論文の概要: Scalable Learning of Segment-Level Traffic Congestion Functions

• arxiv url: http://arxiv.org/abs/2405.06080v2
• Date: Wed, 25 Sep 2024 16:50:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-09 02:41:28.067944
• Title: Scalable Learning of Segment-Level Traffic Congestion Functions
• Title（参考訳）: セグメントレベル交通渋滞関数のスケーラブル学習
• Authors: Shushman Choudhury, Abdul Rahman Kreidieh, Iveel Tsogsuren, Neha Arora, Carolina Osorio, Alexandre Bayen,
• Abstract要約: 本研究では,グローバルスケールおよびセグメントレベルの粒度で交通渋滞関数を識別するためのデータ駆動型フレームワークを提案する。 道路毎に異なるパラメータの集合を推定する手法とは対照的に,大都市圏のすべての道路を横断する単一のブラックボックス関数を学習する。
• 参考スコア（独自算出の注目度）: 40.26253453756835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose and study a data-driven framework for identifying traffic congestion functions (numerical relationships between observations of traffic variables) at global scale and segment-level granularity. In contrast to methods that estimate a separate set of parameters for each roadway, ours learns a single black-box function over all roadways in a metropolitan area. First, we pool traffic data from all segments into one dataset, combining static attributes with dynamic time-dependent features. Second, we train a feed-forward neural network on this dataset, which we can then use on any segment in the area. We evaluate how well our framework identifies congestion functions on observed segments and how it generalizes to unobserved segments and predicts segment attributes on a large dataset covering multiple cities worldwide. For identification error on observed segments, our single data-driven congestion function compares favorably to segment-specific model-based functions on highway roads, but has room to improve on arterial roads. For generalization, our approach shows strong performance across cities and road types: both on unobserved segments in the same city and on zero-shot transfer learning between cities. Finally, for predicting segment attributes, we find that our approach can approximate critical densities for individual segments using their static properties.
• Abstract（参考訳）: 本研究では,グローバルスケールにおける交通渋滞関数(交通変数の観測値間の数値関係)とセグメントレベルの粒度を同定するためのデータ駆動型フレームワークを提案する。 道路毎に異なるパラメータの集合を推定する手法とは対照的に,大都市圏のすべての道路を横断する単一のブラックボックス関数を学習する。 まず、すべてのセグメントからのトラフィックデータを1つのデータセットにまとめ、静的属性と動的時間依存の機能を組み合わせる。 次に、このデータセット上でフィードフォワードニューラルネットワークをトレーニングします。 我々は,観測されたセグメント上での混雑関数の同定と未観測セグメントへの一般化方法を評価し,世界中の複数の都市を対象とした大規模データセット上でセグメント属性を予測する。 観測されたセグメントの識別誤差については,道路におけるセグメント固有のモデルベース関数と比較して,単一のデータ駆動の渋滞関数が好ましいが,動脈道では改善の余地がある。 一般化のために,同市の未観測区間と都市間のゼロショット移動学習の両方において,都市と道路タイプ間で高い性能を示す。 最後に, セグメント属性の予測において, 静的特性を用いて各セグメントの臨界密度を近似できることを示す。

関連論文リスト

• SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
  オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。 本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。 履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T21:01:29Z)
• Traffic Scene Parsing through the TSP6K Dataset [109.69836680564616]
  高品質なピクセルレベルのアノテーションとインスタンスレベルのアノテーションを備えた,TSP6Kと呼ばれる特殊なトラフィック監視データセットを導入する。 データセットは、既存の運転シーンの何倍ものトラフィック参加者を持つ、より混雑した交通シーンをキャプチャする。 交通シーンの異なるセマンティック領域の詳細を復元するシーン解析のためのディテールリフィニングデコーダを提案する。
  論文  参考訳（メタデータ） (2023-03-06T02:05:14Z)
• A Semi-supervised Approach for Activity Recognition from Indoor Trajectory Data [0.822021749810331]
  協調生産環境において, 騒音の多い室内軌道データから移動物体の動作を分類する作業について検討する。 本稿では,まず情報理論の基準を適用し,長い軌道をセグメントに分割する半教師付き機械学習手法を提案する。 セグメントは制約付き階層的クラスタリング法に基づいて自動的にラベル付けされる。
  論文  参考訳（メタデータ） (2023-01-09T01:20:50Z)
• An Automated Analysis Framework for Trajectory Datasets [0.0]
  近年,自動走行車の安全性検証において,道路利用者の軌道データセットの重要性が高まっている。 10万以上のトラックを持ついくつかの自然主義的な軌道データセットがリリースされ、それに続くものもリリースされる。 この量のデータを考えると、これらのデータセットを奥行きで簡単に比較できる必要がある。
  論文  参考訳（メタデータ） (2022-02-12T10:55:53Z)
• Scaling up Multi-domain Semantic Segmentation with Sentence Embeddings [81.09026586111811]
  ゼロショット設定に適用した場合、最先端の教師付き性能を実現するセマンティックセマンティックセマンティクスへのアプローチを提案する。 これは各クラスラベルを、クラスを記述する短い段落のベクトル値の埋め込みに置き換えることによって達成される。 結果として得られた200万以上の画像の統合セマンティックセグメンテーションデータセットは、7つのベンチマークデータセット上の最先端の教師付きメソッドと同等のパフォーマンスを達成するモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-02-04T07:19:09Z)
• Rethinking Semantic Segmentation Evaluation for Explainability and Model Selection [12.786648212233116]
  地域ベースのオーバーおよびアンダーセグメンテーションを評価するための新しいメトリクスを紹介します。 分析して他のメトリクスと比較し、実世界のアプリケーションにおけるセマンティックセグメンテーションモデルのパフォーマンスをより説明しやすくなることを示す。
  論文  参考訳（メタデータ） (2021-01-21T03:12:43Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Universal Embeddings for Spatio-Temporal Tagging of Self-Driving Logs [72.67604044776662]
  我々は、生のセンサデータから、自動運転シーンの時間的タグ付けの問題に取り組む。 提案手法では,全てのタグに対する普遍的な埋め込みを学習し,多くの属性を効率的にタグ付けし,限られたデータで新しい属性を高速に学習する。
  論文  参考訳（メタデータ） (2020-11-12T02:18:16Z)
• Learning to Predict Context-adaptive Convolution for Semantic Segmentation [66.27139797427147]
  長距離コンテキスト情報は、高性能なセマンティックセグメンテーションを実現するために不可欠である。 空間的に変化する特徴重み付けベクトルを予測するためのコンテキスト適応畳み込みネットワーク(CaC-Net)を提案する。 当社のCaC-Netは,3つの公開データセット上でのセグメンテーション性能に優れています。
  論文  参考訳（メタデータ） (2020-04-17T13:09:17Z)
• Wise Sliding Window Segmentation: A classification-aided approach for trajectory segmentation [11.174536284571802]
  ワイズスライディングウィンドウ(WS-II)と呼ばれる教師付き軌道分割アルゴリズムを提案する。 WS-IIは軌道座標を処理し、空間と時間の変化を見つけ、エラー信号を生成する。 提案手法は,異なる領域の3つの実データに対して評価する。
  論文  参考訳（メタデータ） (2020-03-23T12:55:40Z)

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。