論文の概要: TGDT: A Temporal Graph-based Digital Twin for Urban Traffic Corridors

• arxiv url: http://arxiv.org/abs/2504.18008v1
• Date: Fri, 25 Apr 2025 01:28:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.607277
• Title: TGDT: A Temporal Graph-based Digital Twin for Urban Traffic Corridors
• Title（参考訳）: TGDT: 都市交通回廊用テンポラルグラフベースデジタルツイン
• Authors: Nooshin Yousefzadeh, Rahul Sengupta, Sanjay Ranka,
• Abstract要約: 既存のディープラーニングモデルは、しばしば空間的な一般化性に欠け、複雑なアーキテクチャに依存し、リアルタイムのデプロイメントに苦労する。 本稿では,時間的畳み込みニューラルネットワークと注意グラフニューラルネットワークを統合したスケーラブルなフレームワークであるTGDTを提案する。 TGDTは、数秒で1000以上のシナリオをシミュレートすることができ、コスト効率が高く、解釈可能で、リアルタイムな信号最適化ソリューションを提供する。
• 参考スコア（独自算出の注目度）: 5.849150965368483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban congestion at signalized intersections leads to significant delays, economic losses, and increased emissions. Existing deep learning models often lack spatial generalizability, rely on complex architectures, and struggle with real-time deployment. To address these limitations, we propose the Temporal Graph-based Digital Twin (TGDT), a scalable framework that integrates Temporal Convolutional Networks and Attentional Graph Neural Networks for dynamic, direction-aware traffic modeling and assessment at urban corridors. TGDT estimates key Measures of Effectiveness (MOEs) for traffic flow optimization at both the intersection level (e.g., queue length, waiting time) and the corridor level (e.g., traffic volume, travel time). Its modular architecture and sequential optimization scheme enable easy extension to any number of intersections and MOEs. The model outperforms state-of-the-art baselines by accurately producing high-dimensional, concurrent multi-output estimates. It also demonstrates high robustness and accuracy across diverse traffic conditions, including extreme scenarios, while relying on only a minimal set of traffic features. Fully parallelized, TGDT can simulate over a thousand scenarios within a matter of seconds, offering a cost-effective, interpretable, and real-time solution for traffic signal optimization.
• Abstract（参考訳）: 信号化された交差点での都市密集は、大きな遅延、経済的な損失、そして排出量の増加につながる。 既存のディープラーニングモデルは、しばしば空間的な一般化性に欠け、複雑なアーキテクチャに依存し、リアルタイムのデプロイメントに苦労する。 これらの制約に対処するため,都市回廊における動的かつ方向対応のトラフィックモデリングと評価のために,時間畳み込みニューラルネットワークと注意グラフニューラルネットワークを統合したスケーラブルなフレームワークであるTGDTを提案する。 TGDTは、交差点レベル(例えば、待ち時間、待ち時間)と回廊レベル(例えば、交通量、走行時間)の両方で、交通流最適化のための主要な効果度(MOEs)を推定する。 モジュラーアーキテクチャとシーケンシャル最適化スキームにより、任意の交差点やMOEへの容易に拡張できる。 このモデルは、高次元の同時出力推定を正確に生成することで、最先端のベースラインよりも優れている。 また、極端なシナリオを含む様々な交通条件に対して高い堅牢性と正確性を示しながら、最小限の交通機能のみに依存している。 完全に並列化され、TGDTは数秒で1000以上のシナリオをシミュレートし、コスト効率、解釈可能、リアルタイムな信号最適化ソリューションを提供する。

関連論文リスト

• Dynamic Graph Attention Networks for Travel Time Distribution Prediction in Urban Arterial Roads [5.849150965368483]
  本研究では,動脈回廊沿いの両方向の走行時間分布を同時モデル化する構造的枠組みを提案する。 その結果, サイクル長, グリーンパーセンテージ, 交通密度, 反現実経路など, 効果的な交通変動に対するレジリエンスが示された。 このフレームワークは、動的信号タイミングをサポートし、混雑管理を強化し、現実世界のアプリケーションにおける走行時間の信頼性を向上させる。
  論文  参考訳（メタデータ） (2024-12-15T07:30:01Z)
• 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)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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)
• PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic Condition Prediction [8.255993195520306]
  本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。 まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
  論文  参考訳（メタデータ） (2021-08-05T07:42:43Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• PCNN: Deep Convolutional Networks for Short-term Traffic Congestion Prediction [16.010576606023417]
  そこで我々は,PCNNという新しい手法を提案し,短期交通渋滞予測のための周期的トラフィックデータをモデル化する。 PCNNには時系列の折り畳みと多粒度学習という2つの重要な手順がある。 実世界の都市交通データセットの実験結果から,二次元行列への時系列データの折り畳みが有効であることが確認された。
  論文  参考訳（メタデータ） (2020-03-16T05:36:58Z)

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。