論文の概要: Prediction of Highway Traffic Flow Based on Artificial Intelligence Algorithms Using California Traffic Data
- arxiv url: http://arxiv.org/abs/2507.13112v1
- Date: Thu, 17 Jul 2025 13:27:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-18 20:10:24.515671
- Title: Prediction of Highway Traffic Flow Based on Artificial Intelligence Algorithms Using California Traffic Data
- Title（参考訳）: カリフォルニア交通データを用いた人工知能アルゴリズムによる高速道路交通流の予測
- Authors: Junseong Lee, Jaegwan Cho, Yoonju Cho, Seoyoon Choi, Yejin Shin,
- Abstract要約: 調査では、2022年7月から11月までの5カ月間、カリフォルニア州道78号線からの30秒間隔の交通データを利用した。
この研究では、Multiple Linear Regression (MLR) とRandom Forest (RF) アルゴリズムを用いて、データ収集間隔を30秒から15分まで分析した。
R2, MAE, RMSEを性能指標として, MLRモデルとRFモデルの両方が10分間のデータ収集間隔で最適に動作したことを明らかにした。
- 参考スコア（独自算出の注目度）: 0.251657752676152
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The study "Prediction of Highway Traffic Flow Based on Artificial Intelligence Algorithms Using California Traffic Data" presents a machine learning-based traffic flow prediction model to address global traffic congestion issues. The research utilized 30-second interval traffic data from California Highway 78 over a five-month period from July to November 2022, analyzing a 7.24 km westbound section connecting "Melrose Dr" and "El-Camino Real" in the San Diego area. The study employed Multiple Linear Regression (MLR) and Random Forest (RF) algorithms, analyzing data collection intervals ranging from 30 seconds to 15 minutes. Using R^2, MAE, and RMSE as performance metrics, the analysis revealed that both MLR and RF models performed optimally with 10-minute data collection intervals. These findings are expected to contribute to future traffic congestion solutions and efficient traffic management.
- Abstract（参考訳）: カリフォルニア交通データを用いた人工知能アルゴリズムに基づく高速道路交通流予測」では、グローバル交通渋滞問題に対処するための機械学習に基づく交通流予測モデルが提示されている。
2022年7月から11月までの5ヶ月間、カリフォルニア州道78号線からの30秒間隔の交通データを利用して、サンディエゴ地域の「メルローズ・ドクター」と「エル・カミノ・レアル」を結ぶ7.24km西行き区間を分析した。
この研究では、Multiple Linear Regression (MLR) とRandom Forest (RF) アルゴリズムを用いて、データ収集間隔を30秒から15分まで分析した。
R^2, MAE, RMSEを用いて, MLRモデルとRFモデルの両方が10分間のデータ収集間隔で最適に動作したことを明らかにした。
これらの知見は,将来の交通渋滞対策と効率的な交通管理に寄与することが期待される。
関連論文リスト
- Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。
スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。
その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
論文 参考訳（メタデータ） (2025-02-03T14:23:23Z) - 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) - 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) - Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。
近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。
我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文 参考訳（メタデータ） (2024-10-28T09:19:29Z) - An Application of Vector Autoregressive Model for Analyzing the Impact
of Weather And Nearby Traffic Flow On The Traffic Volume [0.0]
本稿では,付近の交通量と気象条件に基づいて,ある道路区間における交通流を予測することを目的とする。
また,気象条件や付近の交通量が目標地点の交通量に与える影響も確認した。
論文 参考訳（メタデータ） (2023-11-12T16:45:29Z) - Leveraging Neo4j and deep learning for traffic congestion simulation &
optimization [0.0]
渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。
また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
論文 参考訳（メタデータ） (2023-04-01T01:23:10Z) - TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。
本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T13:12:17Z) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳（メタデータ） (2022-03-21T06:38:34Z) - Multistep traffic speed prediction: A deep learning based approach using
latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。
深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。
提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
論文 参考訳（メタデータ） (2021-11-03T10:17:48Z) - 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。