Fugu-MT 論文翻訳(概要): Trajectory Data Mining and Trip Travel Time Prediction on Specific Roads

論文の概要: Trajectory Data Mining and Trip Travel Time Prediction on Specific Roads

arxiv url: http://arxiv.org/abs/2407.07030v1
Date: Tue, 9 Jul 2024 16:50:15 GMT
ステータス: 処理完了
システム内更新日: 2024-07-10 17:17:48.513409
Title: Trajectory Data Mining and Trip Travel Time Prediction on Specific Roads
Title（参考訳）: 特定道路における軌道データマイニングとトリップ走行時間予測
Authors: Muhammad Awais Amin, Jawad-Ur-Rehman Chughtai, Waqar Ahmad, Waqas Haider Bangyal, Irfan Ul Haq,
Abstract要約: 我々は、浅い人工ニューラルネットワーク、深い多層パーセプトロン、長期記憶など、最先端のアプローチを用いて、頻繁な経路における旅行時間予測の問題を探る。実験の結果、パキスタンのイスラマバードの6つの最も頻繁なルートで10分から60分に及ぶ旅行で、平均予測誤差は30秒から1.2分であった。
参考スコア（独自算出の注目度）: 0.6441240098258653
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Predicting a trip's travel time is essential for route planning and navigation applications. The majority of research is based on international data that does not apply to Pakistan's road conditions. We designed a complete pipeline for mining trajectories from sensors data. On this data, we employed state-of-the-art approaches, including a shallow artificial neural network, a deep multi-layered perceptron, and a long-short-term memory, to explore the issue of travel time prediction on frequent routes. The experimental results demonstrate an average prediction error ranging from 30 seconds to 1.2 minutes on trips lasting 10 minutes to 60 minutes on six most frequent routes in regions of Islamabad, Pakistan.
Abstract（参考訳）: 旅行時間を予測することは、ルート計画やナビゲーションの用途に不可欠である。研究の大部分は、パキスタンの道路状況に当てはまらない国際的なデータに基づいている。センサデータから軌道を抽出するための完全なパイプラインを設計した。このデータでは,浅層人工ニューラルネットワーク,深層パーセプトロン,長期記憶などの最先端のアプローチを用いて,頻繁な経路における走行時間予測の問題を調査した。実験の結果、パキスタンのイスラマバードの6つの最も頻繁なルートで10分から60分に及ぶ旅行で、平均予測誤差は30秒から1.2分であった。

関連論文リスト

Multitask Weakly Supervised Learning for Origin Destination Travel Time Estimation [8.531695291898815]
本論文は,道路網とOD旅行時間とを組み合わせて推定し始める。現在の経路の共発生確率を最大化する新たな経路回復関数が提案されている。我々は、Xi'anとChengduで、幅広い現実世界のタクシーのデータセットの実験を行っている。
論文参考訳（メタデータ） (2023-01-13T00:11:56Z)
Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
論文参考訳（メタデータ） (2022-11-01T11:07:37Z)
Route to Time and Time to Route: Travel Time Estimation from Sparse Trajectories [7.602975042011819]
本稿では,スパースシナリオにおける旅行時間推定(TTE)と経路回復の問題を解決することを目的とする。我々は、この問題を、トレーニングデータが粗いラベルを持つ不正確な監督問題として定式化する。本稿では,推定経路の走行時間をEステップの弱い監督によって推定し,Mステップの走行時間に基づいて経路を抽出するEMアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-06-21T14:16:58Z)
ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。学習と計画を統合する学習に基づくアプローチを提案する。 ViKiNGは、画像ベースの学習コントローラを利用できる。
論文参考訳（メタデータ） (2022-02-23T02:14:23Z)
Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
論文参考訳（メタデータ） (2021-10-28T14:18:22Z)
An open GPS trajectory dataset and benchmark for travel mode detection [16.964416966517618]
我々は,旅行モード検出のためのベンチマークと旅行モードをマークしたGPSトラジェクトリデータセットを提案し,公開する。このデータセットは、日本の7人のボランティアによって収集され、全月をカバーしている。大規模GPSトラジェクトリデータセットにおける歩行と自転車の走行を区別するためのケーススタディも提供する。
論文参考訳（メタデータ） (2021-09-17T13:03:45Z)
Boosting Algorithms for Delivery Time Prediction in Transportation Logistics [2.147325264113341]
旅行時間の予測は郵便サービスの遅延を軽減できることを示す。光勾配ブースティングやカソーストなどのブースティングアルゴリズムは、精度と実行効率の点で高い性能を持つ。
論文参考訳（メタデータ） (2020-09-24T11:01:22Z)
Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文参考訳（メタデータ） (2020-06-24T04:45:14Z)
STAD: Spatio-Temporal Adjustment of Traffic-Oblivious Travel-Time Estimation [1.1731001328350983]
本稿では,出先,目的地,出発時刻の形式で表現された旅行要求に対して,旅行時間推定を調節するシステムSTADを提案する。 STADは、機械学習とスパーストリップデータを使用して、基本的なルーティングエンジンの欠陥を学習する。 Doha、New York City、Portoの実際の旅行データセットの実験では、最初の2都市では14%、後者では29%の絶対誤差が減少している。
論文参考訳（メタデータ） (2020-06-08T09:47:55Z)
TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文参考訳（メタデータ） (2020-04-26T00:01:49Z)
Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。