論文の概要: Traffic Intersection Simulation Using Turning Movement Count Data in SUMO: A Case Study of Toronto Intersections
- arxiv url: http://arxiv.org/abs/2508.10733v1
- Date: Thu, 14 Aug 2025 15:12:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-15 22:24:48.377091
- Title: Traffic Intersection Simulation Using Turning Movement Count Data in SUMO: A Case Study of Toronto Intersections
- Title（参考訳）: SUMOにおける回転数データを用いた交通遮断シミュレーション:トロント交差点を事例として
- Authors: Harshit Maheshwari, Li Yang, Richard W Pazzi,
- Abstract要約: 本稿では,トロント市からの車両回転数(TMC)データを活用する交差点交通シミュレーションツールを提案する。
本研究で実施したシミュレーションは、ネットワークを介して完全な車両経路を作成することなく、交差点レベルの交通発生に焦点を当てたものである。
シミュレーショントラフィックを実データに対して評価することにより,シミュレーションが実交叉流を密に再現することを示す。
- 参考スコア（独自算出の注目度）: 9.657072841833243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban traffic simulation is vital in planning, modeling, and analyzing road networks. However, the realism of a simulation depends extensively on the quality of input data. This paper presents an intersection traffic simulation tool that leverages real-world vehicle turning movement count (TMC) data from the City of Toronto to model traffic in an urban environment at an individual or multiple intersections using Simulation of Urban MObility (SUMO). The simulation performed in this research focuses specifically on intersection-level traffic generation without creating full vehicle routes through the network. This also helps keep the network's complexity to a minimum. The simulated traffic is evaluated against actual data to show that the simulation closely reproduces real intersection flows. This validates that the real data can drive practical simulations, and these scenarios can replace synthetic or random generated data, which is prominently used in developing new traffic-related methodologies. This is the first tool to integrate TMC data from Toronto into SUMO via an easy-to-use Graphical User Interface. This work contributes to the research and traffic planning community on data-driven traffic simulation. It provides transportation engineers with a framework to evaluate intersection design and traffic signal optimization strategies using readily available aggregate traffic data.
- Abstract（参考訳）: 都市交通シミュレーションは、道路網の計画、モデリング、分析に不可欠である。
しかし、シミュレーションの現実性は入力データの品質に大きく依存する。
本稿では,トロント市からの車両回転数(TMC)データを利用した交差点交通シミュレーションツールについて,都市移動シミュレーション(SUMO)を用いて都市環境における交通のモデル化を行う。
本研究で実施したシミュレーションは、ネットワークを介して完全な車両経路を作成することなく、交差点レベルの交通発生に焦点を当てたものである。
また、ネットワークの複雑さを最小限に抑えるのにも役立ちます。
シミュレーショントラフィックを実データに対して評価することにより,シミュレーションが実交叉流を密に再現することを示す。
これは、実際のデータが実用的なシミュレーションを駆動できることを検証し、これらのシナリオは、新しいトラフィック関連の方法論の開発で顕著に使用される合成データやランダムなデータを置き換えることができる。
これは、トロントのTMCデータを簡単に使えるグラフィカルユーザインタフェースを通じてSUMOに統合する最初のツールである。
この研究は、データ駆動交通シミュレーションの研究と交通計画のコミュニティに貢献する。
交通機関の技術者に、簡単に利用可能な集約トラフィックデータを使用して交差点の設計と信号の最適化戦略を評価するためのフレームワークを提供する。
関連論文リスト
- TransWorldNG: Traffic Simulation via Foundation Model [23.16553424318004]
データ駆動型アルゴリズムとグラフコンピューティング技術を用いて,実データからトラフィックダイナミクスを学習する交通シミュレータTransWordNGを提案する。
その結果,TransWorldNGは従来のシミュレータよりも現実的なトラフィックパターンを生成できることがわかった。
論文 参考訳（メタデータ） (2023-05-25T05:49:30Z) - 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) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - RegTraffic: A Regression Based Traffic Simulator for Spatiotemporal
Traffic Modeling, Simulation and Visualization [0.6531546527140474]
本稿では,動的回帰に基づくトラフィック解析を統合した対話型トラフィックシミュレータRegTrafficを提案する。
RegTrafficは、1.3Km/hの平均正方形エラーと1.71Km/hのルート平均正方形エラーを効果的に予測できる。
論文 参考訳（メタデータ） (2022-11-23T03:34:27Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳（メタデータ） (2021-01-17T00:29:30Z) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳（メタデータ） (2020-11-07T19:57:22Z) - Integrated Traffic Simulation-Prediction System using Neural Networks
with Application to the Los Angeles International Airport Road Network [39.975268616636]
提案システムは,最適化に基づくOD行列生成手法と,トラフィックフローのパターンを介してOD行列を予測するニューラルネットワーク(NN)モデルと,微視的トラフィックシミュレータを含む。
ロサンゼルス国際空港(LAX)中央ターミナルエリア(CTA)の道路ネットワーク上で提案システムをテストする。
論文 参考訳（メタデータ） (2020-08-05T01:41:10Z)
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。