論文の概要: Pixels to Signals: A Real-Time Framework for Traffic Demand Estimation

• arxiv url: http://arxiv.org/abs/2510.24902v1
• Date: Tue, 28 Oct 2025 19:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.700663
• Title: Pixels to Signals: A Real-Time Framework for Traffic Demand Estimation
• Title（参考訳）: Pixels to Signals: トラフィック需要予測のためのリアルタイムフレームワーク
• Authors: H Mhatre, M Vyas, A Mittal,
• Abstract要約: 包括的な方法論は、トラフィックフローの最適化と遅延の最小化を目的として設計されている。 このフレームワークは、(a)車両検出、(b)交通予測、(c)交通信号最適化の3つの主要コンポーネントで構成されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic congestion is becoming a challenge in the rapidly growing urban cities, resulting in increasing delays and inefficiencies within urban transportation systems. To address this issue a comprehensive methodology is designed to optimize traffic flow and minimize delays. The framework is structured with three primary components: (a) vehicle detection, (b) traffic prediction, and (c) traffic signal optimization. This paper presents the first component, vehicle detection. The methodology involves analyzing multiple sequential frames from a camera feed to compute the background, i.e. the underlying roadway, by averaging pixel values over time. The computed background is then utilized to extract the foreground, where the Density-Based Spatial Clustering of Applications with Noise (DBSCAN) algorithm is applied to detect vehicles. With its computational efficiency and minimal infrastructure modification requirements, the proposed methodology offers a practical and scalable solution for real-world deployment.
• Abstract（参考訳）: 交通渋滞は急速に成長する都市において課題となり、都市交通システムにおける遅延や非効率性が高まっている。 この問題に対処するため、包括的な方法論は、トラフィックフローの最適化と遅延の最小化を目的として設計されている。 フレームワークは3つの主要なコンポーネントで構成されています。 a) 車両検出 b)交通予知,及び (c) 信号の最適化。 本論文は、車両検出の最初の構成要素である車両検出について述べる。 この手法は、カメラフィードから複数のシーケンシャルフレームを分析して背景、すなわち背景の道路を計算し、時間とともにピクセル値を平均化する。 次に、計算された背景を利用して前景を抽出し、車両検出に密度に基づくアプリケーション空間クラスタリング(DBSCAN)アルゴリズムを適用する。 計算効率とインフラ変更の最小限の要件により、提案手法は現実のデプロイメントに対して実用的でスケーラブルなソリューションを提供する。

関連論文リスト

• PPTNet: A Hybrid Periodic Pattern-Transformer Architecture for Traffic Flow Prediction and Congestion Identification [9.49753674895755]
  本稿では,交通流予測のための周期パターン変換ネットワーク(PPTNet)を提案する。 高精度のトラフィックフローデータセットはドローンの航空画像データに基づいて構築される。 Transformer Decoderは時間的依存関係を動的にモデル化し、トラフィック密度と速度の正確な予測を可能にする。 予測結果を用いて,混雑確率をリアルタイムで算出する。
  論文  参考訳（メタデータ） (2025-05-19T12:36:12Z)
• Reinforcement Learning for Adaptive Traffic Signal Control: Turn-Based and Time-Based Approaches to Reduce Congestion [2.733700237741334]
  本稿では,交差点における信号処理の強化にReinforcement Learning(強化学習)を用いることについて検討する。 本稿では,リアルタイム待ち行列長に基づく信号の動的優先順位付けを行うターンベースエージェントと,交通条件に応じた信号位相長の調整を行うタイムベースエージェントの2つのアルゴリズムを紹介する。 シミュレーションの結果、両RLアルゴリズムは従来の信号制御システムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-28T12:35:56Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• Smart Traffic Management of Vehicles using Faster R-CNN based Deep Learning Method [0.0]
  本研究では,より高速なR-CNNに基づく深層学習手法を車両のセグメンテーションに向けて検討する。 計算フレームワークは適応的背景モデリングのアイデアを使用する。 実験結果は,この計算フレームワークの優位性を示している。
  論文  参考訳（メタデータ） (2023-11-03T05:30:13Z)
• 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)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Surrogate-assisted cooperative signal optimization for large-scale traffic networks [6.223837701805064]
  本研究では,サロゲート支援協調信号最適化(SCSO)手法を提案する。 ニューマン・ファスト・アルゴリズムを用いて,分散アルゴリズムを分解器,代理モデル,具体的SCSOアルゴリズムとして修正した。 その有効性と有効性を評価するため、実際の交通ネットワークに基づいて、クロスロードとTジャンクションを含む大規模交通ネットワークを生成する。
  論文  参考訳（メタデータ） (2021-03-03T01:03:57Z)

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。