論文の概要: Deep Learning for On-Street Parking Violation Prediction

• arxiv url: http://arxiv.org/abs/2505.06818v1
• Date: Sun, 11 May 2025 03:02:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.054229
• Title: Deep Learning for On-Street Parking Violation Prediction
• Title（参考訳）: オンライン駐車違反予測のための深層学習
• Authors: Thien Nhan Vo,
• Abstract要約: 多くの大都市で直面している最も大きな問題は、利用可能な駐車場の不足とともに違法駐車である。 本稿では,道路駐車システムにおける細粒度駐車違反率を予測するために,Deep Learning (DL) モデルを用いる。 我々は,ギリシャのテッサロニキで収集された実データを用いて,開発システムによって正確な駐車違反予測が可能であることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Illegal parking along with the lack of available parking spaces are among the biggest issues faced in many large cities. These issues can have a significant impact on the quality of life of citizens. On-street parking systems have been designed to this end aiming at ensuring that parking spaces will be available for the local population, while also providing easy access to parking for people visiting the city center. However, these systems are often affected by illegal parking, providing incorrect information regarding the availability of parking spaces. Even though this can be mitigated using sensors for detecting the presence of cars in various parking sectors, the cost of these implementations is usually prohibiting large. In this paper, we investigate an indirect way of predicting parking violations at a fine-grained level, equipping such parking systems with a valuable tool for providing more accurate information to citizens. To this end, we employed a Deep Learning (DL)-based model to predict fine-grained parking violation rates for on-street parking systems. Moreover, we developed a data augmentation and smoothing technique for further improving the accuracy of DL models under the presence of missing and noisy data. We demonstrate, using experiments on real data collected in Thessaloniki, Greece, that the developed system can indeed provide accurate parking violation predictions.
• Abstract（参考訳）: 多くの大都市で直面している最も大きな問題は、利用可能な駐車場の不足とともに違法駐車である。 これらの問題は市民の生活の質に大きな影響を及ぼす可能性がある。 この目的のために路上駐車システムは、地元住民が駐車スペースを利用できるようにし、市中心部を訪れる人にも簡単に駐車できるように設計されている。 しかし、これらのシステムは、しばしば違法な駐車の影響を受けており、駐車場の可用性に関する誤った情報を提供している。 これは様々な駐車場で車の存在を検知するセンサーによって緩和できるが、これらの実装のコストは、通常大きすぎる。 本稿では、より正確な情報を市民に提供する貴重なツールを用いて、駐車違反をきめ細かいレベルで予測する間接的手法について検討する。 そこで我々は,道路駐車システムにおける細粒度駐車違反率を予測するために,Deep Learning (DL) モデルを用いた。 さらに,欠落データやノイズデータの存在下で,DLモデルの精度をさらに向上するデータ拡張・平滑化手法を開発した。 我々は,ギリシャのテッサロニキで収集された実データを用いて,開発システムによって正確な駐車違反予測が可能であることを実証した。

関連論文リスト

• GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
  On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。 我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
  論文  参考訳（メタデータ） (2024-06-30T04:21:46Z)
• Truck Parking Usage Prediction with Decomposed Graph Neural Networks [15.291200515217513]
  貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。 正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。 本稿では、州全体での駐車場利用を予測するために、Reg-TCN(Reg-TCN)を提案する。
  論文  参考訳（メタデータ） (2024-01-23T17:14:01Z)
• Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
  本稿では,自動車用レーダセンサの自動校正手法を提案する。 本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。 実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
  論文  参考訳（メタデータ） (2023-06-23T07:01:10Z)
• SHINE: Deep Learning-Based Accessible Parking Management System [1.7109513360384465]
  自家用車の増加により、障害者の駐車スペースが乱用されている。 従来のライセンスプレート認識(LPR)システムは、そのような問題にリアルタイムで対処する上で非効率であることが証明されている。 我々は,深層学習に基づく物体検出アルゴリズムを用いて車両を検知するシステム,Shineを提案する。
  論文  参考訳（メタデータ） (2023-02-02T02:46:52Z)
• Dynamic Price of Parking Service based on Deep Learning [68.8204255655161]
  都市部における空気質の向上は、公共団体の主な関心事の一つである。 この懸念は、大気の質と公衆衛生の間の証拠から生じる。 規制された駐車場サービスにおける動的価格の提案について述べる。
  論文  参考訳（メタデータ） (2022-01-11T20:31:35Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)

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。