論文の概要: NEXICA: Discovering Road Traffic Causality (Extended arXiv Version)

• arxiv url: http://arxiv.org/abs/2508.09447v1
• Date: Wed, 13 Aug 2025 02:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.733262
• Title: NEXICA: Discovering Road Traffic Causality (Extended arXiv Version)
• Title（参考訳）: NEXICA:道路交通事故の発見(拡張arXiv版)
• Authors: Siddharth Srikanth, John Krumm, Jonathan Qin,
• Abstract要約: NEXICAはハイウェイシステムのどの部分がハイウェイの他の部分の減速の原因となるかを検出するアルゴリズムである。 他のアルゴリズムが不十分な場合、我々は新しいアプローチを3つの方法で開発する。 ロサンゼルス地区の195の高速道路速度センサによる6ヶ月の道路速度データに対するアプローチを検証した。
• 参考スコア（独自算出の注目度）: 1.788784870849724
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Road traffic congestion is a persistent problem. Focusing resources on the causes of congestion is a potentially efficient strategy for reducing slowdowns. We present NEXICA, an algorithm to discover which parts of the highway system tend to cause slowdowns on other parts of the highway. We use time series of road speeds as inputs to our causal discovery algorithm. Finding other algorithms inadequate, we develop a new approach that is novel in three ways. First, it concentrates on just the presence or absence of events in the time series, where an event indicates the temporal beginning of a traffic slowdown. Second, we develop a probabilistic model using maximum likelihood estimation to compute the probabilities of spontaneous and caused slowdowns between two locations on the highway. Third, we train a binary classifier to identify pairs of cause/effect locations trained on pairs of road locations where we are reasonably certain a priori of their causal connections, both positive and negative. We test our approach on six months of road speed data from 195 different highway speed sensors in the Los Angeles area, showing that our approach is superior to state-of-the-art baselines in both accuracy and computation speed.
• Abstract（参考訳）: 道路交通渋滞は絶え間ない問題である。 混雑の原因にリソースを集中させることは、スローダウンを減らすための潜在的に効率的な戦略である。 NEXICAはハイウェイシステムのどの部分がハイウェイの他の部分の減速の原因となるかを検出するアルゴリズムである。 因果探索アルゴリズムの入力として,道路速度の時系列を用いる。 他のアルゴリズムが不十分な場合、我々は新しいアプローチを3つの方法で開発する。 まず、イベントがトラフィックのスローダウンの時間的開始を示す時系列におけるイベントの有無だけに集中する。 第2に,最大推定値を用いた確率モデルを構築し,自然発生確率と高速道路の2地点間の速度低下の確率を計算した。 第三に、二項分類器を訓練して、正と負の両方の因果関係の優先順位を合理的に確証している道路上の一対の因果関係を訓練する。 ロサンゼルス地区の195の高速道路速度センサから得られた6ヶ月の道路速度データから,我々のアプローチが精度と計算速度の両面で最先端のベースラインよりも優れていることを示す。

関連論文リスト

• Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
  本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。 さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。 その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-08-15T00:51:48Z)
• 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)
• 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)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• Enhance the performance of navigation: A two-stage machine learning approach [13.674463804942837]
  リアルタイム交通ナビゲーションはスマートトランスポート技術において重要な機能である。 本稿では,アンサンブル学習の考え方を採用し,正確なナビゲーション結果を与えるための2段階の機械学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-04-02T08:55:27Z)
• Nonlinear Traffic Prediction as a Matrix Completion Problem with Ensemble Learning [1.8352113484137629]
  本稿では,信号化トラフィック運用管理における短期的な交通予測の問題に対処する。 高分解能(秒間)におけるセンサ状態の予測に焦点をあてる 私たちのコントリビューションは,3つの洞察を提供するものとして要約することができます。
  論文  参考訳（メタデータ） (2020-01-08T13:10:40Z)

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。