論文の概要: Learning Minimally-Congested Drive Times from Sparse Open Networks: A Lightweight RF-Based Estimator for Urban Roadway Operations
- arxiv url: http://arxiv.org/abs/2601.06124v1
- Date: Sun, 04 Jan 2026 09:54:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:00.594092
- Title: Learning Minimally-Congested Drive Times from Sparse Open Networks: A Lightweight RF-Based Estimator for Urban Roadway Operations
- Title（参考訳）: スパース・オープン・ネットワークから最小混雑ドライブタイムを学習する:都市道路運用のための軽量RFベース推定器
- Authors: Adewumi Augustine Adepitan, Christopher J. Haruna, Morayo Ogunsina, Damilola Olawoyin Yussuf, Ayooluwatomiwa Ajiboye,
- Abstract要約: 本稿では,最小渋滞車走行時間に対する軽量な推定器を開発した。
オープンなロードネットワークデータ、速度制約、スパース制御/ターン機能をランダムなフォレストフレームワークに統合する。
大都市圏でのポイント・ツー・ポイントの忠実さを保ち、資源の要求を減らし、防御可能な性能推定を供給している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Accurate roadway travel-time prediction is foundational to transportation systems analysis, yet widespread reliance on either data-intensive congestion models or overly naïve heuristics limits scalability and practical adoption in engineering workflows. This paper develops a lightweight estimator for minimally-congested car travel times that integrates open road-network data, speed constraints, and sparse control/turn features within a random forest framework to correct bias from shortest-path traversal-time baselines. Using an urban testbed, the pipeline: (i) constructs drivable networks from volunteered geographic data; (ii) solves Dijkstra routes minimizing edge traversal time; (iii) derives sparse operational features (signals, stops, crossings, yield, roundabouts; left/right/slight/U-turn counts); and (iv) trains a regression ensemble on limited high-quality reference times to generalize predictions beyond the training set. Out-of-sample evaluation demonstrates marked improvements over traversal-time baselines across mean absolute error, mean absolute percentage error, mean squared error, relative bias, and explained variance, with no significant mean bias under minimally congested conditions and consistent k-fold stability indicating negligible overfitting. The resulting approach offers a practical middle ground for transportation engineering: it preserves point-to-point fidelity at metropolitan scale, reduces resource requirements, and supplies defensible performance estimates where congestion feeds are inaccessible or cost-prohibitive, supporting planning, accessibility, and network performance applications under low-traffic operating regimes.
- Abstract（参考訳）: 正確な道路走行時間予測は交通システム分析の基礎であるが、データ集約的な混雑モデルや過度に過度なヒューリスティックスに依存しているため、スケーラビリティとエンジニアリングワークフローにおける実践的採用が制限される。
本稿では,最短経路の走行時間ベースラインからバイアスを補正するために,道路網の開放データ,速度制約,スパース制御/ターン機能をランダムフォレストフレームワーク内に組み込んだ最小渋滞車走行時間の軽量推定器を開発した。
都市テストベッドを使ったパイプライン:
一 ボランティアの地理的データから乾燥可能なネットワークを構築すること。
(ii)エッジトラバース時間を最小化するDijkstraルートを解く。
三 簡単な運用上の特徴(信号、停止、横断、収量、回動、左/右/左/右/右/右の回動数)をいう。
(四)訓練セットを超えた予測を一般化するために、限られた高品質の基準時間で回帰アンサンブルを訓練する。
サンプル外評価では, 平均絶対誤差, 平均絶対誤差, 平均絶対誤差, 平均二乗誤差, 相対バイアス, 説明分散に有意な改善がみられた。
この手法は、大都市圏におけるポイント・ツー・ポイントの忠実さを保ち、資源の要求を減らし、低トラフィックな運用体制下での計画、アクセシビリティ、ネットワークパフォーマンスアプリケーションをサポートするために、渋滞フィードがアクセス不能またはコスト抑制される場合の防御可能な性能推定を提供する。
関連論文リスト
- Machine Learning Predictions for Traffic Equilibria in Road Renovation Scheduling [1.124958340749622]
本稿では,道路改修に伴うネットワーク全体の混雑を予測するために,機械学習に基づく代理モデルを用いて検討する。
XGBoostは、さまざまな指標においてオルタナティブを著しく上回り、最も顕著なのは平均絶対パーセンテージエラー(MAPE)である。
このモデリング手法は、保守計画における大規模交通割当問題の計算負担を軽減する可能性がある。
論文 参考訳（メタデータ） (2025-06-06T09:59:05Z) - ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors [0.0]
この研究は、新しいディープ演算子であるOn-Trafficを導入し、トラフィック状態のオンライン推定に適した水平方向学習ベースのフレームワークを提案する。
本フレームワークは,不規則でスパースな入力データを処理し,時間シフトに適応し,精度の高い不確実性推定を行うことのできる,数値データとシミュレーションデータの両方で評価される。
その結果, 衝撃波や混雑伝播などの複雑な交通シナリオを捉えるとともに, 騒音やセンサの落下に対する堅牢性を維持していることがわかった。
論文 参考訳（メタデータ） (2025-03-18T09:13:24Z) - 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) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Multi-graph Spatio-temporal Graph Convolutional Network for Traffic Flow
Prediction [0.5551832942032954]
毎日の交通量予測は、ネットワーク全体の料金所で依然として課題に直面している。
本稿では,流路時間深度学習による日中交通流ハイウェイ領域の相関予測手法を提案する。
本手法は,ビジネスにおけるベースラインや実践的利益よりも予測精度が向上したことを示す。
論文 参考訳（メタデータ） (2023-08-10T14:20:43Z) - A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic
Flow Forecasting [21.6456624219159]
トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。
本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。
提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
論文 参考訳（メタデータ） (2023-03-31T03:07:53Z) - 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) - 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) - Accurate non-stationary short-term traffic flow prediction method [0.0]
本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。
提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
論文 参考訳（メタデータ） (2022-05-01T17:11:34Z)
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。