論文の概要: Machine Learning Predictions for Traffic Equilibria in Road Renovation Scheduling

• arxiv url: http://arxiv.org/abs/2506.05933v1
• Date: Fri, 06 Jun 2025 09:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.412185
• Title: Machine Learning Predictions for Traffic Equilibria in Road Renovation Scheduling
• Title（参考訳）: 道路改修計画における交通均衡の機械学習予測
• Authors: Robbert Bosch, Wouter van Heeswijk, Patricia Rogetzer, Martijn Mes,
• Abstract要約: 本稿では,道路改修に伴うネットワーク全体の混雑を予測するために,機械学習に基づく代理モデルを用いて検討する。 XGBoostは、さまざまな指標においてオルタナティブを著しく上回り、最も顕著なのは平均絶対パーセンテージエラー(MAPE)である。 このモデリング手法は、保守計画における大規模交通割当問題の計算負担を軽減する可能性がある。
• 参考スコア（独自算出の注目度）: 1.124958340749622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately estimating the impact of road maintenance schedules on traffic conditions is important because maintenance operations can substantially worsen congestion if not carefully planned. Reliable estimates allow planners to avoid excessive delays during periods of roadwork. Since the exact increase in congestion is difficult to predict analytically, traffic simulations are commonly used to assess the redistribution of the flow of traffic. However, when applied to long-term maintenance planning involving many overlapping projects and scheduling alternatives, these simulations must be run thousands of times, resulting in a significant computational burden. This paper investigates the use of machine learning-based surrogate models to predict network-wide congestion caused by simultaneous road renovations. We frame the problem as a supervised learning task, using one-hot encodings, engineered traffic features, and heuristic approximations. A range of linear, ensemble-based, probabilistic, and neural regression models is evaluated under an online learning framework in which data progressively becomes available. The experimental results show that the Costliest Subset Heuristic provides a reasonable approximation when limited training data is available, and that most regression models fail to outperform it, with the exception of XGBoost, which achieves substantially better accuracy. In overall performance, XGBoost significantly outperforms alternatives in a range of metrics, most strikingly Mean Absolute Percentage Error (MAPE) and Pinball loss, where it achieves a MAPE of 11% and outperforms the next-best model by 20% and 38% respectively. This modeling approach has the potential to reduce the computational burden of large-scale traffic assignment problems in maintenance planning.
• Abstract（参考訳）: 道路整備スケジュールが交通条件に与える影響を正確に推定することが重要である。 信頼性の高い見積もりは、プランナーが道路工事の期間に過度の遅延を避けることを可能にする。 渋滞の正確な増加を解析的に予測することは困難であるため,交通流の再分配を評価するために交通シミュレーションが一般的に用いられている。 しかし、多くの重複するプロジェクトや代替案のスケジューリングを含む長期維持計画に適用する場合、これらのシミュレーションは何千回も実行されなければならないため、計算上の負担が大きい。 本稿では,同時道路改修に伴うネットワーク全体の混雑を予測するために,機械学習に基づく代理モデルを用いて検討する。 我々は,この問題を教師付き学習タスクとして,ワンホット符号化,エンジニアリングされた交通特徴,ヒューリスティック近似を用いて検討した。 線形、アンサンブルベース、確率的、神経回帰モデルの範囲は、データが徐々に利用可能になるオンライン学習フレームワークの下で評価される。 実験結果から、Costliest Subset Heuristicは、限られたトレーニングデータが利用可能である場合に妥当な近似を提供し、ほとんどの回帰モデルは、XGBoostを除いて、それよりはるかに優れた精度を達成することを示している。 全体的なパフォーマンスでは、XGBoostはさまざまな指標において、平均絶対誤差(MAPE)とピンボール損失(MAPE)で、それぞれ11%を達成し、次のベストモデルの20%と38%を上回ります。 このモデリング手法は、保守計画における大規模交通割当問題の計算負担を軽減する可能性がある。

関連論文リスト

• Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data [0.0]
  本稿では,実世界の運用記録と合成機械的破壊シナリオを融合したディープラーニングフレームワークを提案する。 XGBoost回帰器は14.3%の絶対誤差(MedAE)と15.1%のLong Short-Term Memoryネットワークの2つのアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2025-06-04T12:12:56Z)
• 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)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• 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)
• A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios [0.0]
  本稿では、重み解析と不均衡な分類問題から着想を得た種々の損失関数を探索し、この問題に対処する。 平均絶対誤差(MAE)を最適化する場合,MAE-Focal Loss関数が最も有効であることがわかった。 本研究は,混雑による急激な速度変化を予測する深層学習モデルの能力を高める。
  論文  参考訳（メタデータ） (2023-08-29T17:44:02Z)
• Robustness Benchmark of Road User Trajectory Prediction Models for Automated Driving [0.0]
  車両内のモデル展開中に観測される機能不全をシミュレートする摂動に対して、機械学習モデルをベンチマークする。 同様の摂動を持つモデルのトレーニングは、パフォーマンスの劣化を効果的に低減し、エラーは+87.5%まで増加する。 効果的な緩和戦略であるにもかかわらず、トレーニング中の摂動によるデータ拡張は、予期せぬ摂動に対する堅牢性を保証するものではない、と我々は主張する。
  論文  参考訳（メタデータ） (2023-04-04T15:47:42Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。