論文の概要: Quantile-Physics Hybrid Framework for Safe-Speed Recommendation under Diverse Weather Conditions Leveraging Connected Vehicle and Road Weather Information Systems Data

• arxiv url: http://arxiv.org/abs/2602.05053v1
• Date: Wed, 04 Feb 2026 21:06:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.620014
• Title: Quantile-Physics Hybrid Framework for Safe-Speed Recommendation under Diverse Weather Conditions Leveraging Connected Vehicle and Road Weather Information Systems Data
• Title（参考訳）: 連結車両と道路気象情報システムデータを活用した各種気象条件下における安全勧告のための量子物理ハイブリッドフレームワーク
• Authors: Wen Zhang, Adel W. Sadek, Chunming Qiao,
• Abstract要約: 本研究では,様々な気象条件下での高速道路走行において,リアルタイムの安全速度間隔を推奨するハイブリッド予測フレームワークを提案する。 ニューヨーク州バッファローで73日間に660万以上のレコードを含むデータセットを構築した。 モデルが気象条件の変化に対応し、道路セグメントをまたいで一般化する能力は、現実世界の展開を約束する。
• 参考スコア（独自算出の注目度）: 25.57915134826693
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inclement weather conditions can significantly impact driver visibility and tire-road surface friction, requiring adjusted safe driving speeds to reduce crash risk. This study proposes a hybrid predictive framework that recommends real-time safe speed intervals for freeway travel under diverse weather conditions. Leveraging high-resolution Connected Vehicle (CV) data and Road Weather Information System (RWIS) data collected in Buffalo, NY, from 2022 to 2023, we construct a spatiotemporally aligned dataset containing over 6.6 million records across 73 days. The core model employs Quantile Regression Forests (QRF) to estimate vehicle speed distributions in 10-minute windows, using 26 input features that capture meteorological, pavement, and temporal conditions. To enforce safety constraints, a physics-based upper speed limit is computed for each interval based on real-time road grip and visibility, ensuring that vehicles can safely stop within their sight distance. The final recommended interval fuses QRF-predicted quantiles with both posted speed limits and the physics-derived upper bound. Experimental results demonstrate strong predictive performance: the QRF model achieves a mean absolute error of 1.55 mph, with 96.43% of median speed predictions within 5 mph, a PICP (50%) of 48.55%, and robust generalization across weather types. The model's ability to respond to changing weather conditions and generalize across road segments shows promise for real-world deployment, thereby improving traffic safety and reducing weather-related crashes.
• Abstract（参考訳）: 故障した気象条件はドライバーの視認性とタイヤと路面の摩擦に大きく影響し、衝突リスクを低減するために安全な運転速度を調整する必要がある。 本研究では,様々な気象条件下での高速道路走行において,リアルタイムの安全速度間隔を推奨するハイブリッド予測フレームワークを提案する。 2022年から2023年にかけて、ニューヨーク州バッファローで収集された高解像度のコネクテッドビークル(CV)データと道路気象情報システム(RWIS)データを活用し、73日間に660万件以上の記録を含む時空間整合データセットを構築した。 コアモデルは、気象、舗装、時間的条件を捉える26の入力特徴を使用して、10分間の窓で車両の速度分布を推定するために、QRF(Quantile Regression Forests)を使用している。 安全制約を強制するために、リアルタイム道路グリップと視認性に基づいて、各区間毎に物理ベースの上速度制限が計算され、車両が視界距離内で安全に停止することを保証する。 最後の推奨区間は、QRF予測量子化器に速度制限と物理由来の上界の両方を融合させる。 QRFモデルの平均絶対誤差は1.55 mph、中央値の96.43%が時速5 mph、PICP(50%)が48.55%、気象タイプ全体にわたる堅牢な一般化である。 モデルが気象条件の変化に対応し、道路セグメントをまたいで一般化する能力は、現実の展開を約束し、交通安全を改善し、気象関連の事故を減らす。

関連論文リスト

• TSBOW: Traffic Surveillance Benchmark for Occluded Vehicles Under Various Weather Conditions [17.496577478793906]
  既存のデータセットは、しばしば軽い干し草、雨、雪に限られており、極端な気象条件を捉えていない。 このギャップに対処するため,様々な気象条件下での降着車に対する交通サーベイランスベンチマーク(TSBOW)を導入する。 人口密度の高い都市部から32時間以上の実世界の交通データを収集し、TSBOWは48,000以上の手動注釈と320万のセミラベルフレームを含んでいる。
  論文  参考訳（メタデータ） (2026-02-05T07:52:37Z)
• Handling Weather Uncertainty in Air Traffic Prediction through an Inverse Approach [0.0]
  逆気象条件、特に対流現象は航空交通管理に重大な課題をもたらす。 本研究では,3次元ガウス混合モデルを用いて,長距離飛行軌道変化の予測を行う。 このモデルは、最大60分間のリルート予測において、堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-04-07T15:42:09Z)
• Lightweight Regression Model with Prediction Interval Estimation for Computer Vision-based Winter Road Surface Condition Monitoring [0.4972323953932129]
  本稿では,カメラ画像から路面摩擦特性を推定できるディープラーニング回帰モデルSIWNetを提案する。 SIWNetはアーキテクチャに不確実性推定機構を含めることで、技術の状態を拡張している。 モデルは、SeeingThroughFogデータセットでトレーニングされ、テストされた。
  論文  参考訳（メタデータ） (2023-10-02T06:33:06Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Predicting Real-time Crash Risks during Hurricane Evacuation Using Connected Vehicle Data [1.3706331473063877]
  そこで本研究では,新しい代替データソースであるコネクテッドカーデータからハリケーン避難時の事故リスクを推定する手法を提案する。 複数の機械学習モデルは、接続された車両データから抽出された気象特性と異なる交通特性を考慮して訓練された。
  論文  参考訳（メタデータ） (2023-06-14T18:04:07Z)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。