Fugu-MT 論文翻訳(概要): Deploying scalable traffic prediction models for efficient management in real-world large transportation networks during hurricane evacuations

論文の概要: Deploying scalable traffic prediction models for efficient management in real-world large transportation networks during hurricane evacuations

arxiv url: http://arxiv.org/abs/2406.12119v1
Date: Mon, 17 Jun 2024 21:59:44 GMT
ステータス: 処理完了
システム内更新日: 2024-06-19 23:37:50.970203
Title: Deploying scalable traffic prediction models for efficient management in real-world large transportation networks during hurricane evacuations
Title（参考訳）: リアルタイム大規模交通ネットワークにおけるハリケーン避難時の効率的な管理のためのスケーラブルな交通予測モデルの構築
Authors: Qinhua Jiang, Brian Yueshuai He, Changju Lee, Jiaqi Ma,
Abstract要約: 本稿では,長期の混雑パターンと短期の速度パターンの両方を抽出する予測モデリングシステムを提案する。このフレームワークは、異質な人間の行動、限られた避難データ、ハリケーンイベントの不確実性によって引き起こされる問題に対処するために設計されている。ルイジアナ州の現実の交通予測システムで展開されたこのモデルは,長期的混雑状態を予測する上で,82%の精度を達成した。
参考スコア（独自算出の注目度）: 5.240024206355563
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate traffic prediction is vital for effective traffic management during hurricane evacuation. This paper proposes a predictive modeling system that integrates Multilayer Perceptron (MLP) and Long-Short Term Memory (LSTM) models to capture both long-term congestion patterns and short-term speed patterns. Leveraging various input variables, including archived traffic data, spatial-temporal road network information, and hurricane forecast data, the framework is designed to address challenges posed by heterogeneous human behaviors, limited evacuation data, and hurricane event uncertainties. Deployed in a real-world traffic prediction system in Louisiana, the model achieved an 82% accuracy in predicting long-term congestion states over a 6-hour period during a 7-day hurricane-impacted duration. The short-term speed prediction model exhibited Mean Absolute Percentage Errors (MAPEs) ranging from 7% to 13% across evacuation horizons from 1 to 6 hours. Evaluation results underscore the model's potential to enhance traffic management during hurricane evacuations, and real-world deployment highlights its adaptability and scalability in diverse hurricane scenarios within extensive transportation networks.
Abstract（参考訳）: ハリケーン避難時の交通管理には正確な交通予測が不可欠である。本稿では,MLP(Multilayer Perceptron)モデルとLSTM(Long-Short Term Memory)モデルを統合した予測モデリングシステムを提案する。収集された交通データ,時空間道路網情報,ハリケーン予測データなど,さまざまな入力変数を活用することで,異種人の行動,限られた避難データ,ハリケーンイベントの不確実性といった課題に対処する。ルイジアナ州の現実の交通予測システムで展開されたこのモデルは、7日間のハリケーンの影響を受けた期間に6時間にわたって長期の渋滞状態を予測する精度を82%達成した。短期速度予測モデルでは1時間から6時間にわたる避難地平地を7%から13%の範囲で平均絶対パーセンテージ誤差(MAPEs)を示した。評価結果は、ハリケーン避難時の交通管理を強化するモデルの可能性を強調し、実際の展開は、広範な交通ネットワーク内の多様なハリケーンシナリオにおける適応性とスケーラビリティを強調している。

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)
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)
An Attention-Based Multi-Context Convolutional Encoder-Decoder Neural Network for Work Zone Traffic Impact Prediction [6.14400858731508]
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。
論文参考訳（メタデータ） (2024-05-31T17:38:49Z)
A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
交通流予測のための多チャンネル時空間変圧器モデルを提案する。トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。 6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
論文参考訳（メタデータ） (2024-05-10T06:37:07Z)
Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。本研究では,都市におけるモビリティ予測の新たな視点について紹介する。都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文参考訳（メタデータ） (2023-12-04T07:39:05Z)
Phased Deep Spatio-temporal Learning for Highway Traffic Volume Prediction [3.8277254030074537]
3つのフェーズで日当たりの交通量を予測するために,深部時間学習法を提案する。決定段階では、来日ネットワーク全体の料金所でのトラフィック量が効果的に達成される。
論文参考訳（メタデータ） (2023-08-11T14:33:20Z)
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 Deep Learning Approach for Network-wide Dynamic Traffic Prediction during Hurricane Evacuation [1.3706331473063877]
本稿では,ネットワーク規模で避難トラフィックを予測するための新しいデータ駆動手法を提案する。ハリケーン避難のネットワーク力学を学習するための動的グラフ畳み込みLSTM(DGCN-LSTM)モデルを開発した。
論文参考訳（メタデータ） (2022-02-25T05:40:24Z)
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)
An Effective Dynamic Spatio-temporal Framework with Multi-Source Information for Traffic Prediction [0.22940141855172028]
提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3～7%向上する。実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3～7%向上した。
論文参考訳（メタデータ） (2020-05-08T14:23:52Z)
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。