論文の概要: ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors

• arxiv url: http://arxiv.org/abs/2503.14053v1
• Date: Tue, 18 Mar 2025 09:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:16:57.468474
• Title: ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors
• Title（参考訳）: On-Traffic:ラグランジアンセンサによるオンライン交通流推定と不確実性定量化のための演算子学習フレームワーク
• Authors: Jake Rap, Amritam Das,
• Abstract要約: この研究は、新しいディープ演算子であるOn-Trafficを導入し、トラフィック状態のオンライン推定に適した水平方向学習ベースのフレームワークを提案する。 本フレームワークは,不規則でスパースな入力データを処理し,時間シフトに適応し,精度の高い不確実性推定を行うことのできる,数値データとシミュレーションデータの両方で評価される。 その結果, 衝撃波や混雑伝播などの複雑な交通シナリオを捉えるとともに, 騒音やセンサの落下に対する堅牢性を維持していることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate traffic flow estimation and prediction are critical for the efficient management of transportation systems, particularly under increasing urbanization. Traditional methods relying on static sensors often suffer from limited spatial coverage, while probe vehicles provide richer, albeit sparse and irregular data. This work introduces ON-Traffic, a novel deep operator Network and a receding horizon learning-based framework tailored for online estimation of spatio-temporal traffic state along with quantified uncertainty by using measurements from moving probe vehicles and downstream boundary inputs. Our framework is evaluated in both numerical and simulation datasets, showcasing its ability to handle irregular, sparse input data, adapt to time-shifted scenarios, and provide well-calibrated uncertainty estimates. The results demonstrate that the model captures complex traffic phenomena, including shockwaves and congestion propagation, while maintaining robustness to noise and sensor dropout. These advancements present a significant step toward online, adaptive traffic management systems.
• Abstract（参考訳）: 交通システムの効率的な管理には,交通流の正確な推定と予測が不可欠である。 従来の静的センサーに依存する手法は空間的範囲が限られていることが多いが、プローブ車両はより豊かで不規則なデータを提供する。 本研究は,移動型プローブ車両と下流境界入力の測定値を用いて,時空間トラフィック状態のオンライン推定に適した,新しい深層演算ネットワークであるOn-Trafficと,時空間トラフィック状態のオンライン推定に適した遅延水平学習ベースのフレームワークを紹介する。 本フレームワークは,不規則でスパースな入力データを扱う能力を示し,時間シフトのシナリオに適応し,精度の高い不確実性推定を提供するため,数値データとシミュレーションデータの両方で評価される。 その結果, 衝撃波や混雑伝播など複雑な交通現象を捉えるとともに, 騒音やセンサの落下に対する堅牢性を維持していることがわかった。 これらの進歩は、オンライン・アダプティブ・トラヒック・マネージメント・システムに向けて大きな一歩を踏み出した。

関連論文リスト

• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Enhancing Traffic Flow Prediction using Outlier-Weighted AutoEncoders: Handling Real-Time Changes [0.7614628596146602]
  本稿では, Outlier Weighted Autoencoder Modeling (OWAM) フレームワークを紹介する。 OWAMは、自動エンコーダを用いて局所的な異常検出を行い、近隣の交通の影響を評価するために相関スコアを生成する。 この情報は、トラヒックモデルの性能を高め、効果的なリアルタイム更新をサポートする。
  論文  参考訳（メタデータ） (2023-12-27T14:44:58Z)
• Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
  本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。 本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
  論文  参考訳（メタデータ） (2023-08-20T14:31:55Z)
• 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)
• Newell's theory based feature transformations for spatio-temporal traffic prediction [0.0]
  本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。 この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。 私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
  論文  参考訳（メタデータ） (2023-07-12T06:31:43Z)
• Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU [5.320087179174425]
  我々は、リアルタイムにトラフィック量を予測するための非線形メモリベースディープニューラルネットワークモデルを開発した。 本実験は,高ダイナミックかつ異種交通環境における交通量予測における提案モデルの有効性を実証するものである。
  論文  参考訳（メタデータ） (2023-03-22T15:25:07Z)
• 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)
• Traffic Flow Prediction via Variational Bayesian Inference-based Encoder-Decoder Framework [1.181206257787103]
  本稿では,変分ベイズ推定に基づくディープエンコーダ・デコーダ予測フレームワークを提案する。 ベイズニューラルネットワークは、変分推論とゲートリカレントユニット(GRU)を組み合わせて構築され、エンコーダ・デコーダフレームワークのディープニューラルネットワークユニットとして使用される。 提案手法は, 広州市の都市交通フローデータセットにおいて, ベンチマークよりも優れた予測性能を実現する。
  論文  参考訳（メタデータ） (2022-12-14T12:39:47Z)
• 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)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• 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)

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。