論文の概要: Research on Expressway Congestion Warning Technology Based on YOLOv11-DIoU and GRU-Attention

• arxiv url: http://arxiv.org/abs/2509.13361v2
• Date: Tue, 04 Nov 2025 09:49:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.429631
• Title: Research on Expressway Congestion Warning Technology Based on YOLOv11-DIoU and GRU-Attention
• Title（参考訳）: YOLOv11-DIoUとGRU注意に基づく高速道路混雑警報技術に関する研究
• Authors: Tong Yulin, Liang Xuechen,
• Abstract要約: 既存の「検出予測」システムには重大な欠陥がある。 交通流の認識には、2つのベースラインアルゴリズムが最適化された。 DeepSortは4つのIDスイッチで93.8%のMOTA(11.3%)に達した。 渋滞警告のために、渋滞前駆体を捕捉するGRU-Attentionモデルが構築された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Expressway traffic congestion severely reduces travel efficiency and hinders regional connectivity. Existing "detection-prediction" systems have critical flaws: low vehicle perception accuracy under occlusion and loss of long-sequence dependencies in congestion forecasting. This study proposes an integrated technical framework to resolve these issues.For traffic flow perception, two baseline algorithms were optimized. Traditional YOLOv11 was upgraded to YOLOv11-DIoU by replacing GIoU Loss with DIoU Loss, and DeepSort was improved by fusing Mahalanobis (motion) and cosine (appearance) distances. Experiments on Chang-Shen Expressway videos showed YOLOv11-DIoU achieved 95.7\% mAP (6.5 percentage points higher than baseline) with 5.3\% occlusion miss rate. DeepSort reached 93.8\% MOTA (11.3 percentage points higher than SORT) with only 4 ID switches. Using the Greenberg model (for 10-15 vehicles/km high-density scenarios), speed and density showed a strong negative correlation (r=-0.97), conforming to traffic flow theory. For congestion warning, a GRU-Attention model was built to capture congestion precursors. Trained 300 epochs with flow, density, and speed, it achieved 99.7\% test accuracy (7-9 percentage points higher than traditional GRU). In 10-minute advance warnings for 30-minute congestion, time error was $\leq$ 1 minute. Validation with an independent video showed 95\% warning accuracy, over 90\% spatial overlap of congestion points, and stable performance in high-flow ($>$5 vehicles/second) scenarios.This framework provides quantitative support for expressway congestion control, with promising intelligent transportation applications.
• Abstract（参考訳）: 高速道路の渋滞は交通効率を著しく低下させ、地域との接続を阻害する。 既存の「検出予測」システムには、閉塞下での車両の認識精度の低下や、渋滞予測における長期依存の喪失といった重大な欠陥がある。 本研究では,これらの問題を解決するための統合的技術枠組みを提案し,交通流の認識のために2つのベースラインアルゴリズムを最適化した。 従来のYOLOv11はGIoUロスをDIoUロスに置き換えてYOLOv11-DIoUにアップグレードされ、DeepSortはマハラノビス(運動)とコサイン(外観)距離を融合して改良された。 Chang-Shen Expresswayビデオの実験では、YOLOv11-DIoUは95.7 % mAP(ベースラインよりも6.5 %高い)と5.3 %のオクルージョンミス率を達成した。 DeepSort は 93.8 % MOTA (SORT よりも 11.3 パーセント高い) に達し、ID スイッチは 4 つしかなかった。 グリーンバーグモデルを用いて, 速度と密度は交通流理論に適合する強い負の相関(r=-0.97)を示した。 渋滞警告のために、渋滞前駆体を捕捉するGRU-Attentionモデルが構築された。 流速、密度、速度の300エポックで訓練され、従来のGRUよりも99.7\%の精度(7-9ポイント高い)を達成した。 30分間の混雑に対する10分間の事前警告では、時間エラーは1分$\leq$であった。 独立系ビデオによる検証では,95 %の警告精度,90 %以上の混雑点の空間的重複,高流量(+5 台/秒)シナリオでの安定した性能が示された。

関連論文リスト

• Edge-AI Perception Node for Cooperative Road-Safety Enforcement and Connected-Vehicle Integration [2.320417845168326]
  インドなどの新興国の急速な自動車化は、2023年に1100万件以上の違反が記録されており、4000台あたり約1人の警官が警察に拘束されている。 従来の監視と手動によるチケット発行は、この規模にスケールできないため、自律的で協力的でエネルギー効率のよいエッジAI認識インフラの必要性を動機付けている。 本稿では,多クラス交通違反の分析と,接続されたインテリジェントな車両エコシステム内での安全事象の拡散を行うためのリアルタイム道路側認識ノードを提案する。
  論文  参考訳（メタデータ） (2026-01-06T08:02:58Z)
• NEXICA: Discovering Road Traffic Causality (Extended arXiv Version) [1.788784870849724]
  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。
  論文  参考訳（メタデータ） (2025-08-13T02:59:09Z)
• YOLO-LLTS: Real-Time Low-Light Traffic Sign Detection via Prior-Guided Enhancement and Multi-Branch Feature Interaction [45.79993863157494]
  YOLO-LLTSは、低照度環境向けに設計されたエンドツーエンドのリアルタイム信号検出アルゴリズムである。 YOLO-LLTSは、HRFM-SOD(High-Resolution Feature Map for Small Object Detection)、MFIA(Multi-branch Feature Interaction Attention)、PGFE(Presideed-Guided Feature Enhancement Module)の3つの主要なコントリビューションを紹介している。 実験の結果、YOLO-LLTSは最新技術の性能を達成し、TT100K-nightでは2.7% mAP50:95と1.6% mAP50:95よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-18T04:28:05Z)
• YOLO-PPA based Efficient Traffic Sign Detection for Cruise Control in Autonomous Driving [10.103731437332693]
  自律運転システムにおいて,交通標識を効率的にかつ正確に検出することが重要である。 既存のオブジェクト検出アルゴリズムでは、これらの小さなスケールの兆候をほとんど検出できない。 本稿では, YOLO PPAに基づく交通標識検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-05T07:49:21Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• 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)
• An approach to improving sound-based vehicle speed estimation [0.0]
  本稿では,最近提案された音速推定法の性能改善について検討する。 この方法はVS10データセットでテストされ、10台の異なる車両の304のオーディオビデオが記録されている。
  論文  参考訳（メタデータ） (2022-04-08T12:58:35Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• METEOR: A Massive Dense & Heterogeneous Behavior Dataset for Autonomous Driving [42.69638782267657]
  本稿では、インドにおける非構造化シナリオにおけるトラフィックパターンをキャプチャする、新しい複雑なトラフィックデータセットMETEORを提案する。 METEORは1000分以上のビデオクリップと、エゴ車軌道を持つ200万以上の注釈付きフレームと、周囲の車両や交通機関のための1300万以上のバウンディングボックスで構成されている。 我々は,オブジェクト検出と行動予測アルゴリズムの性能を評価するために,新しいデータセットを用いた。
  論文  参考訳（メタデータ） (2021-09-16T01:01:55Z)
• 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)
• Res-GCNN: A Lightweight Residual Graph Convolutional Neural Networks for Human Trajectory Forecasting [0.0]
  ペデストリアンの対話的挙動をモデル化した残差グラフ畳み込みニューラルネットワーク(Res-GCNN)を提案する。 その結果、最終変位誤差(FDE)が0.65mに達すると、アートの状態を13.3%改善することが示された。 コードはGitHubで公開されている。
  論文  参考訳（メタデータ） (2020-11-18T11:18:16Z)
• 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)

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。