Fugu-MT 論文翻訳(概要): IBB Traffic Graph Data: Benchmarking and Road Traffic Prediction Model

論文の概要: IBB Traffic Graph Data: Benchmarking and Road Traffic Prediction Model

arxiv url: http://arxiv.org/abs/2408.01016v1
Date: Fri, 2 Aug 2024 05:23:19 GMT
ステータス: 処理完了
システム内更新日: 2024-08-05 14:26:49.228765
Title: IBB Traffic Graph Data: Benchmarking and Road Traffic Prediction Model
Title（参考訳）: IBBトラフィックグラフデータ:ベンチマークと道路交通予測モデル
Authors: Eren Olug, Kiymet Kaya, Resul Tugay, Sule Gunduz Oguducu,
Abstract要約: 道路交通渋滞予測はインテリジェント交通システムにおいて重要な要素である。 IBB Traffic Graphデータセットは、2451の異なる場所で収集されたセンサーデータをカバーしている。本稿では,機能工学を通して時間的リンクを強化する道路交通予測モデルを提案する。
参考スコア（独自算出の注目度）: 0.24999074238880487
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Road traffic congestion prediction is a crucial component of intelligent transportation systems, since it enables proactive traffic management, enhances suburban experience, reduces environmental impact, and improves overall safety and efficiency. Although there are several public datasets, especially for metropolitan areas, these datasets may not be applicable to practical scenarios due to insufficiency in the scale of data (i.e. number of sensors and road links) and several external factors like different characteristics of the target area such as urban, highways and the data collection location. To address this, this paper introduces a novel IBB Traffic graph dataset as an alternative benchmark dataset to mitigate these limitations and enrich the literature with new geographical characteristics. IBB Traffic graph dataset covers the sensor data collected at 2451 distinct locations. Moreover, we propose a novel Road Traffic Prediction Model that strengthens temporal links through feature engineering, node embedding with GLEE to represent inter-related relationships within the traffic network, and traffic prediction with ExtraTrees. The results indicate that the proposed model consistently outperforms the baseline models, demonstrating an average accuracy improvement of 4%.
Abstract（参考訳）: 道路交通渋滞予測は、積極的な交通管理を可能にし、郊外での体験を高め、環境への影響を低減し、全体的な安全と効率を向上させるため、インテリジェント交通システムにおいて重要な要素である。特に大都市圏の公共データセットはいくつか存在するが、これらのデータセットは、データ規模(センサ数や道路リンク数など)の不足や、都市、高速道路、データ収集場所といった対象領域の異なる特徴のような外部要因により、現実的なシナリオには適用できない可能性がある。そこで本研究では,これらの制約を緩和し,新たな地理的特徴を持つ文献を充実させるための代替ベンチマークデータセットとして,新しいIBBトラヒックグラフデータセットを提案する。 IBB Traffic Graphデータセットは、2451の異なる場所で収集されたセンサーデータをカバーしている。さらに,機能工学による時間的リンクを強化する新しい道路交通予測モデル,交通ネットワーク内の関連関係を表現するためのGLEEへのノード埋め込み,およびExtraTreesによる交通予測を提案する。その結果,提案モデルはベースラインモデルより一貫して優れており,平均精度は4%向上した。

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)
Predicting Traffic Congestion at Urban Intersections Using Data-Driven Modeling [0.0]
本研究は,米国の主要都市の交差点における混雑予測モデルの構築を目的とする。データセットには、座標、通り名、日時、トラフィックメトリクスを含む27の機能が含まれている。
論文参考訳（メタデータ） (2024-04-12T22:53:41Z)
BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文参考訳（メタデータ） (2024-03-08T04:19:56Z)
MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data [1.147374308875151]
本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
論文参考訳（メタデータ） (2024-01-16T14:22:44Z)
Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank [15.123457772023238]
交通パターンバンク(TPB)を用いた都市間交通予測フレームワークを提案する。 TPBは、訓練済みのトラフィックパッチエンコーダを使用して、データ豊富な都市からの生のトラフィックデータを高次元空間に投影する。隣接行列は、下流の時空間モデルで将来のトラフィックを予測するために構成される。
論文参考訳（メタデータ） (2023-08-17T13:29:57Z)
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-06-15T14:50:27Z)
STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文参考訳（メタデータ） (2022-03-21T06:38:34Z)
On the Design of Graph Embeddings for the Sensorless Estimation of Road Traffic Profiles [6.100274095771616]
トラフィック予測モデルは、認識、処理、保存が必要なデータに依存します。認識された場所の欠如は、交通監視に必要な経済的投資をさらに減少させる合成データシミュレーションと補完することができる。本稿では,道路セグメントのトポロジ的特徴を検査することで,交通データのある場所を探索する手法を提案する。
論文参考訳（メタデータ） (2022-01-11T15:16:18Z)
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)
An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文参考訳（メタデータ） (2021-08-02T08:13:57Z)
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。