論文の概要: Considering Spatial Structure of the Road Network in Pavement Deterioration Modeling

• arxiv url: http://arxiv.org/abs/2508.02749v1
• Date: Sat, 02 Aug 2025 23:48:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.606269
• Title: Considering Spatial Structure of the Road Network in Pavement Deterioration Modeling
• Title（参考訳）: 舗装劣化モデルにおける道路網の空間構造の検討
• Authors: Lu Gao, Ke Yu, Pan Lu,
• Abstract要約: 本研究では,道路ネットワークの空間的依存性をグラフニューラルネットワーク(GNN)を用いた舗装劣化モデルに適用する。 本研究で使用されるデータには,テキサス交通省が管理する舗装管理情報システム(PMIS)から50万件以上の観測データを収集した大規模舗装条件データセットが含まれている。
• 参考スコア（独自算出の注目度）: 33.54970710607668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pavement deterioration modeling is important in providing information regarding the future state of the road network and in determining the needs of preventive maintenance or rehabilitation treatments. This research incorporated spatial dependence of road network into pavement deterioration modeling through a graph neural network (GNN). The key motivation of using a GNN for pavement performance modeling is the ability to easily and directly exploit the rich structural information in the network. This paper explored if considering spatial structure of the road network will improve the prediction performance of the deterioration models. The data used in this research comprises a large pavement condition data set with more than a half million observations taken from the Pavement Management Information System (PMIS) maintained by the Texas Department of Transportation. The promising comparison results indicates that pavement deterioration prediction models perform better when spatial relationship is considered.
• Abstract（参考訳）: 舗装劣化モデリングは,道路ネットワークの将来状況に関する情報提供や,予防的メンテナンスやリハビリテーションの必要性の判断に重要である。 本研究では,道路ネットワークの空間依存性をグラフニューラルネットワーク(GNN)を用いた舗装劣化モデルに組み込んだ。 舗装性能モデリングにGNNを使用する主な動機は、ネットワーク内のリッチな構造情報を簡単かつ直接利用できることである。 本稿では,道路ネットワークの空間構造を考慮することにより,劣化モデルの予測性能が向上するかどうかを考察する。 本研究で使用されるデータには,テキサス交通省が管理する舗装管理情報システム(PMIS)から50万件以上の観測データを収集した大規模舗装条件データセットが含まれている。 その結果,空間的関係を考慮した場合,舗装劣化予測モデルの性能が向上することが示唆された。

関連論文リスト

• STGAN: Spatial-temporal Graph Autoregression Network for Pavement Distress Deterioration Prediction [18.17472488072826]
  舗装の苦難に関する実世界のデータは、通常不規則に収集され、不均一で、非同期で、スパースな空間時間データセットをもたらす。 複雑な時空間データを用いて不規則な舗装の難易度を正確に予測する新しいグラフニューラルネットワークモデルを提案する。 本研究は, 積極的道路維持意思決定の促進と道路安全・レジリエンスの向上に寄与する。
  論文  参考訳（メタデータ） (2025-03-03T03:59:34Z)
• 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)
• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車の体積をモデル化するためにGCNアーキテクチャを利用する最初の研究について述べる。 線形回帰、サポートベクターマシン、ランダムフォレストといった従来の機械学習モデルと比較した。 以上の結果から,GCNモデルは,年間平均自転車数(AADB)を予測する上で,従来のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset and Consensus-Based Models [76.32775745488073]
  本研究では,非構造環境における動作計画の研究を目的とした,新しいデータセットとモデリングフレームワークを提案する。 コンセンサスに基づくモデリング手法により、データセットで観測された優先順位の出現を効果的に説明できることを実証する。
  論文  参考訳（メタデータ） (2022-09-19T05:06:57Z)
• Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
  建設工事の影響下での交通速度予測モデルを提案する。 このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。 このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-10-04T16:07:37Z)
• A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes [13.819341724635319]
  都市における自転車シェアリングシステムの利用可能な自転車の数を予測するための注意ベースのST-GCN(AST-GCN)を紹介します。 実験結果はdublinbikesとnyc-citi bikeの2つの実世界のデータセットを用いて提示した。
  論文  参考訳（メタデータ） (2021-04-21T17:13:29Z)
• Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural Network [6.065344547161387]
  本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。 提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
  論文  参考訳（メタデータ） (2021-02-24T05:02:19Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。