論文の概要: Multi-Modal Traffic Analysis: Integrating Time-Series Forecasting, Accident Prediction, and Image Classification

• arxiv url: http://arxiv.org/abs/2504.17232v1
• Date: Thu, 24 Apr 2025 03:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.239321
• Title: Multi-Modal Traffic Analysis: Integrating Time-Series Forecasting, Accident Prediction, and Image Classification
• Title（参考訳）: マルチモーダル交通分析:時系列予測、事故予測、画像分類の統合
• Authors: Nivedita M, Yasmeen Shajitha S,
• Abstract要約: 本研究では,高度なトラフィック分析のための統合機械学習フレームワークを提案する。 このフレームワークは時系列予測、分類、コンピュータビジョン技術を組み合わせている。 そのモジュール設計は、リアルタイム監視、事故防止、リソース最適化のためのスマートシティシステムへのデプロイメントをサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This study proposes an integrated machine learning framework for advanced traffic analysis, combining time-series forecasting, classification, and computer vision techniques. The system utilizes an ARIMA(2,0,1) model for traffic prediction (MAE: 2.1), an XGBoost classifier for accident severity classification (100% accuracy on balanced data), and a Convolutional Neural Network (CNN) for traffic image classification (92% accuracy). Tested on diverse datasets, the framework outperforms baseline models and identifies key factors influencing accident severity, including weather and road infrastructure. Its modular design supports deployment in smart city systems for real-time monitoring, accident prevention, and resource optimization, contributing to the evolution of intelligent transportation systems.
• Abstract（参考訳）: 本研究では、時系列予測、分類、コンピュータビジョン技術を組み合わせた、高度なトラフィック分析のための統合機械学習フレームワークを提案する。 このシステムは、交通予測のためのARIMA(2,0,1)モデル(MAE: 2.1)、事故重大度分類のためのXGBoost分類器(バランスデータの100%精度)、交通画像分類のための畳み込みニューラルネットワーク(CNN)を利用する。 さまざまなデータセットでテストされたこのフレームワークは、ベースラインモデルよりも優れており、天候や道路インフラなど、事故の深刻度に影響を与える重要な要因を特定している。 そのモジュール設計は、リアルタイム監視、事故防止、リソース最適化のためのスマートシティシステムへの展開をサポートし、インテリジェントトランスポートシステムの進化に貢献している。

関連論文リスト

• Data Scaling Laws for End-to-End Autonomous Driving [83.85463296830743]
  16時間から8192時間に及ぶ内部駆動データセット上での簡易エンド・ツー・エンド駆動アーキテクチャの性能評価を行った。 具体的には、目標の性能向上を達成するために、どの程度のトレーニングデータが必要かを調査する。
  論文  参考訳（メタデータ） (2025-04-06T03:23:48Z)
• Architecting Digital Twins for Intelligent Transportation Systems [0.565395466029518]
  本稿では,インテリジェントトランスポーテーションシステム(ITS)のためのDigital Twin(DT)プラットフォームであるDigITのアーキテクチャを提案する。 アーキテクチャは、キーとなるITSコンポーネントを体系的にモデル化し、予測モデリングとシミュレーションのシームレスな統合を可能にする。 進化するトラフィックパターンに適応するために、アーキテクチャには適応機械学習操作(MLOps)が組み込まれている。
  論文  参考訳（メタデータ） (2025-02-24T20:51:09Z)
• Cross-Domain Transfer Learning using Attention Latent Features for Multi-Agent Trajectory Prediction [4.292918274985369]
  本稿では,トランスフォーマーモデルにおけるアテンション表現に対して,クロスドメイン適応を行う新しい時空間軌道予測フレームワークを提案する。 グラフ畳み込みネットワークは、マルチエージェント車両間の複雑な時空間相互作用を正確にモデル化する動的グラフ特徴埋め込みを構築するためにも統合される。
  論文  参考訳（メタデータ） (2024-11-09T06:39:44Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Context-aware knowledge graph framework for traffic speed forecasting using graph neural network [5.96412390867876]
  本研究では,交通速度予測の高速化を目的とした,コンテキスト認識型知識グラフ(CKG)フレームワークを提案する。 CKG-GNNモデルは、CKG、デュアルビューマルチヘッド自己注意(MHSA)、グラフニューラルネットワーク(GNN)を組み合わせて、トラフィック速度を予測するように設計されている。
  論文  参考訳（メタデータ） (2024-07-25T01:52:12Z)
• 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)
• An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments [51.99765487172328]
  我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。 我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-11-30T18:58:38Z)
• Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction [3.4806267677524896]
  本稿では,交通システムの力学を明示的に学習するアテンションベースグラフニューラルODE(AST)を提案する。 本モデルでは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
  論文  参考訳（メタデータ） (2023-05-01T00:58:48Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• 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)
• Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction [64.03526633651218]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最も重要な機械学習タスクの1つである。 本稿では,AutoCTR と呼ばれる CTR 予測のための自動インタラクションアーキテクチャ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-29T04:33:01Z)
• Fully convolutional networks for structural health monitoring through multivariate time series classification [0.0]
  構造健康モニタリング(SHM)への新たなアプローチを提案する。 広汎なセンサーシステムを通じて取得したデータから、損傷に敏感な特徴を自動的に識別することを目的としている。 損傷検出と局所化は分類問題として定式化され、FCN(Fully Convolutional Networks)を通して取り組まれる
  論文  参考訳（メタデータ） (2020-02-12T21:59:29Z)

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。