論文の概要: A Prescriptive Framework for Determining Optimal Days for Short-Term Traffic Counts

• arxiv url: http://arxiv.org/abs/2512.06111v1
• Date: Fri, 05 Dec 2025 19:36:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.195666
• Title: A Prescriptive Framework for Determining Optimal Days for Short-Term Traffic Counts
• Title（参考訳）: 短期交通量に対する最適日数決定のための規範的枠組み
• Authors: Arthur Mukwaya, Nancy Kasamala, Nana Kankam Gyimah, Judith Mwakalonge, Gurcan Comert, Saidi Siuhi, Denis Ruganuza, Mark Ngotonie,
• Abstract要約: 連邦ハイウェイ管理局 (FHWA) は、州交通省 (DOTs) が信頼できる年間平均交通量 (AADT) データを収集することを義務付けている。 多くのアメリカのDOTは、特に監視されていない道路において、正確なAADTを得るのに苦労している。 本研究では、短時間のデータ収集を行うための最適な代表日を特定するための機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.5498205810713035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Federal Highway Administration (FHWA) mandates that state Departments of Transportation (DOTs) collect reliable Annual Average Daily Traffic (AADT) data. However, many U.S. DOTs struggle to obtain accurate AADT, especially for unmonitored roads. While continuous count (CC) stations offer accurate traffic volume data, their implementation is expensive and difficult to deploy widely, compelling agencies to rely on short-duration traffic counts. This study proposes a machine learning framework, the first to our knowledge, to identify optimal representative days for conducting short count (SC) data collection to improve AADT prediction accuracy. Using 2022 and 2023 traffic volume data from the state of Texas, we compare two scenarios: an 'optimal day' approach that iteratively selects the most informative days for AADT estimation and a 'no optimal day' baseline reflecting current practice by most DOTs. To align with Texas DOT's traffic monitoring program, continuous count data were utilized to simulate the 24 hour short counts. The actual field short counts were used to enhance feature engineering through using a leave-one-out (LOO) technique to generate unbiased representative daily traffic features across similar road segments. Our proposed methodology outperforms the baseline across the top five days, with the best day (Day 186) achieving lower errors (RMSE: 7,871.15, MAE: 3,645.09, MAPE: 11.95%) and higher R^2 (0.9756) than the baseline (RMSE: 11,185.00, MAE: 5,118.57, MAPE: 14.42%, R^2: 0.9499). This research offers DOTs an alternative to conventional short-duration count practices, improving AADT estimation, supporting Highway Performance Monitoring System compliance, and reducing the operational costs of statewide traffic data collection.
• Abstract（参考訳）: 連邦ハイウェイ管理局 (FHWA) は、州運輸省 (DOTs) が信頼できる年間平均交通量 (AADT) データを収集することを義務付けている。 しかし、多くのアメリカのDOTは、特に監視されていない道路において、正確なAADTを得るのに苦労している。 連続数(CC)局は正確な交通量データを提供するが、その実装は高価であり、広く展開することは困難であり、短期間の交通量に依存している。 本研究では,AADT予測精度を向上させるために,SCデータ収集を行うための最適な代表日を特定するための機械学習フレームワークを提案する。 テキサス州からの2022年と2023年の交通量データを用いて、AADT推定の最も有益な日を反復的に選択する「最適日」アプローチと、ほとんどのDOTによる現在の実践を反映した「最適日」ベースラインの2つのシナリオを比較した。 テキサスDOTの交通監視プログラムと整合するために、24時間の短いカウントをシミュレートするために連続的なカウントデータが使用された。 実際のフィールドショートカウントは、共通道路区間にまたがる非バイアスの日常交通特徴を生成するために、LOO(Left-one-out)技術を用いて特徴工学を強化するために使用された。 提案手法は, ベースラインよりも低い誤差 (RMSE: 7,871.15, MAE: 3,645.09, MAPE: 11.95%) と高いR^2 (0.9756, RMSE: 11,185.00, MAE: 5,118.57, MAPE: 14.42%, R^2: 0.9499) を達成し, 上位5日間でベースラインを上回り, 最善日 (186日目) は低い誤差 (RMSE: 7,871.15, MAE: 3,645.09, MAPE: 11.95%) となる。 本研究は,従来の短周期カウント方式の代替として,AADT推定の改善,ハイウェイ性能監視システムコンプライアンスのサポート,州全体のトラフィックデータ収集の運用コストの削減を実現する。

関連論文リスト

• Interval Prediction of Annual Average Daily Traffic on Local Roads via Quantile Random Forest with High-Dimensional Spatial Data [0.0]
  年平均日平均トラフィック(AADT)データは、交通計画とインフラ管理に不可欠である。 最近の機械学習の進歩は、計測されていない場所でのAADT推定を改善した。 本研究では,予測の不確実性を明示的に定量化する区間予測手法を導入することにより,そのギャップを解消する。
  論文  参考訳（メタデータ） (2025-10-21T11:56:57Z)
• Prediction of Highway Traffic Flow Based on Artificial Intelligence Algorithms Using California Traffic Data [0.251657752676152]
  調査では、2022年7月から11月までの5カ月間、カリフォルニア州道78号線からの30秒間隔の交通データを利用した。 この研究では、Multiple Linear Regression (MLR) とRandom Forest (RF) アルゴリズムを用いて、データ収集間隔を30秒から15分まで分析した。 R2, MAE, RMSEを性能指標として, MLRモデルとRFモデルの両方が10分間のデータ収集間隔で最適に動作したことを明らかにした。
  論文  参考訳（メタデータ） (2025-07-17T13:27:38Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• Evaluation of Test-Time Adaptation Under Computational Time Constraints [80.40939405129102]
  テスト時間適応(TTA)メソッドは、テスト時にラベルのないデータを活用して、分散シフトに適応する。 現在の評価プロトコルは、この余分なコストの影響を見落とし、実際の適用性に影響を与える。 本稿では,TTA手法のより現実的な評価プロトコルを提案し,一定の速度のデータストリームからデータをオンライン形式で受信する。
  論文  参考訳（メタデータ） (2023-04-10T18:01:47Z)
• Short Duration Traffic Flow Prediction Using Kalman Filtering [0.0]
  調査は、ソバンバグ・モスク近郊のダッカのミルプル・ロードで行われた。 ストリームには異質なトラフィックの混合が含まれており、予測の不確実性を示している。 提案されたモデルの平均絶対パーセンテージ誤差(MAPE)は14.62であり、KFTモデルは合理的に予測できることを示している。
  論文  参考訳（メタデータ） (2022-08-06T00:30:47Z)
• Localization-Based Tracking [0.45687771576879593]
  我々は、検出または共同検出および追跡パラダイムによる追跡に従う任意のトラッカーの拡張を提示します。 UA-DETRACデータセットとMOT20データセットの2つの例トラッカー(KIOUとSORT)の拡張としてLBTを評価した。 提出時点では、我々のLBT拡張KIOUトラッカーはMOT20ベンチマークで10位となっている。
  論文  参考訳（メタデータ） (2021-04-12T21:13:55Z)
• DADA: Differentiable Automatic Data Augmentation [58.560309490774976]
  コストを大幅に削減する微分可能自動データ拡張(DADA)を提案する。 CIFAR-10, CIFAR-100, SVHN, ImageNetのデータセットについて広範な実験を行った。 その結果,DADAは最先端技術よりも1桁以上高速であり,精度は極めて高いことがわかった。
  論文  参考訳（メタデータ） (2020-03-08T13:23:14Z)

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。