論文の概要: A rapid approach to urban traffic noise mapping with a generative adversarial network

• arxiv url: http://arxiv.org/abs/2405.13227v1
• Date: Tue, 21 May 2024 22:28:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-25 01:53:42.520512
• Title: A rapid approach to urban traffic noise mapping with a generative adversarial network
• Title（参考訳）: 生成的対向ネットワークを用いた都市交通騒音マッピングの迅速化
• Authors: Xinhao Yang, Zhen Han, Xiaodong Lu, Yuan Zhang,
• Abstract要約: 本研究では,GANを代理モデルとして利用する都市交通騒音の高速マッピング手法を開発した。 提案手法は,道路や建物などの都市要素を入力として,都市交通騒音分布の迅速評価を可能にする。 トレーニングされたモデルはGrasshopperにツールとして統合され、トラフィックノイズマップの迅速な生成を容易にする。
• 参考スコア（独自算出の注目度）: 14.699466136380847
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With rapid urbanisation and the accompanying increase in traffic density, traffic noise has become a major concern in urban planning. However, traditional grid noise mapping methods have limitations in terms of time consumption, software costs, and a lack of parameter integration interfaces. These limitations hinder their ability to meet the need for iterative updates and rapid performance feedback in the early design stages of street-scale urban planning. Herein, we developed a rapid urban traffic noise mapping technique that leverages generative adversarial networks (GANs) as a surrogate model. This approach enables the rapid assessment of urban traffic noise distribution by using urban elements such as roads and buildings as the input. The mean values for the mean squared error (MSE) and structural similarity index (SSIM) are 0.0949 and 0.8528, respectively, for the validation dataset. Hence, our prediction accuracy is on par with that of conventional prediction software. Furthermore, the trained model is integrated into Grasshopper as a tool, facilitating the rapid generation of traffic noise maps. This integration allows urban designers and planners, even those without expertise in acoustics, to easily anticipate changes in acoustics impacts caused by design.
• Abstract（参考訳）: 急速な都市化と交通密度の増加に伴い、交通騒音は都市計画において大きな関心事となっている。 しかし、従来のグリッドノイズマッピング手法には、時間消費、ソフトウェアコスト、パラメータ統合インタフェースの欠如といった制限がある。 これらの制限は、街路規模の都市計画の初期段階において、反復的な更新と迅速なパフォーマンスフィードバックの必要性を満たす能力を妨げている。 そこで我々は,GANを代理モデルとして利用する都市交通騒音の高速マッピング手法を開発した。 提案手法は,道路や建物などの都市要素を入力として,都市交通騒音分布の迅速評価を可能にする。 平均二乗誤差(MSE)と構造類似度指数(SSIM)はそれぞれ0.0949と0.8528である。 したがって、予測精度は従来の予測ソフトウェアと同等である。 さらに、トレーニングされたモデルはGrasshopperにツールとして統合され、交通騒音マップの迅速な生成を容易にする。 この統合により、都市設計者やプランナーは、音響学の専門知識のない者でも、設計による音響への影響を簡単に予測できる。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• LoRaWAN Based Dynamic Noise Mapping with Machine Learning for Urban Noise Enforcement [8.010966370223985]
  広域にわたる長期騒音レベルを示す静的騒音マップは、自治体にとって貴重な都市計画資産である。 過渡的な振る舞いを頻繁に訴える非交通ノイズ源は、通常静的マップによって無視される。 本稿では,低消費電力広帯域ネットワーク(LPWAN)ベースのモノのインターネット(IoT)インフラストラクチャを用いて収集したデータを用いた動的ノイズマッピング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-30T21:40:12Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• 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)
• 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)
• FastFlow: AI for Fast Urban Wind Velocity Prediction [0.0]
  高忠実度数値シミュレーションにより典型的に行われる都市レイアウトのキャラクタリゼーションにおけるCNNの利用について述べる。 このモデルを,データ駆動型歩行者風速予測のための実用性の最初の実証に応用する。
  論文  参考訳（メタデータ） (2022-11-22T06:13:48Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• STformer: A Noise-Aware Efficient Spatio-Temporal Transformer Architecture for Traffic Forecasting [7.230415327436048]
  本稿では,STformer という,交通予測の精度向上を目的とした新しいノイズ認識型リアルタイムアーキテクチャを提案する。 STformer はノイズ認識時空間自己アテンション (NATSA) とグラフベーススパース空間自己アテンション (GBS3A) の2つのコンポーネントから構成される。 4つの実世界のトラフィックデータセットの実験により、STformerは計算コストを下げて最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2021-12-06T02:17:39Z)
• 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)
• Traffic Modelling and Prediction via Symbolic Regression on Road Sensor Data [0.8602553195689513]
  本稿では,ラグ演算子により強化されたシンボル回帰に基づく,新しいかつ正確な交通流予測手法を提案する。 提案手法は都市道路の複雑度に適したロバストモデルであり,高速道路よりも予測が困難である。
  論文  参考訳（メタデータ） (2020-02-14T16:03:04Z)

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。

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。