Fugu-MT 論文翻訳(概要): Learning Traffic Anomalies from Generative Models on Real-Time Observations

論文の概要: Learning Traffic Anomalies from Generative Models on Real-Time Observations

arxiv url: http://arxiv.org/abs/2502.01391v1
Date: Mon, 03 Feb 2025 14:23:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-05 15:05:22.702783
Title: Learning Traffic Anomalies from Generative Models on Real-Time Observations
Title（参考訳）: 実時間観測に基づく生成モデルからの交通異常の学習
Authors: Fotis I. Giasemis, Alexandros Sopasakis,
Abstract要約: トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
参考スコア（独自算出の注目度）: 49.1574468325115
License:
Abstract: Accurate detection of traffic anomalies is crucial for effective urban traffic management and congestion mitigation. We use the Spatiotemporal Generative Adversarial Network (STGAN) framework combining Graph Neural Networks and Long Short-Term Memory networks to capture complex spatial and temporal dependencies in traffic data. We apply STGAN to real-time, minute-by-minute observations from 42 traffic cameras across Gothenburg, Sweden, collected over several months in 2020. The images are processed to compute a flow metric representing vehicle density, which serves as input for the model. Training is conducted on data from April to November 2020, and validation is performed on a separate dataset from November 14 to 23, 2020. Our results demonstrate that the model effectively detects traffic anomalies with high precision and low false positive rates. The detected anomalies include camera signal interruptions, visual artifacts, and extreme weather conditions affecting traffic flow.
Abstract（参考訳）: 交通異常の正確な検出は、効果的な都市交通管理と渋滞軽減に不可欠である。グラフニューラルネットワークとLong Short-Term Memory Networkを組み合わせた時空間生成適応ネットワーク(STGAN)フレームワークを用いて,トラフィックデータの複雑な空間的および時間的依存関係をキャプチャする。スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。画像は、モデルに対する入力として機能する車両密度を表すフローメトリックを計算するために処理される。 2020年4月から11月までのデータに基づいてトレーニングが行われ、2020年11月14日から23日までの別のデータセットで検証が行われる。その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。検出された異常には、カメラ信号の中断、視覚的アーティファクト、交通の流れに影響を与える極端な気象条件が含まれる。

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)
IncidentNet: Traffic Incident Detection, Localization and Severity Estimation with Sparse Sensing [0.6787248655856052]
IncidentNetは、トラフィックインシデントの深刻度を分類、ローカライズ、推定するための新しいアプローチである。本モデルでは,交通交差点に設置したカメラを用いて収集可能な微視的交通データについて検討する。
論文参考訳（メタデータ） (2024-08-02T04:09:15Z)
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)
Temporal Graph Learning Recurrent Neural Network for Traffic Forecasting [27.20703077756038]
これらの問題に対処するため,TGLRN(Temporal Graph Learning Recurrent Neural Network)を提案する。より正確には、時系列の性質を効果的にモデル化するために、リカレントニューラルネットワーク(RNN)を活用し、各ステップでグラフを動的に構築する。実世界の4つのベンチマークデータセットの実験結果から, TGLRNの有効性が示された。
論文参考訳（メタデータ） (2024-06-04T19:08:40Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow Prediction [0.40964539027092917]
本稿では,交通流を正確に予測する新しい交通予測モデルSTLGRUを提案する。提案するSTLGRUは,交通ネットワークの局所的・大域的空間的関係を効果的に捉えることができる。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2022-12-08T20:24:59Z)
Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文参考訳（メタデータ） (2022-10-21T07:25:57Z)
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)
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)
Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文参考訳（メタデータ） (2020-11-07T19:57:22Z)

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。