論文の概要: Know Unreported Roadway Incidents in Real-time: Early Traffic Anomaly Detection

• arxiv url: http://arxiv.org/abs/2412.10892v2
• Date: Wed, 23 Apr 2025 18:02:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-26 01:33:38.458098
• Title: Know Unreported Roadway Incidents in Real-time: Early Traffic Anomaly Detection
• Title（参考訳）: 未報告の道路事故をリアルタイムに知る:早期交通異常検出
• Authors: Haocheng Duan, Hao Wu, Sean Qian,
• Abstract要約: 交通異常とは、交通の流れに影響を及ぼし、緊急の交通管理措置を要求する道路上の一般的な事故を指す。 本研究は,交通異常をできるだけ早く把握することを目的としている。
• 参考スコア（独自算出の注目度）: 3.7380424073821046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research aims to know traffic anomalies as early as possible. A traffic anomaly refers to a generic incident on the road that influences traffic flow and calls for urgent traffic management measures. `Knowing'' the occurrence of a traffic anomaly is twofold: the ability to detect this anomaly before it is reported anywhere, or it may be such that an anomaly can be predicted before it actually occurs on the road (e.g., non-recurrent traffic breakdown). In either way, the objective is to inform traffic operators of unreported incidents in real time and as early as possible. The key is to stay ahead of the curve. Time is of the essence. Conventional automatic incident detection (AID) methods often struggle with early detection due to their limited consideration of spatial effects and early-stage characteristics. Therefore, we propose a deep learning framework utilizing prior domain knowledge and model-designing strategies. This allows the model to detect a broader range of anomalies, not only incidents that significantly influence traffic flow but also early characteristics of incidents along with historically unreported anomalies. We specially design the model to target the early-stage detection/prediction of an incident. Additionally, unlike most conventional AID studies, our method is highly scalable and generalizable, as it is fully automated with no manual selection of historical reports required, relies solely on widely available low-cost data, and requires no additional detectors. The experimental results across numerous road segments on different maps demonstrate that our model leads to more effective and early anomaly detection.
• Abstract（参考訳）: 本研究は,交通異常をできるだけ早く把握することを目的としている。 交通異常とは、交通の流れに影響を及ぼし、緊急の交通管理措置を要求する道路上の一般的な事故を指す。 この異常がどこにでも報告される前に検出できるか、あるいは道路上で実際に発生する前に異常が予測できる(例えば、非リカレントトラフィックの故障)。 いずれにせよ、その目的は、報告されていないインシデントをリアルタイムで、できるだけ早く、交通機関に知らせることである。 鍵となるのはカーブに先んじることです。 時間こそが本質である。 従来の自動インシデント検出(AID)法は,空間効果や初期特性の考慮が限られているため,早期検出に苦慮することが多い。 そこで本研究では,事前知識とモデル設計戦略を活用したディープラーニングフレームワークを提案する。 このモデルでは、トラフィックフローに大きな影響を及ぼすインシデントだけでなく、歴史的に報告されていない異常とともにインシデントの初期特性も検出できる。 我々は、インシデントの早期検出・予測をターゲットとしたモデルを特別に設計する。 さらに,従来のAID研究とは異なり,本手法は,手動による過去の報告の選択を必要とせず,手動で完全に自動化され,低コストなデータにのみ依存し,追加の検出器を必要としないため,高度にスケーラブルかつ一般化可能である。 異なる地図上の多数の道路区間にまたがる実験結果から、我々のモデルはより効果的で早期の異常検出に繋がることが示された。

