論文の概要: Accounting for Work Zone Disruptions in Traffic Flow Forecasting
- arxiv url: http://arxiv.org/abs/2407.11407v1
- Date: Tue, 16 Jul 2024 05:48:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 18:22:47.508091
- Title: Accounting for Work Zone Disruptions in Traffic Flow Forecasting
- Title（参考訳）: 交通流予測におけるワークゾーン崩壊の会計
- Authors: Yuanjie Lu, Amarda Shehu, David Lattanzi,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.124091149604821
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic speed forecasting is an important task in intelligent transportation system management. The objective of much of the current computational research is to minimize the difference between predicted and actual speeds, but information modalities other than speed priors are largely not taken into account. In particular, though state of the art performance is achieved on speed forecasting with graph neural network methods, these methods do not incorporate information on roadway maintenance work zones and their impacts on predicted traffic flows; yet, the impacts of construction work zones are of significant interest to roadway management agencies, because they translate to impacts on the local economy and public well-being. In this paper, we build over the convolutional graph neural network architecture and present a novel ``Graph Convolutional Network for Roadway Work Zones" model that includes a novel data fusion mechanism and a new heterogeneous graph aggregation methodology to accommodate work zone information in spatio-temporal dependencies among traffic states. The model is evaluated on two data sets that capture traffic flows in the presence of work zones in the Commonwealth of Virginia. Extensive comparative evaluation and ablation studies show that the proposed model can capture complex and nonlinear spatio-temporal relationships across a transportation corridor, outperforming baseline models, particularly when predicting traffic flow during a workzone event.
- Abstract（参考訳）: 交通速度予測はインテリジェント交通システム管理において重要な課題である。
現在の計算研究の多くは予測速度と実際の速度の差を最小限に抑えることを目的としているが、速度先行以外の情報モダリティは考慮されていない。
特に、グラフニューラルネットワーク手法による速度予測において、最先端のパフォーマンスが達成されているが、これらの手法は道路整備作業区域に関する情報と予測される交通流への影響を取り入れていない。
本稿では、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を構築し、新しいデータ融合機構と、トラフィック状態間の時空間依存性を考慮したワークゾーン情報に対応するヘテロジニアスグラフ集約手法を含む、新しい「道路作業ゾーンのためのグラフ畳み込みネットワーク」モデルを提案する。
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トラフィックフローをキャプチャする2つのデータセットで評価される。
特にワークゾーンイベントにおける交通流の予測において,交通路を横断する複雑で非線形な時空間的関係を抽出し,ベースラインモデルより優れていることを示す。
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) - Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。
FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。
時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
論文 参考訳（メタデータ） (2024-10-12T03:47:27Z) - 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) - 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) - Multi-graph Spatio-temporal Graph Convolutional Network for Traffic Flow
Prediction [0.5551832942032954]
毎日の交通量予測は、ネットワーク全体の料金所で依然として課題に直面している。
本稿では,流路時間深度学習による日中交通流ハイウェイ領域の相関予測手法を提案する。
本手法は,ビジネスにおけるベースラインや実践的利益よりも予測精度が向上したことを示す。
論文 参考訳（メタデータ） (2023-08-10T14:20:43Z) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-10T02:22:33Z) - 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) - 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) - 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) - 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。