Fugu-MT 論文翻訳(概要): Graph Based Traffic Analysis and Delay Prediction

論文の概要: Graph Based Traffic Analysis and Delay Prediction

arxiv url: http://arxiv.org/abs/2410.21028v1
Date: Mon, 28 Oct 2024 13:50:00 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-29 12:16:35.499823
Title: Graph Based Traffic Analysis and Delay Prediction
Title（参考訳）: グラフに基づく交通分析と遅延予測
Authors: Gabriele Borg, Charlie Abela,
Abstract要約: この研究は、EUで最も人口密度の高いマルタ島における交通渋滞に焦点を当てている。車両の数は6カ月足らずで約1万1000台増加した。これは、マルタの交通変動問題に対処するために、正確かつ包括的なデータ収集手段を持つことがいかに重要かを示している。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This research is focused on traffic congestion in the small island of Malta which is the most densely populated country in the EU with about 1,672 inhabitants per square kilometre (4,331 inhabitants/sq mi). Furthermore, Malta has a rapid vehicle growth. Based on our research, the number of vehicles increased by around 11,000 in a little more than 6 months, which shows how important it is to have an accurate and comprehensive means of collecting data to tackle the issue of fluctuating traffic in Malta. In this paper, we first present the newly built comprehensive traffic dataset, called MalTra. This dataset includes realistic trips made by members of the public across the island over a period of 200 days. We then describe the methodology we adopted to generate syntactic data to complete our data set as much as possible. In our research, we consider both MalTra and the Q-Traffic dataset, which has been used in several other research studies. The statistical ARIMA model and two graph neural networks, the spatial temporal graph convolutional network (STGCN) and the diffusion convolutional recurrent network (DCRNN) were used to analyse and compare the results with existing research. From the evaluation, we found that the DCRNN model outperforms the STGCN with the former resulting in MAE of 3.98 (6.65 in the case of the latter) and a RMSE of 7.78 (against 12.73 of the latter).
Abstract（参考訳）: この研究は、EUで最も人口密度の高いマルタ島における交通渋滞に焦点を当てており、人口は約1,672人/平方キロメートル (4,331人/sq mi) である。さらにマルタは急激な成長を遂げている。その結果、マルタの交通変動問題に対処するためには、正確かつ包括的なデータ収集手段がいかに重要かが明らかになった。本稿では,MalTraと呼ばれる,新たに構築された包括的トラフィックデータセットについて紹介する。このデータセットには、200日間にわたって島を横断する一般市民による現実的な旅行が含まれている。次に、データセットをできるだけ完成させるために、構文データを生成するために採用した方法論を説明します。本研究では,MalTra と Q-Traffic の2つのデータセットについて検討した。統計的ARIMAモデルと2つのグラフニューラルネットワーク,空間時間グラフ畳み込みネットワーク (STGCN) と拡散畳み込みリカレントネットワーク (DCRNN) を用いて解析・比較を行った。評価の結果,DCRNNモデルはSTGCNより優れており,MAEは3.98(後者の場合6.65),RMSEは7.78(後者の場合12.73)であった。

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)
Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-07-17T01:11:07Z)
Traffic estimation in unobserved network locations using data-driven macroscopic models [2.3543188414616534]
本稿では,自動交通カウンタとプローブ車両から収集したマクロモデルとマルチソースデータを利用して,これらの測定が不可能なリンクにおいて,交通流と走行時間を正確に推定する。 MaTEはマクロフロー理論に基礎を置いているため、全てのパラメータと変数は解釈可能である。合成データを用いた実験により, サンプル外リンクの走行時間と交通流を正確に推定できることがわかった。
論文参考訳（メタデータ） (2024-01-30T15:21:50Z)
Short Duration Traffic Flow Prediction Using Kalman Filtering [0.0]
調査は、ソバンバグ・モスク近郊のダッカのミルプル・ロードで行われた。ストリームには異質なトラフィックの混合が含まれており、予測の不確実性を示している。提案されたモデルの平均絶対パーセンテージ誤差(MAPE)は14.62であり、KFTモデルは合理的に予測できることを示している。
論文参考訳（メタデータ） (2022-08-06T00:30:47Z)
Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文参考訳（メタデータ） (2022-07-15T18:21:36Z)
Network-wide Multi-step Traffic Volume Prediction using Graph Convolutional Gated Recurrent Neural Network [16.56822335262946]
本稿では,新しいディープラーニングモデルであるGCGRNN(Graph Convolutional Gated Recurrent Neural Network)を提案する。我々は,カリフォルニア州ロサンゼルスの150個のセンサーから抽出した2つのトラフィックデータセットを,それぞれ1時間15分で評価した。
論文参考訳（メタデータ） (2021-11-22T16:41:13Z)
One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文参考訳（メタデータ） (2021-06-21T12:28:08Z)
Spatiotemporal Tensor Completion for Improved Urban Traffic Imputation [3.2489082010225494]
都市交通データは、測定不足につながる不完全な傾向があります。交通の都市的・時間的側面を考慮したCANDECOMP/AFAC(CP)完成手法を提案する。提案手法は,最先端cpアプローチと比較して26%,最先端生成モデルベースアプローチでは35%の有効回復性能を提供する。
論文参考訳（メタデータ） (2021-03-12T16:07:23Z)
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)
Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文参考訳（メタデータ） (2020-06-24T04:45:14Z)
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。