論文の概要: Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles
- arxiv url: http://arxiv.org/abs/2407.08034v1
- Date: Wed, 10 Jul 2024 20:26:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 21:29:18.699725
- Title: Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles
- Title（参考訳）: 連結車両のスパースデータを用いた交通流推定のための時空間生成AI
- Authors: Jianzhe Xue, Yunting Xu, Dongcheng Yuan, Caoyi Zha, Hongyang Du, Haibo Zhou, Dusit Niyato,
- Abstract要約: 交通流推定(TFE)はインテリジェント交通システムにおいて重要である。
本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。
このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
- 参考スコア（独自算出の注目度）: 48.32593099620544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic flow estimation (TFE) is crucial for intelligent transportation systems. Traditional TFE methods rely on extensive road sensor networks and typically incur significant costs. Sparse mobile crowdsensing enables a cost-effective alternative by utilizing sparsely distributed probe vehicle data (PVD) provided by connected vehicles. However, as pointed out by the central limit theorem, the sparsification of PVD leads to the degradation of TFE accuracy. In response, this paper introduces a novel and cost-effective TFE framework that leverages sparse PVD and improves accuracy by applying the spatial-temporal generative artificial intelligence (GAI) framework. Within this framework, the conditional encoder mines spatial-temporal correlations in the initial TFE results derived from averaging vehicle speeds of each region, and the generative decoder generates high-quality and accurate TFE outputs. Additionally, the design of the spatial-temporal neural network is discussed, which is the backbone of the conditional encoder for effectively capturing spatial-temporal correlations. The effectiveness of the proposed TFE approach is demonstrated through evaluations based on real-world connected vehicle data. The experimental results affirm the feasibility of our sparse PVD-based TFE framework and highlight the significant role of the spatial-temporal GAI framework in enhancing the accuracy of TFE.
- Abstract（参考訳）: 交通流推定(TFE)はインテリジェント交通システムにおいて重要である。
従来のTFE方式は広範な道路センサネットワークに依存しており、通常かなりのコストがかかる。
少額移動群集センシングは、連結車両が提供する疎分散プローブ車両データ(PVD)を利用することにより、費用対効果のある代替手段を可能にする。
しかし、中心極限定理によって指摘されているように、PVD のスパース化は TFE の精度を低下させる。
そこで本稿では, 空間時空間生成人工知能(GAI)フレームワークを適用し, 疎PVDを活用し, 精度を向上する, 新規で費用対効果の高いTFEフレームワークを提案する。
この枠組みの中で、条件エンコーダは、各領域の平均車両速度から導かれる初期TFE結果の時空間相関をマイニングし、生成復号器は高品質で正確なTFE出力を生成する。
さらに,空間時間相関を効果的に捉える条件付きエンコーダのバックボーンである空間時空間ニューラルネットワークの設計について検討した。
提案手法の有効性は,実世界の連結車両データに基づく評価によって実証される。
実験により, PVDをベースとしたTFEフレームワークの実現可能性を確認し, TFEの精度向上における空間時空間GAIフレームワークの意義を強調した。
関連論文リスト
- Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data [19.01488741469791]
斜め交通速度を正確に推定するための効率的でロバストな低ランクモデルを提案する。
提案手法は,TSEシナリオにおけるルート平均角誤差(RMSE)を最大12%改善する。
最先端のSOTA(State-of-the-art)メソッドよりも20倍以上高速に動作します。
論文 参考訳（メタデータ） (2024-11-06T15:13:40Z) - 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) - Spatial-Temporal Attention Model for Traffic State Estimation with Sparse Internet of Vehicles [23.524936542317842]
コスト効率の良い交通状態推定(TSE)を実現するために,スパースIoVデータを利用する新しいフレームワークを提案する。
特に,TSEの精度を向上させるために,畳み込み抑止ネットワーク(CRNet)と呼ばれる新しい空間時間アテンションモデルを提案する。
このモデルは、空間的相関集約のための畳み込みニューラルネットワーク(CNN)と、注意機構に基づいて時間的相関を抽出するRetNet(RetNet)を用いる。
論文 参考訳（メタデータ） (2024-07-10T20:58:53Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Online Spatio-Temporal Correlation-Based Federated Learning for Traffic
Flow Forecasting [11.253575460227127]
本稿では,FLフレームワークにおけるオンライン学習(OL)方式を用いた交通流の予測に関する最初の研究を行う。
次に,オンライン時空間相関に基づくフェデレート学習(FedOSTC)という新しい予測手法を提案する。
論文 参考訳（メタデータ） (2023-02-17T02:37:36Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Multi-Stream Attention Learning for Monocular Vehicle Velocity and
Inter-Vehicle Distance Estimation [25.103483428654375]
車両速度と車間距離の推定は、ADAS(Advanced driver-assistance system)と自律走行車にとって不可欠である。
近年の研究では、低コストの単眼カメラを用いて、車周りの環境をデータ駆動方式で知覚することに焦点を当てている。
MSANetは、例えば、共同走行速度と車間距離推定のための空間的特徴と文脈的特徴の異なる特徴を抽出するために提案されている。
論文 参考訳（メタデータ） (2021-10-22T06:14:12Z) - Space Meets Time: Local Spacetime Neural Network For Traffic Flow
Forecasting [11.495992519252585]
このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。
交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。
提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
論文 参考訳（メタデータ） (2021-09-11T09:04:35Z) - 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) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳（メタデータ） (2020-06-07T08:10:47Z)
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。