Fugu-MT 論文翻訳(概要): Informed along the road: roadway capacity driven graph convolution network for network-wide traffic prediction

論文の概要: Informed along the road: roadway capacity driven graph convolution network for network-wide traffic prediction

arxiv url: http://arxiv.org/abs/2406.13057v1
Date: Tue, 18 Jun 2024 21:04:23 GMT
ステータス: 処理完了
システム内更新日: 2024-06-22 00:08:09.768217
Title: Informed along the road: roadway capacity driven graph convolution network for network-wide traffic prediction
Title（参考訳）: 道路沿いのインフォームド:道路容量駆動グラフ畳み込みネットワークによる道路交通予測
Authors: Zilin Bian, Jingqin Gao, Kaan Ozbay, Fan Zuo, Dachuan Zuo, Zhenning Li,
Abstract要約: 本研究では,道路駆動グラフ畳み込みネットワーク(RCDGCN)モデルを導入し,静的キャパシティ特性を時間的設定に組み込んでネットワーク全体のトラフィック状態を予測する。その結果, RCDGCN の精度は, ベースライン法よりも優れていた。本研究は,交通システム管理にRCCGCNを用いることの可能性を示す。
参考スコア（独自算出の注目度）: 4.233357765212044
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While deep learning has shown success in predicting traffic states, most methods treat it as a general prediction task without considering transportation aspects. Recently, graph neural networks have proven effective for this task, but few incorporate external factors that impact roadway capacity and traffic flow. This study introduces the Roadway Capacity Driven Graph Convolution Network (RCDGCN) model, which incorporates static and dynamic roadway capacity attributes in spatio-temporal settings to predict network-wide traffic states. The model was evaluated on two real-world datasets with different transportation factors: the ICM-495 highway network and an urban network in Manhattan, New York City. Results show RCDGCN outperformed baseline methods in forecasting accuracy. Analyses, including ablation experiments, weight analysis, and case studies, investigated the effect of capacity-related factors. The study demonstrates the potential of using RCDGCN for transportation system management.
Abstract（参考訳）: 深層学習は交通状況の予測に成功しているが,ほとんどの手法では交通面を考慮せずに一般的な予測課題として扱う。近年、グラフニューラルネットワークがこのタスクに有効であることが証明されているが、道路の容量と交通流に影響を与える外部要因を組み込んだものはほとんどない。本研究では,道路容量駆動グラフ畳み込みネットワーク(RCDGCN)モデルを提案する。このモデルは、ICM-495ハイウェイネットワークとニューヨーク市マンハッタンの都市ネットワークという、異なる交通要因を持つ2つの実世界のデータセットで評価された。その結果, RCDGCN の精度は, ベースライン法よりも優れていた。アブレーション実験、重量分析、ケーススタディを含む分析は、容量関連因子の影響を調査した。本研究は,交通システム管理にRCCGCNを用いることの可能性を示す。

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)
FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning [1.4216957119562985]
本稿では,新しい帰納学習手法と一般化可能なGNNベースの予測モデルを導入する。実験の結果、最先端と比較して9.8%の性能改善が見られた。
論文参考訳（メタデータ） (2024-05-14T07:53:23Z)
A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文参考訳（メタデータ） (2024-03-11T16:42:29Z)
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)
TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T13:12:17Z)
RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文参考訳（メタデータ） (2022-07-16T12:40:17Z)
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)
Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文参考訳（メタデータ） (2022-03-08T09:46:50Z)
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)
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。