論文の概要: Bayesian Deep Learning Approach for Real-time Lane-based Arrival Curve Reconstruction at Intersection using License Plate Recognition Data

• arxiv url: http://arxiv.org/abs/2411.07515v1
• Date: Tue, 12 Nov 2024 03:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:20:52.086893
• Title: Bayesian Deep Learning Approach for Real-time Lane-based Arrival Curve Reconstruction at Intersection using License Plate Recognition Data
• Title（参考訳）: ライセンスプレート認識データを用いた実時間レーン型アーリバル曲線再構成のためのベイジアンディープラーニング手法
• Authors: Yang He, Chengchuan An, Jiawei Lu, Yao-Jan Wu, Zhenbo Lu, Jingxin Xia,
• Abstract要約: 既存のLPRデータベース手法は、主に歴史的到着曲線の再構築のために設計されている。 複数車線の都市道路をリアルタイムに再建するためには,リアルタイムリンクによる到着のレーン選択を決定することが重要である。 実時間レーンを用いた到着曲線再構成のためのベイズ深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 9.477641196256913
• License:
• Abstract: The acquisition of real-time and accurate traffic arrival information is of vital importance for proactive traffic control systems, especially in partially connected vehicle environments. License plate recognition (LPR) data that record both vehicle departures and identities are proven to be desirable in reconstructing lane-based arrival curves in previous works. Existing LPR databased methods are predominantly designed for reconstructing historical arrival curves. For real-time reconstruction of multi-lane urban roads, it is pivotal to determine the lane choice of real-time link-based arrivals, which has not been exploited in previous studies. In this study, we propose a Bayesian deep learning approach for real-time lane-based arrival curve reconstruction, in which the lane choice patterns and uncertainties of link-based arrivals are both characterized. Specifically, the learning process is designed to effectively capture the relationship between partially observed link-based arrivals and lane-based arrivals, which can be physically interpreted as lane choice proportion. Moreover, the lane choice uncertainties are characterized using Bayesian parameter inference techniques, minimizing arrival curve reconstruction uncertainties, especially in low LPR data matching rate conditions. Real-world experiment results conducted in multiple matching rate scenarios demonstrate the superiority and necessity of lane choice modeling in reconstructing arrival curves.
• Abstract（参考訳）: リアルタイムかつ正確な交通到着情報の取得は、特に部分的に接続された車両環境において、プロアクティブな交通制御システムにとって極めて重要である。 車両の出発点と身元の両方を記録できるナンバープレート認識(LPR)データは、以前の作品でレーンベースの到着曲線を再構築するのに望ましいことが証明されている。 既存のLPRデータベース手法は、主に歴史的到着曲線の再構築のために設計されている。 複数車線の都市道路をリアルタイムに再建するには,従来の研究では利用されていないリアルタイムリンクベース到着のレーン選択を決定することが重要である。 本研究では,実時間レーンを用いた到着曲線再構成のためのベイズ深層学習手法を提案する。 特に、学習プロセスは、部分的に観察されたリンクベースの到着とレーンベースの到着との関係を効果的に捉えるように設計されており、これは車線選択比率として物理的に解釈できる。 さらに,低LPRデータマッチング率条件において,到達曲線再構成の不確かさを最小限に抑え,ベイズパラメータ推定手法を用いてレーン選択の不確かさを特徴付ける。 複数のマッチングレートシナリオで実施された実世界の実験結果は、到着曲線の再構成におけるレーン選択モデリングの優位性と必要性を示している。

関連論文リスト

• Link Representation Learning for Probabilistic Travel Time Estimation [21.092166159353702]
  本稿では,ガウス階層モデルを用いた旅行レベルのリンク旅行時間をモデル化する。 その結果、最先端の決定論的および確率論的ベースラインと比較して優れた性能を示した。 学習したリンク表現はネットワークの物理幾何学とよく一致し、他のアプリケーションに対する入力として適していることがわかった。
  論文  参考訳（メタデータ） (2024-07-08T13:01:53Z)
• Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
  レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。 提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。 本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。 実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
  論文  参考訳（メタデータ） (2024-01-26T09:28:14Z)
• Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
  曲線に基づく車線表現は多くの車線検出法で一般的な手法である。 本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T11:24:14Z)
• Phased Deep Spatio-temporal Learning for Highway Traffic Volume Prediction [3.8277254030074537]
  3つのフェーズで日当たりの交通量を予測するために,深部時間学習法を提案する。 決定段階では、来日ネットワーク全体の料金所でのトラフィック量が効果的に達成される。
  論文  参考訳（メタデータ） (2023-08-11T14:33:20Z)
• Dissecting Transformer Length Extrapolation via the Lens of Receptive Field Analysis [72.71398034617607]
  我々は、相対的な位置埋め込み設計であるALiBiを受容場解析のレンズで識別する。 バニラ正弦波位置埋め込みを修正してbftextを作成する。これはパラメータフリーな相対的位置埋め込み設計であり、真の長さ情報はトレーニングシーケンスよりも長くなる。
  論文  参考訳（メタデータ） (2022-12-20T15:40:17Z)
• Estimating Link Flows in Road Networks with Synthetic Trajectory Data Generation: Reinforcement Learning-based Approaches [7.369475193451259]
  本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。 本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。 発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-06-26T13:14:52Z)
• 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)
• An End-to-end Deep Reinforcement Learning Approach for the Long-term Short-term Planning on the Frenet Space [0.0]
  本稿では,自動運転車の意思決定と動作計画に向けた,エンドツーエンドの継続的強化学習手法を提案する。 初めて、Frenet空間上の状態と行動空間の両方を定義して、走行挙動を道路曲率に変化させないようにする。 このアルゴリズムは、フィードバックコントローラが追跡するFrenetフレーム上で連続時間軌道を生成する。
  論文  参考訳（メタデータ） (2020-11-26T02:40:07Z)
• 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)
• Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
  混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。 生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。 我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
  論文  参考訳（メタデータ） (2020-06-23T08:49:46Z)
• 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。