論文の概要: Enhanced Urban Traffic Management Using CCTV Surveillance Videos and Multi-Source Data Current State Prediction and Frequent Episode Mining

• arxiv url: http://arxiv.org/abs/2510.09644v1
• Date: Sat, 04 Oct 2025 06:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.512602
• Title: Enhanced Urban Traffic Management Using CCTV Surveillance Videos and Multi-Source Data Current State Prediction and Frequent Episode Mining
• Title（参考訳）: CCTVサーベイランスビデオとマルチソースデータ電流予測と周波エピソードマイニングによる都市交通管理の高度化
• Authors: Shaharyar Alam Ansari, Mohammad Luqman, Aasim Zafar, Savir Ali,
• Abstract要約: 本研究の目的は、CCTV監視ビデオとマルチソースデータを統合し、リアルタイムの都市交通予測を強化する統一的なフレームワークを開発することである。 このフレームワークは46台のカメラにまたがる313,931個のバウンディングボックスからなるCityFlowデータセットで評価された。
• 参考スコア（独自算出の注目度）: 3.3248768737711045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid urbanization has intensified traffic congestion, environmental strain, and inefficiencies in transportation systems, creating an urgent need for intelligent and adaptive traffic management solutions. Conventional systems relying on static signals and manual monitoring are inadequate for the dynamic nature of modern traffic. This research aims to develop a unified framework that integrates CCTV surveillance videos with multi-source data descriptors to enhance real-time urban traffic prediction. The proposed methodology incorporates spatio-temporal feature fusion, Frequent Episode Mining for sequential traffic pattern discovery, and a hybrid LSTM-Transformer model for robust traffic state forecasting. The framework was evaluated on the CityFlowV2 dataset comprising 313,931 annotated bounding boxes across 46 cameras. It achieved a high prediction accuracy of 98.46 percent, with a macro precision of 0.9800, macro recall of 0.9839, and macro F1-score of 0.9819. FEM analysis revealed significant sequential patterns such as moderate-congested transitions with confidence levels exceeding 55 percent. The 46 sustained congestion alerts are system-generated, which shows practical value for proactive congestion management. This emphasizes the need for the incorporation of video stream analytics with data from multiple sources for the design of real-time, responsive, adaptable multi-level intelligent transportation systems, which makes urban mobility smarter and safer.
• Abstract（参考訳）: 急速な都市化は交通渋滞、環境負荷、交通システムの非効率性を増し、インテリジェントで適応的な交通管理ソリューションを緊急に必要としてきた。 静的信号と手動監視に依存する従来のシステムは、現代の交通の動的な性質には不十分である。 本研究は,CCTV監視ビデオとマルチソースデータディスクリプタを統合する統合フレームワークを開発し,都市交通予測のリアルタイム化を目的とする。 提案手法は、時空間的特徴融合、連続的なトラフィックパターン探索のための周波エピソードマイニング、ロバストなトラフィック状態予測のためのハイブリッドLSTM-Transformerモデルを含む。 このフレームワークは46台のカメラで313,931個の注釈付きバウンディングボックスからなるCityFlowV2データセットで評価された。 予測精度は98.6%、マクロ精度0.9800、マクロリコール0.9839、マクロF1スコア0.9819である。 FEM分析では, 信頼度が55%を超える中等度集中遷移などの有意な逐次パターンがみられた。 46の持続的渋滞警報がシステム生成され, 予防的混雑管理の実践的価値が示された。 これは、リアルタイムで応答性があり、適応可能なマルチレベルのインテリジェントな交通システムの設計のために、複数のソースからのデータによるビデオストリーム分析を組み込むことの必要性を強調している。

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)
• Leveraging Multimodal-LLMs Assisted by Instance Segmentation for Intelligent Traffic Monitoring [6.648291808015463]
  本研究では,リアルタイムQuanser Interactive Labシミュレーションプラットフォーム上でのトラフィック監視作業にLLaVAビジュアルグラウンド・マルチモーダル大言語モデル(LLM)を利用する。 複数の都市に設置されたカメラはシミュレーションからリアルタイムの画像を収集し、LLaVAモデルに入力して分析を行う。 このシステムは、車両の位置を認識する精度が84.3%、ステアリング方向が76.4%で、従来のモデルを上回っている。
  論文  参考訳（メタデータ） (2025-02-16T23:03:26Z)
• Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
  トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。 スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。 その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T14:23:23Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Traffic Co-Simulation Framework Empowered by Infrastructure Camera Sensing and Reinforcement Learning [5.942910148207331]
  マルチエージェント強化学習(MARL)は、反復シミュレーションを用いて、ネットワーク内の信号機の制御戦略の学習に特に有効である。 本研究では,高忠実度3次元モデリングと大規模交通流シミュレーションを組み合わせたCARLAシミュレートとSUMOを組み合わせた協調シミュレーションフレームワークを提案する。 実時間カメラを用いた交通状況検出におけるMARL手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-12-05T07:01:56Z)
• Multi-level Traffic-Responsive Tilt Camera Surveillance through Predictive Correlated Online Learning [16.25152138605216]
  本稿では,TTC-Xのマルチレベル交通タイミングカメラ監視システムについて紹介する。 TTC-Xは、従来の監視システムにおける固定視野の限界を克服し、動員および360度のカバレッジを提供する。 ニューヨーク州ブルックリンの現実世界の交通データを用いて,3つの実験シナリオで検証および評価を行った。
  論文  参考訳（メタデータ） (2024-08-05T03:17:44Z)
• Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU [5.320087179174425]
  我々は、リアルタイムにトラフィック量を予測するための非線形メモリベースディープニューラルネットワークモデルを開発した。 本実験は,高ダイナミックかつ異種交通環境における交通量予測における提案モデルの有効性を実証するものである。
  論文  参考訳（メタデータ） (2023-03-22T15:25:07Z)

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。