論文の概要: Network-Level Vehicle Delay Estimation at Heterogeneous Signalized Intersections

• arxiv url: http://arxiv.org/abs/2510.01292v1
• Date: Wed, 01 Oct 2025 05:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.796597
• Title: Network-Level Vehicle Delay Estimation at Heterogeneous Signalized Intersections
• Title（参考訳）: 不均一信号区間におけるネットワークレベル車両遅延推定
• Authors: Xiaobo Ma, Hyunsoo Noh, James Tokishi, Ryan Hatch,
• Abstract要約: 本研究では,様々な交差点を横断する車両遅延を推定するためのドメイン適応(DA)フレームワークを提案する。 新たなDAモデルであるGradient Boosting with Balanced Weighting (GBBW)は、ターゲットドメインとの類似性に基づいてソースデータを重み付けする。 8つの最先端ML回帰モデルと7つのインスタンスベースのDA手法で性能を評価する。
• 参考スコア（独自算出の注目度）: 4.534054317956599
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate vehicle delay estimation is essential for evaluating the performance of signalized intersections and informing traffic management strategies. Delay reflects congestion levels and affects travel time reliability, fuel use, and emissions. Machine learning (ML) offers a scalable, cost-effective alternative; However, conventional models typically assume that training and testing data follow the same distribution, an assumption that is rarely satisfied in real-world applications. Variations in road geometry, signal timing, and driver behavior across intersections often lead to poor generalization and reduced model accuracy. To address this issue, this study introduces a domain adaptation (DA) framework for estimating vehicle delays across diverse intersections. The framework separates data into source and target domains, extracts key traffic features, and fine-tunes the model using a small, labeled subset from the target domain. A novel DA model, Gradient Boosting with Balanced Weighting (GBBW), reweights source data based on similarity to the target domain, improving adaptability. The framework is tested using data from 57 heterogeneous intersections in Pima County, Arizona. Performance is evaluated against eight state-of-the-art ML regression models and seven instance-based DA methods. Results demonstrate that the GBBW framework provides more accurate and robust delay estimates. This approach supports more reliable traffic signal optimization, congestion management, and performance-based planning. By enhancing model transferability, the framework facilitates broader deployment of machine learning techniques in real-world transportation systems.
• Abstract（参考訳）: 信号化交差点の性能評価と交通管理戦略の評価には,正確な車両遅延推定が不可欠である。 遅延は混雑レベルを反映し、旅行時間の信頼性、燃料使用、排出に影響を与える。 機械学習(ML)はスケーラブルで費用対効果の高い代替手段を提供するが、従来のモデルはトレーニングデータとテストデータが同じ分布に従うと仮定する。 交差点を横断する道路形状、信号タイミング、運転者の挙動の変化は、しばしば一般化が悪く、モデルの精度が低下する。 この問題に対処するために,様々な交差点を横断する車両遅延を推定するためのドメイン適応(DA)フレームワークを提案する。 このフレームワークは、データをソースドメインとターゲットドメインに分離し、主要なトラフィック特徴を抽出し、ターゲットドメインから小さなラベル付きサブセットを使用してモデルを微調整する。 新たなDAモデルであるGradient Boosting with Balanced Weighting (GBBW)は、ターゲットドメインとの類似性に基づいてソースデータを重み付けし、適応性を向上させる。 このフレームワークはアリゾナ州ピマ郡の57の異種交差点のデータを用いてテストされている。 8つの最先端ML回帰モデルと7つのインスタンスベースのDA手法で性能を評価する。 GBBWフレームワークはより正確で堅牢な遅延推定を提供することを示した。 このアプローチは、より信頼性の高いトラフィック信号の最適化、混雑管理、パフォーマンスベースの計画をサポートする。 モデル転送可能性を高めることで、このフレームワークは現実世界の輸送システムに機械学習技術の広範な展開を促進する。

関連論文リスト

• Smart Traffic Signals: Comparing MARL and Fixed-Time Strategies [0.0]
  都市交通渋滞、特に交差点での交通渋滞は、旅行時間、燃料消費および排出に大きな影響を及ぼす。 従来の固定時間信号制御システムは、動的トラフィックパターンを効果的に管理する適応性に欠けることが多い。 本研究では,複数交差点間の交通信号調整を最適化するためのマルチエージェント強化学習の適用について検討する。
  論文  参考訳（メタデータ） (2025-05-20T15:59:44Z)
• Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data [19.01488741469791]
  斜め交通速度を正確に推定するための効率的でロバストな低ランクモデルを提案する。 提案手法は,TSEシナリオにおけるルート平均角誤差(RMSE)を最大12%改善する。 最先端のSOTA(State-of-the-art)メソッドよりも20倍以上高速に動作します。
  論文  参考訳（メタデータ） (2024-11-06T15:13:40Z)
• 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)
• Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
  最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。 本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-07-17T01:11:07Z)
• Deep Learning Methods for Adjusting Global MFD Speed Estimations to Local Link Configurations [4.2185937778110825]
  本研究では,リンク構成に基づいて,実リンク速度とMFD平均速度の局所的な速度差を表す局所補正係数(LCF)を提案する。 LCFは、MFDから平均速度と道路網構成を入力として行う深層学習関数を用いて計算される。 本フレームワークは,グラフ注意ネットワーク(GAT)とGRU(Gated Recurrent Units)を統合し,ネットワーク内の空間的構成と時間的相関の両方をキャプチャする。
  論文  参考訳（メタデータ） (2024-05-23T07:37:33Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)

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。