Fugu-MT 論文翻訳(概要): Traffic Flow Reconstruction from Limited Collected Data

論文の概要: Traffic Flow Reconstruction from Limited Collected Data

arxiv url: http://arxiv.org/abs/2602.11336v1
Date: Wed, 11 Feb 2026 20:16:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-13 21:07:25.52234
Title: Traffic Flow Reconstruction from Limited Collected Data
Title（参考訳）: 限定収集データによる交通流の再構築
Authors: Nail Baloul, Amaury Hayat, Thibault Liard, Pierre Lissy,
Abstract要約: 交通密度を近似的に再構築するために,スクラッチから機械学習アルゴリズムを実装した。整合性のために、力学系のデータのみを用いることで、学習ベースモデルによって予測される近似密度が、よく知られたマクロな交通流モデルに収束することを証明する。
参考スコア（独自算出の注目度）: 1.89576312978177
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose an efficient method for reconstructing traffic density with low penetration rate of probe vehicles. Specifically, we rely on measuring only the initial and final positions of a small number of cars which are generated using microscopic dynamical systems. We then implement a machine learning algorithm from scratch to reconstruct the approximate traffic density. This approach leverages learning techniques to improve the accuracy of density reconstruction despite constraints in available data. For the sake of consistency, we will prove that, if only using data from dynamical systems, the approximate density predicted by our learned-based model converges to a well-known macroscopic traffic flow model when the number of vehicles approaches infinity.
Abstract（参考訳）: 本研究では,低浸透速度で交通密度を復元する効率的な手法を提案する。具体的には,少数の車両の初期位置と最終位置のみを顕微鏡力学系を用いて測定することに依存する。次に、スクラッチから機械学習アルゴリズムを実装し、近似トラフィック密度を再構築する。このアプローチは、利用可能なデータに制約があるにもかかわらず、密度再構成の精度を向上させるために学習技術を活用する。整合性のために、力学系のデータのみを用いることで、学習モデルにより予測される近似密度が、車両の数が無限に近づくと、よく知られたマクロな交通流モデルに収束することを示す。

関連論文リスト

DELTAv2: Accelerating Dense 3D Tracking [79.63990337419514]
本稿では,ビデオ中の高密度3次元点追跡を高速化するための新しいアルゴリズムを提案する。極小点の小さな部分集合で追跡を開始し、トラックされた軌道の集合を段階的に拡大する粗大な戦略を導入する。新たに追加されたトラジェクトリは学習可能なモジュールを使用しており、トラッキングネットワークとともにエンドツーエンドでトレーニングされている。
論文参考訳（メタデータ） (2025-08-02T03:15:47Z)
Fusing CFD and measurement data using transfer learning [49.1574468325115]
本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
論文参考訳（メタデータ） (2025-07-28T07:21:46Z)
Online Traffic Density Estimation using Physics-Informed Neural Networks [5.888531936968298]
本稿では,プローブ車からの測定値を用いた交通密度のオンライン近似手法を提案する。提案手法は,空間内におけるリアルタイムトラフィック密度を連続的に推定し,各測定値のモデル同定を行う。
論文参考訳（メタデータ） (2025-04-04T14:41:22Z)
DEEGITS: Deep Learning based Framework for Measuring Heterogenous Traffic State in Challenging Traffic Scenarios [0.0]
本稿では,DeEGITS(Deep Heterogeneous Traffic State Measurement)を提案する。これは最先端の畳み込みニューラルネットワーク(CNN)技術を利用して,車両や歩行者を正確にかつ迅速に検出する包括的フレームワークである。本研究では,データ融合によるトレーニングデータセットを強化し,車両と歩行者の同時検出を可能にする。このフレームワークは混合交通条件における異種交通状態を測定するために試験される。
論文参考訳（メタデータ） (2024-11-13T04:49:32Z)
Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文参考訳（メタデータ） (2024-10-10T10:10:03Z)
Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文参考訳（メタデータ） (2023-10-09T14:30:06Z)
Physics-informed Machine Learning for Calibrating Macroscopic Traffic Flow Models [7.422267768764612]
交通現象の理解と制御戦略の設計には,よく校正された交通流モデルが不可欠である。そこで本研究では,最適化手法に匹敵する性能と,さらに優れた性能を実現する,物理インフォームドな,学習ベースのキャリブレーション手法を提案する。
論文参考訳（メタデータ） (2023-07-12T16:11:57Z)
Inverting the Fundamental Diagram and Forecasting Boundary Conditions: How Machine Learning Can Improve Macroscopic Models for Traffic Flow [0.0]
高速道路を走行する車両のフラックスと速度のデータを,固定センサで収集し,車線および車種別に分類したデータセットについて検討する。 1) 渋滞がセンサの下に現れる場合, 2) 今後センサの下に通過する車両の総量を推定する。これらの情報片は、センサ間のトラフィックフローのダイナミクスを記述したLWRベースの1次1次マルチクラスモデルの精度を向上させるために使用される。
論文参考訳（メタデータ） (2023-03-21T11:07:19Z)
Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文参考訳（メタデータ） (2021-04-05T21:44:00Z)
Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文参考訳（メタデータ） (2021-03-11T15:21:08Z)
Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
論文参考訳（メタデータ） (2020-01-21T12:52:58Z)

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。