論文の概要: Deep Learning Methods for Adjusting Global MFD Speed Estimations to Local Link Configurations

• arxiv url: http://arxiv.org/abs/2405.14257v1
• Date: Thu, 23 May 2024 07:37:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 18:24:17.579606
• Title: Deep Learning Methods for Adjusting Global MFD Speed Estimations to Local Link Configurations
• Title（参考訳）: 局所リンク構成に対するグローバルMFD速度推定調整のための深層学習手法
• Authors: Zhixiong Jin, Dimitrios Tsitsokas, Nikolas Geroliminis, Ludovic Leclercq,
• Abstract要約: 本研究では,MFDに基づくネットワーク平均速度とネットワーク構成を統合し,リンクの個々の速度を正確に推定するローカル補正係数(LCF)を提案する。 ネットワークの空間的構成と時間的ダイナミクスの両方をキャプチャするために、新しいディープラーニングフレームワークを使用します。 本モデルは,集約モデルの計算的利点を保ちながら,リンクレベルの交通速度推定の精度を向上させる。
• 参考スコア（独自算出の注目度）: 4.2185937778110825
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In large-scale traffic optimization, models based on Macroscopic Fundamental Diagram (MFD) are recognized for their efficiency in broad analyses. However, they fail to reflect variations in the individual traffic status of each road link, leading to a gap in detailed traffic optimization and analysis. To address the limitation, this study introduces a Local Correction Factor (LCF) that a function integrates MFD-derived network mean speed with network configurations to accurately estimate the individual speed of the link. We use a novel deep learning framework combining Graph Attention Networks (GATs) with Gated Recurrent Units (GRUs) to capture both spatial configurations and temporal dynamics of the network. Coupled with a strategic network partitioning method, our model enhances the precision of link-level traffic speed estimations while preserving the computational benefits of aggregate models. In the experiment, we evaluate the proposed LCF through various urban traffic scenarios, including different demand levels, origin-destination distributions, and road configurations. The results show the robust adaptability and effectiveness of the proposed model. Furthermore, we validate the practicality of our model by calculating the travel time of each randomly generated path, with the average error relative to MFD-based results being reduced to approximately 76%.
• Abstract（参考訳）: 大規模交通最適化では, マクロ的基本図(MFD)に基づくモデルが, 広範囲な解析において, その効率性を認識している。 しかし、各道路リンクの個々の交通状況の変化を反映できず、詳細な交通最適化と分析のギャップが生じる。 本研究は,MFDに基づくネットワーク平均速度をネットワーク構成と統合し,リンクの個々の速度を正確に推定する局所補正係数(LCF)を提案する。 我々は、グラフ注意ネットワーク(GAT)とGRU(Gated Recurrent Units)を組み合わせた新しいディープラーニングフレームワークを用いて、ネットワークの空間的構成と時間的ダイナミクスの両方をキャプチャする。 戦略的なネットワーク分割手法と組み合わせて,集約モデルの計算的利点を保ちながら,リンクレベルのトラフィック速度推定の精度を向上させる。 実験では,異なる需要レベル,オリジン・デスティネーション分布,道路構成など,都市交通シナリオを通じて提案したLCFを評価した。 その結果,提案モデルの有効性と妥当性が示された。 さらに,MFDに基づく結果に対する平均誤差を約76%に削減し,ランダムに生成した経路の走行時間を計算することで,モデルの有効性を検証する。

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)
• Individualized Federated Learning for Traffic Prediction with Error Driven Aggregation [8.495633193471853]
  フェデレートラーニング(Federated Learning)は、トラフィック予測のための有望なテクニックとして登場した。 現在のFLTPフレームワークにはリアルタイムモデル更新スキームがない。 個人化されたリアルタイム・フェデレーション学習方式であるNeighborFLを提案する。
  論文  参考訳（メタデータ） (2024-07-17T00:42:47Z)
• Predicting Traffic Flow with Federated Learning and Graph Neural with Asynchronous Computations Network [0.0]
  我々はFLAGCN(Federated Learning and Asynchronous Graph Convolutional Networks)と呼ばれる新しいディープラーニング手法を提案する。 本フレームワークでは,リアルタイムトラフィックフロー予測の精度と効率を高めるために,非同期グラフ畳み込みネットワークとフェデレーション学習の原理を取り入れている。
  論文  参考訳（メタデータ） (2024-01-05T09:36:42Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• 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)
• Learning spatiotemporal features from incomplete data for traffic flow prediction using hybrid deep neural networks [0.28675177318965034]
  本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。 RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。 PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
  論文  参考訳（メタデータ） (2022-04-21T15:57:08Z)
• Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles [109.71532364079711]
  CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
  論文  参考訳（メタデータ） (2021-02-05T19:57:47Z)
• TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network for Traffic Flow Forecasting [41.87633457352356]
  本稿では,ネットワークのグローバル性と局所性に着目したニューラルネットワークモデルを提案する。 2つの実世界のデータセットの実験により、このモデルが交通データの空間的時間的相関を精査できることが示されている。
  論文  参考訳（メタデータ） (2020-11-30T09:21:43Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)
• Toward fast and accurate human pose estimation via soft-gated skip connections [97.06882200076096]
  本稿では,高精度かつ高効率な人間のポーズ推定について述べる。 我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。 本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-25T18:51:51Z)

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。