論文の概要: Spatio-Temporal Road Traffic Prediction using Real-time Regional Knowledge

• arxiv url: http://arxiv.org/abs/2408.12882v1
• Date: Fri, 23 Aug 2024 07:34:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-26 15:49:48.556008
• Title: Spatio-Temporal Road Traffic Prediction using Real-time Regional Knowledge
• Title（参考訳）: リアルタイム地域知識を用いた時空間道路交通予測
• Authors: Sumin Han, Jisun An, Dongman Lee,
• Abstract要約: 本稿では,POI,衛星画像,LTEによるリアルタイムアクセストレースを用いて,リアルタイムな地域レベルの知識を組み込む手法を提案する。 そして、この組み込み知識を道路レベルの注意に基づく予測モデルに取り込みます。 実世界の道路交通予測実験の結果,我々のモデルはベースラインよりも優れていた。
• 参考スコア（独自算出の注目度）: 2.6998782337240925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For traffic prediction in transportation services such as car-sharing and ride-hailing, mid-term road traffic prediction (within a few hours) is considered essential. However, the existing road-level traffic prediction has mainly studied how significantly micro traffic events propagate to the adjacent roads in terms of short-term prediction. On the other hand, recent attempts have been made to incorporate regional knowledge such as POIs, road characteristics, and real-time social events to help traffic prediction. However, these studies lack in understandings of different modalities of road-level and region-level spatio-temporal correlations and how to combine such knowledge. This paper proposes a novel method that embeds real-time region-level knowledge using POIs, satellite images, and real-time LTE access traces via a regional spatio-temporal module that consists of dynamic convolution and temporal attention, and conducts bipartite spatial transform attention to convert into road-level knowledge. Then the model ingests this embedded knowledge into a road-level attention-based prediction model. Experimental results on real-world road traffic prediction show that our model outperforms the baselines.
• Abstract（参考訳）: カーシェアリングやライドシェアリングなどの交通サービスにおける交通予測には、中期道路交通予測(数時間以内)が不可欠である。 しかし,既存の道路レベルの交通予測は,短期的な予測の観点から,マイクロ交通事象が隣接する道路にどのように伝播するかを主に研究している。 一方, 交通予測を支援するため, 道路特性, リアルタイムソーシャルイベントなどの地域知識を組み込むことが近年試みられている。 しかしながら、これらの研究は、道路レベルと地域レベルの時空間的相関の異なる様相の理解と、そのような知識をどのように組み合わせるかを欠いている。 本稿では、動的畳み込みと時間的注意からなる地域時空間モジュールを用いて、POI、衛星画像、およびリアルタイムLTEアクセストレースを用いて、リアルタイムな地域レベルの知識を埋め込んで、道路レベルの知識に変換する新しい手法を提案する。 そして、このモデルがこの組込み知識を道路レベルの注意に基づく予測モデルに取り込みます。 実世界の道路交通予測実験の結果,我々のモデルはベースラインよりも優れていた。

関連論文リスト

• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• Accounting for Work Zone Disruptions in Traffic Flow Forecasting [2.124091149604821]
  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。
  論文  参考訳（メタデータ） (2024-07-16T05:48:24Z)
• SST-GCN: The Sequential based Spatio-Temporal Graph Convolutional networks for Minute-level and Road-level Traffic Accident Risk Prediction [1.2815904071470705]
  本稿では,SST-GCN(Sequential based Spatio-Temporal Graph Convolutional Networks)を提案する。 実験により、SST-GCNは他の最先端モデルよりも小さなレベル予測の方が優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-28T21:33:18Z)
• 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)
• A Transfer Learning Framework for Proactive Ramp Metering Performance Assessment [2.269435462100948]
  そこで本研究では,新しいランプ計測制御方式を導入する際に,高速道路の交通パラメータを予測する枠組みを提案する。 高速道路セグメントの既知状況前後における交通状態の時空間的特徴の関連を学習することにより,提案手法は,新しい高速道路セグメントの交通パラメータを予測するために,この学習を移譲することができる。
  論文  参考訳（メタデータ） (2023-08-07T12:44:10Z)
• 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)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• 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)
• Deep Learning on Traffic Prediction: Methods, Analysis and Future Directions [32.25707921285397]
  本稿では,複数の観点からの交通予測における深層学習に基づくアプローチに関する包括的調査を行う。 まず,既存の交通予測手法を要約し,分類について述べる。 第2に、異なるトラフィック予測アプリケーションにおける最先端のアプローチをリストアップする。
  論文  参考訳（メタデータ） (2020-04-18T08:28:10Z)

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。