論文の概要: Estimating link level traffic emissions: enhancing MOVES with open-source data

• arxiv url: http://arxiv.org/abs/2510.03362v1
• Date: Fri, 03 Oct 2025 02:22:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.93088
• Title: Estimating link level traffic emissions: enhancing MOVES with open-source data
• Title（参考訳）: リンクレベルのトラフィックエミッションの推定:オープンソースデータによるMOVESの強化
• Authors: Lijiao Wang, Muhammad Usama, Haris N. Koutsopoulos, Zhengbing He,
• Abstract要約: 我々は、MOVESとオープンソースのGPSトラジェクトリデータ、OpenStreetMap(OSM)ロードネットワーク、地域交通データセット、衛星画像から得られる特徴ベクトルを統合したデータ駆動フレームワークを提案する。 ニューラルネットワークモデルは、手軽に利用可能なデータから派生した機能のみを使用して、MOVES定義のオペレーティングモードの分布を予測するために訓練される。 MOVESベースラインと比較して,提案モデルでは,CO,NOx,CO2,PM2.5を含む主要汚染物質の地域規模の交通排出量に対して,RMSEを50%以上削減する。
• 参考スコア（独自算出の注目度）: 14.265166179434061
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-source data offers a scalable and transparent foundation for estimating vehicle activity and emissions in urban regions. In this study, we propose a data-driven framework that integrates MOVES and open-source GPS trajectory data, OpenStreetMap (OSM) road networks, regional traffic datasets and satellite imagery-derived feature vectors to estimate the link level operating mode distribution and traffic emissions. A neural network model is trained to predict the distribution of MOVES-defined operating modes using only features derived from readily available data. The proposed methodology was applied using open-source data related to 45 municipalities in the Boston Metropolitan area. The "ground truth" operating mode distribution was established using OSM open-source GPS trajectories. Compared to the MOVES baseline, the proposed model reduces RMSE by over 50% for regional scale traffic emissions of key pollutants including CO, NOx, CO2, and PM2.5. This study demonstrates the feasibility of low-cost, replicable, and data-driven emissions estimation using fully open data sources.
• Abstract（参考訳）: オープンソースのデータは、都市部における車両の活動と排出を推定するためのスケーラブルで透明な基盤を提供する。 本研究では、MOVESとオープンソースのGPSトラジェクトリデータ、OpenStreetMap(OSM)ロードネットワーク、地域交通データセット、衛星画像から得られる特徴ベクトルを統合し、リンクレベルの運用モード分布と交通排出量を推定するデータ駆動フレームワークを提案する。 ニューラルネットワークモデルは、手軽に利用可能なデータから派生した機能のみを使用して、MOVES定義のオペレーティングモードの分布を予測するために訓練される。 提案手法はボストン都市圏の45の自治体に関するオープンソースデータを用いて適用された。 OSMのオープンソースGPSトラジェクトリを用いて「地上真理」操作モード分布が確立された。 MOVESベースラインと比較して,提案モデルでは,CO,NOx,CO2,PM2.5を含む主要汚染物質の地域規模の交通排出量に対して,RMSEを50%以上削減する。 本研究は, 完全オープンなデータソースを用いた低コスト, レプリカブル, およびデータ駆動型エミッション推定の可能性を示す。

関連論文リスト

• Learning Universal Human Mobility Patterns with a Foundation Model for Cross-domain Data Fusion [11.332722237426987]
  ユニバーサルな人体移動のための基盤モデルフレームワークを提案する。 制限に対処するために、クロスドメインデータ融合と大きな言語モデルを活用します。 我々のフレームワークはドメイン転送技術による適応性を実証する。
  論文  参考訳（メタデータ） (2025-03-20T01:41:28Z)
• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• IBB Traffic Graph Data: Benchmarking and Road Traffic Prediction Model [0.24999074238880487]
  道路交通渋滞予測はインテリジェント交通システムにおいて重要な要素である。 IBB Traffic Graphデータセットは、2451の異なる場所で収集されたセンサーデータをカバーしている。 本稿では,機能工学を通して時間的リンクを強化する道路交通予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-02T05:23:19Z)
• 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)
• Estimating On-road Transportation Carbon Emissions from Open Data of Road Network and Origin-destination Flow Data [16.21501733814205]
  我々は、オンロード二酸化炭素排出量推定(HENCE)のための階層的なグラフ学習法を構築した。 2つの大規模な実世界のデータセットの実験では、HENCEの有効性と、R-squared が 0.75 を超え、平均で 9.60% のベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-02-07T13:51:33Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
  我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。 提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
  論文  参考訳（メタデータ） (2021-07-02T10:11:51Z)
• Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
  交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。 本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。 我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
  論文  参考訳（メタデータ） (2020-07-06T12:31:27Z)

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。