for Autonomous Driving with Semantic Map and Dynamic Graph Attention Network [12.791191495432829]
  現実の交通シナリオにおける軌道予測にはいくつかの課題がある。 目的や周囲に注意を払って交通をナビゲートする人々の自然な習慣に触発された本論文は,ユニークなグラフ注意ネットワークを示す。 ネットワークはエージェント間の動的社会的相互作用をモデル化し、セマンティックマップでトラフィックルールに適合するように設計されている。
  論文  参考訳（メタデータ） (2021-03-30T11:53:12Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)

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。