関連論文リスト

• Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
  本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。 さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。 その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-08-15T00:51:48Z)
• XTraffic: A Dataset Where Traffic Meets Incidents with Explainability and More [38.092415845567345]
  トラヒックとインシデントという2つの非常に相関の深いトラックで研究が行われている。 XTrafficデータセットには、トラフィック、すなわち、トラフィックフロー、車線占有率、平均車両速度の時系列インデックスが含まれている。 各ノードは、レーンの詳細な物理ポリシーレベルのメタ属性を含む。
  論文  参考訳（メタデータ） (2024-07-16T08:16:01Z)
• Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study [3.508168174653255]
  本稿では,逐次パターンの類似性に基づいて,異常検出と警告フィルタリングを高速かつ効率的に行う手法を提案する。 本稿では, 大規模産業システムにおける異常検出を含む様々な目的で, このアプローチをどのように活用するかを示す。
  論文  参考訳（メタデータ） (2024-05-24T20:27:45Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Synthetic outlier generation for anomaly detection in autonomous driving [1.0989593035411862]
  異常検出は、確立されたパターンや大部分のデータから著しく逸脱したインスタンスを特定するために重要である。 本研究では,異常検出モジュールを用いた画像意味セグメンテーションモデルの訓練方法について検討する。 最先端DenseHybridモデルのトレーニング段階に改良を加えることで,異常検出における大幅な性能向上を実現した。
  論文  参考訳（メタデータ） (2023-08-04T07:55:32Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for Autonomous Driving [91.39625612027386]
  我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。 具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。 この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T07:11:36Z)
• Anomaly Detection in Driving by Cluster Analysis Twice [0.0]
  本研究は, クラスタ分析による運転異常検出法(ADDCAT)を提案する。 イベントは、運転の正常さのパターンと見なされる主要なクラスタに適合しない場合、異常であると言われている。 この方法は、事前のトレーニングプロセスや膨大な計算コストを必要とせず、運転中の異常を検出する手段を提供する。
  論文  参考訳（メタデータ） (2022-12-15T09:53:49Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• 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)
• Driving Anomaly Detection Using Conditional Generative Adversarial Network [26.45460503638333]
  本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。 この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。 結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
  論文  参考訳（メタデータ） (2022-03-15T22:10:01Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)
• 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)
• Building an Automated and Self-Aware Anomaly Detection System [0.0]
  異常に対して多種多様かつ常に変化する時系列を積極的に監視することは困難である。 伝統的に、データ生成プロセスとパターンのバリエーションは、異常を正確にフラグするモデルを作成するために、強力なモデリングの専門知識を必要としてきた。 本稿では,手作業による介入を必要とせず,各モデルに必要な変更を加えることで,この共通課題を克服する異常検出システムについて述べる。
  論文  参考訳（メタデータ） (2020-11-10T11:19:07Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• ARCADe: A Rapid Continual Anomaly Detector [25.34227775187408]
  連続異常検出(CAD)の新しい学習問題に対処する。 ニューラルネットをトレーニングするアプローチであるARCADeを提案する。 3つのデータセットを用いた実験の結果、ARCADeは連続学習と異常検出の文献からベースラインを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-10T11:59:32Z)
• RePAD: Real-time Proactive Anomaly Detection for Time Series [0.27528170226206433]
  RePADはLong Short-Term Memory (LSTM)に基づくストリーミング時系列のリアルタイム能動異常検出アルゴリズムである 検出しきい値を時間とともに動的に調整することにより、RePADは時系列におけるマイナーパターンの変更を許容し、前向きまたは時間的に異常を検出することができる。
  論文  参考訳（メタデータ） (2020-01-24T09:13:33Z)
• An Intelligent and Time-Efficient DDoS Identification Framework for Real-Time Enterprise Networks SAD-F: Spark Based Anomaly Detection Framework [0.5811502603310248]
  我々は、異なる機械学習技術を用いたDDoS異常検出のためのセキュリティ解析技術について検討する。 本稿では,システムへの入力として実際のトラフィックを扱う新しいアプローチを提案する。 提案するフレームワークの性能要因を3つの異なるテストベッドで検討・比較する。
  論文  参考訳（メタデータ） (2020-01-21T06:05:48Z)

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。