論文の概要: An Attention-Based Multi-Context Convolutional Encoder-Decoder Neural Network for Work Zone Traffic Impact Prediction
- arxiv url: http://arxiv.org/abs/2405.21045v1
- Date: Fri, 31 May 2024 17:38:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 13:19:30.813700
- Title: An Attention-Based Multi-Context Convolutional Encoder-Decoder Neural Network for Work Zone Traffic Impact Prediction
- Title（参考訳）: ワークゾーン交通影響予測のためのアテンションベースマルチコンテキスト畳み込みエンコーダ・デコーダニューラルネットワーク
- Authors: Qinhua Jiang, Xishun Liao, Yaofa Gong, Jiaqi Ma,
- Abstract要約: ワークゾーンは、非リカレント交通渋滞や道路事故の主な原因の1つである。
多様なプラットフォームからのワークゾーンとトラフィックデータの利用を向上させるデータ統合パイプラインを提案する。
計画された作業ゾーンイベントにおける交通速度と事故発生確率を予測するための新しい深層学習モデルを提案する。
- 参考スコア（独自算出の注目度）: 6.14400858731508
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Work zone is one of the major causes of non-recurrent traffic congestion and road incidents. Despite the significance of its impact, studies on predicting the traffic impact of work zones remain scarce. In this paper, we propose a data integration pipeline that enhances the utilization of work zone and traffic data from diversified platforms, and introduce a novel deep learning model to predict the traffic speed and incident likelihood during planned work zone events. The proposed model transforms traffic patterns into 2D space-time images for both model input and output and employs an attention-based multi-context convolutional encoder-decoder architecture to capture the spatial-temporal dependencies between work zone events and traffic variations. Trained and validated on four years of archived work zone traffic data from Maryland, USA, the model demonstrates superior performance over baseline models in predicting traffic speed, incident likelihood, and inferred traffic attributes such as queue length and congestion timings (i.e., start time and duration). Specifically, the proposed model outperforms the baseline models by reducing the prediction error of traffic speed by 5% to 34%, queue length by 11% to 29%, congestion timing by 6% to 17%, and increasing the accuracy of incident predictions by 5% to 7%. Consequently, this model offers substantial promise for enhancing the planning and traffic management of work zones.
- Abstract（参考訳）: ワークゾーンは、非リカレント交通渋滞や道路事故の主な原因の1つである。
影響の重要性にもかかわらず、ワークゾーンの交通影響を予測する研究はほとんど残っていない。
本稿では、多様なプラットフォームからのワークゾーンとトラフィックデータの利用を向上させるデータ統合パイプラインを提案し、計画されたワークゾーンイベントにおけるトラフィック速度とインシデント確率を予測するための新しいディープラーニングモデルを提案する。
提案モデルでは,交通パターンをモデル入力と出力の両方で2次元の時空間画像に変換し,ワークゾーンイベントとトラフィック変動の時空間依存性を捉えるために,アテンションベースのマルチコンテキスト畳み込みエンコーダ・デコーダアーキテクチャを用いる。
米国メリーランドの4年間のアーカイブされたワークゾーン交通データに基づいて、このモデルは、トラフィック速度、インシデント可能性、待ち行列の長さや混雑タイミング(開始時間と継続時間)などの推定トラフィック特性を予測する上で、ベースラインモデルよりも優れた性能を示す。
具体的には,トラフィック速度の予測誤差を5%から34%,待ち行列長を11%から29%,混雑タイミングを6%から17%,インシデント予測の精度を5%から7%に向上させることで,ベースラインモデルより優れている。
したがって、このモデルは、ワークゾーンの計画と交通管理を強化するための大きな約束を提供する。
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) - Accounting for Work Zone Disruptions in Traffic Flow Forecasting [2.124091149604821]
我々は、畳み込みグラフニューラルネットワークアーキテクチャの上に構築し、新しい道路作業ゾーンのためのグラフ畳み込みモデルを示す。
このモデルは、バージニア共和国のワークゾーンの存在下でのトラフィックを最小限に抑える2つのデータセットで評価される。
論文 参考訳（メタデータ） (2024-07-16T05:48:24Z) - Enhancing Traffic Flow Prediction using Outlier-Weighted AutoEncoders:
Handling Real-Time Changes [0.7614628596146602]
本稿では, Outlier Weighted Autoencoder Modeling (OWAM) フレームワークを紹介する。
OWAMは、自動エンコーダを用いて局所的な異常検出を行い、近隣の交通の影響を評価するために相関スコアを生成する。
この情報は、トラヒックモデルの性能を高め、効果的なリアルタイム更新をサポートする。
論文 参考訳（メタデータ） (2023-12-27T14:44:58Z) - 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) - A Graph and Attentive Multi-Path Convolutional Network for Traffic
Prediction [16.28015945020806]
本稿では,将来的な交通状況を予測するために,グラフおよび注意深いマルチパス畳み込みネットワーク(GAMCN)モデルを提案する。
我々のモデルは交通条件に影響を与える空間的要因と時間的要因に焦点を当てている。
予測精度は,予測誤差が最大18.9%,予測効率が23.4%である。
論文 参考訳（メタデータ） (2022-05-30T16:24:43Z) - Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel
Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
建設工事の影響下での交通速度予測モデルを提案する。
このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。
このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
論文 参考訳（メタデータ） (2021-10-04T16:07:37Z) - 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) - Spatial-Temporal Tensor Graph Convolutional Network for Traffic
Prediction [46.762437988118386]
本稿では,交通速度予測に対処する空間時間グラフ畳み込みネットワークを提案する。
計算負荷を軽減するために、タッカーテンソル分解を行い、テンソル畳み込みを導出する。
2つの実世界の交通速度データセットの実験は、従来の交通予測方法よりも効果的な方法を示しています。
論文 参考訳（メタデータ） (2021-03-10T15:28:07Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z) - Spatio-Temporal Point Processes with Attention for Traffic Congestion
Event Modeling [28.994426283738363]
本稿では,道路ネットワーク上での交通渋滞イベントをモデル化するための新しいフレームワークを提案する。
交通センサからのカウントデータと交通事故を報告した警察の報告を組み合わせることで、マルチモーダルデータを用いて、渋滞イベントに対する2種類のトリガー効果を捉えることを目指す。
ある場所での現在の交通渋滞は、将来の道路網の混雑を引き起こす可能性があり、交通事故は広範な交通渋滞を引き起こす可能性がある。
論文 参考訳（メタデータ） (2020-05-15T04:22:18Z) - 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。
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。