論文の概要: Towards Edge-Based Data Lake Architecture for Intelligent Transportation System
- arxiv url: http://arxiv.org/abs/2409.02808v1
- Date: Wed, 4 Sep 2024 15:25:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-05 17:30:00.628159
- Title: Towards Edge-Based Data Lake Architecture for Intelligent Transportation System
- Title（参考訳）: インテリジェントトランスポートシステムのためのエッジベースデータレイクアーキテクチャの実現に向けて
- Authors: Danilo Fernandes, Douglas L. L. Moura, Gean Santos, Geymerson S. Ramos, Fabiane Queiroz, Andre L. L. Aquino,
- Abstract要約: この研究はエッジベースのデータレイクアーキテクチャを提案し、複雑なデータをITSから効率的に統合し分析する。
3つの異なるユースケースの分析を通して、アーキテクチャの有効性を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid urbanization growth has underscored the need for innovative solutions to enhance transportation efficiency and safety. Intelligent Transportation Systems (ITS) have emerged as a promising solution in this context. However, analyzing and processing the massive and intricate data generated by ITS presents significant challenges for traditional data processing systems. This work proposes an Edge-based Data Lake Architecture to integrate and analyze the complex data from ITS efficiently. The architecture offers scalability, fault tolerance, and performance, improving decision-making and enhancing innovative services for a more intelligent transportation ecosystem. We demonstrate the effectiveness of the architecture through an analysis of three different use cases: (i) Vehicular Sensor Network, (ii) Mobile Network, and (iii) Driver Identification applications.
- Abstract（参考訳）: 急速な都市化の進展は、輸送効率と安全性を高める革新的なソリューションの必要性を浮き彫りにした。
インテリジェントトランスポーテーションシステム(ITS)はこの文脈で有望なソリューションとして登場した。
しかし、ITSが生成した大規模かつ複雑なデータの解析と処理は、従来のデータ処理システムにとって大きな課題である。
この研究はエッジベースのデータレイクアーキテクチャを提案し、複雑なデータをITSから効率的に統合し分析する。
アーキテクチャはスケーラビリティ、フォールトトレランス、パフォーマンスを提供し、意思決定を改善し、よりインテリジェントな輸送エコシステムのための革新的なサービスを強化します。
3つの異なるユースケースの分析を通して、アーキテクチャの有効性を実証する。
一 車両センサネットワーク
(二)モバイルネットワーク、及び
三 運転者識別の応用
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning [44.17644657738893]
本稿では,データ更新の鍵となる情報時代(AoI)に着目し,RSU通信資源制約下での車両のタスクオフロード問題について検討する。
本稿では,Federated Graph Neural Network Multi-Agent Reinforcement Learning (FGNN-MADRL) と名付けたグラフニューラルネットワーク(GNN)を組み合わせた分散分散学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-01T15:37:38Z) - Recent Advances in Graph-based Machine Learning for Applications in
Smart Urban Transportation Systems [7.335098632782098]
本章では、ITS設計における重要な技術的課題に関する背景情報と研究手法のレビューを紹介する。
グラフベースの機械学習手法について,グラフの基本概念,グラフデータ表現,グラフニューラルネットワークアーキテクチャ,およびそれらのITSアプリケーションとの関係を詳細に検討する。
論文 参考訳（メタデータ） (2023-06-02T05:50:57Z) - Vision Paper: Causal Inference for Interpretable and Robust Machine
Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。
ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。
このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文 参考訳（メタデータ） (2022-10-18T17:28:58Z) - Topics in Deep Learning and Optimization Algorithms for IoT Applications
in Smart Transportation [0.0]
この論文は、最適化アルゴリズムと機械学習の異なる手法をどのように活用してシステム性能を向上するかを考察する。
第1のトピックでは、分散ADMM方式を用いた最適な伝送周波数管理方式を提案する。
第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を活用する。
最後のトピックでは、頻繁に車線変更行動が発生するハイウェイ交通ネットワークのシナリオについて考察する。
論文 参考訳（メタデータ） (2022-10-13T11:45:30Z) - Intelligent Traffic Monitoring with Hybrid AI [78.65479854534858]
マルチモーダルコンテキスト理解のためのニューロシンボリックアーキテクチャであるHANSを紹介する。
HANSが交通監視に関わる課題にどのように対処するかを示すとともに,幅広い推論手法と統合可能であることを示す。
論文 参考訳（メタデータ） (2022-08-31T17:47:22Z) - Reliable Fleet Analytics for Edge IoT Solutions [0.0]
AIoTアプリケーションのエッジで機械学習を容易にするためのフレームワークを提案する。
コントリビューションは、大規模にフリート分析を提供するためのサービス、ツール、メソッドを含むアーキテクチャである。
本稿では,大学キャンパスの部屋でiotデバイスを用いた実験を行うことで,フレームワークの予備検証を行う。
論文 参考訳（メタデータ） (2021-01-12T11:28:43Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Inertial Sensing Meets Artificial Intelligence: Opportunity or
Challenge? [12.244109673209769]
本稿では,AI技術を用いて様々な側面からの慣性感覚を高める研究について概説する。
センサーの設計と選択、キャリブレーションとエラーモデリング、ナビゲーションとモーションセンシングアルゴリズム、マルチセンサー情報融合、システム評価、実用的な応用が含まれる。
AIによって強化された慣性センシングの9つの利点と9つの課題をまとめた上で、今後の研究方向性を指摘する。
論文 参考訳（メタデータ） (2020-07-13T22:33:21Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。