論文の概要: Hierarchical Flow Decomposition for Turning Movement Prediction at Signalized Intersections

• arxiv url: http://arxiv.org/abs/2604.09336v1
• Date: Fri, 10 Apr 2026 14:03:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.894466
• Title: Hierarchical Flow Decomposition for Turning Movement Prediction at Signalized Intersections
• Title（参考訳）: 信号化区間における旋回運動予測のための階層的流れ分解
• Authors: Md Atiqur Rahman Mallick, Kamrul Hasan, Pulock Das, Liang Hong, S M Shazzad Rassel,
• Abstract要約: 本研究では,階層型ディープラーニングフレームワークであるHFD-TMを提案する。 旋回運動を初めて予測し、その予測を個々の旋回ストリームに拡張することで、旋回運動を予測する。 テネシー州ナッシュビルの6つの交差点回廊から15分間隔のLiDARデータを6ヵ月間評価し、HFD-TMは1インターバルあたり平均2.49台の絶対誤差を達成している。
• 参考スコア（独自算出の注目度）: 4.885966337065846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of intersection turning movements is essential for adaptive signal control but remains difficult due to the high volatility of directional flows. This study proposes HFD-TM (Hierarchical Flow-Decomposition for Turning Movement Prediction), a hierarchical deep learning framework that predicts turning movements by first forecasting corridor through-movements and then expanding these predictions to individual turning streams. This design is motivated by empirical traffic structure, where corridor flows account for 65.1% of total volume, exhibit lower volatility than turning movements, and explain 35.5% of turning-movement variance. A physics-informed loss function enforces flow conservation to maintain structural consistency. Evaluated on six months of 15-minute interval LiDAR (Light Detection and Ranging) data from a six-intersection corridor in Nashville, Tennessee, HFD-TM achieves a mean absolute error of 2.49 vehicles per interval, reducing MAE by 5.7% compared to a Transformer and by 27.0% compared to a GRU (Gated Recurrent Unit). Ablation results show that hierarchical decomposition provides the largest performance gain, while training time is 12.8 times lower than DCRNN (Diffusion Convolutional Recurrent Neural Network), demonstrating suitability for real-time traffic applications.
• Abstract（参考訳）: 交叉回転運動の正確な予測は適応的な信号制御には不可欠であるが、方向流の高変動性のため依然として困難である。 本研究では,HFD-TM(HFD-TM:hierarchical Flow-Decomposition for Turning Movement Prediction)を提案する。 この設計は経験的交通構造によって動機付けられており、廊下の流れは総体積の65.1%を占め、旋回運動よりもボラティリティが低く、旋回運動の35.5%のばらつきが説明できる。 物理インフォームド・ロス関数は、構造的一貫性を維持するために流れの保存を強制する。 テネシー州ナッシュビルの6区間回廊から15分間隔のLiDAR (Light Detection and Ranging)データに基づいて評価した結果、HFD-TMは1インターバルあたり2.49台の車両の平均絶対誤差を達成し、トランスフォーマーと比較してMAEを5.7%、GRU(Gated Recurrent Unit)と比較して27.0%削減した。 アブレーションの結果、階層的な分解は最大のパフォーマンス向上をもたらし、トレーニング時間はDCRNN(Diffusion Convolutional Recurrent Neural Network)の12.8倍も低く、リアルタイムトラフィックアプリケーションに適していることが示された。

関連論文リスト

• Neural Collapse Dynamics: Depth, Activation, Regularisation, and Feature Norm Threshold [0.0]
  神経崩壊(英語版) -- 単純な等角的タイトフレームへの有極層の特徴の収束 - は平衡においてよく理解されているが、その開始を規定する力学は、まだ貧弱な特性を保っている。 NCは平均的特徴ノルムがモデルデータセット固有の臨界値 fn* に達すると発生する。 1) 深度は崩壊速度に非単調効果を持ち、(2) アクティベーションは崩壊速度とfn*の両方を共同で決定し、(3) 重量崩壊は3つの相図を定義する。
  論文  参考訳（メタデータ） (2026-03-31T20:52:42Z)
• Modeling Information Blackouts in Missing Not-At-Random Time Series Data [0.0]
  大規模な交通予測は、しばしばブラックアウトを示す固定センサーネットワークに依存している。 本稿では,線形力学系による交通力学を協調的にモデル化する潜在状態空間フレームワークを提案する。 明示的なMNARモデリングは、実際のデータに対して一貫したがより小さな改善を提供する。
  論文  参考訳（メタデータ） (2026-01-04T11:03:13Z)
• Meta-Continual Mobility Forecasting for Proactive Handover Prediction [0.3906427348768226]
  短期移動予測は、セルネットワークにおけるアクティブハンドオーバ(HO)のコア要件である。 本稿では,GRUベースの予測器と高速な数ショット適応のためのReptileメタ初期化と,ドリフトの発生時にのみコンパクトなオンライン更新をトリガするEWMA残差検出を統合した軽量なメタコンチネンタル予測フレームワークを提案する。 モデルは軽量(128kパラメータ)で、5Gおよび6Gシステムのエッジ展開に適している。
  論文  参考訳（メタデータ） (2025-12-03T19:48:20Z)
• TrackNetV5: Residual-Driven Spatio-Temporal Refinement and Motion Direction Decoupling for Fast Object Tracking [0.0]
  動作方向デカップリング(MDD)と残留駆動型時空間微細化(R-STR)を紹介する。 MDDは時間動力学を符号付き極性場に分解し、運動の発生と軌道方向の両方を明示的に符号化する。 R-STRは分解時間文脈を用いて補正残差を推定し、効果的にクラッドされたターゲットを復元する。 TrackNetV5 は最新の F1 スコア 0.9859 と精度 0.9733 を達成し、以前のバージョンより大幅に上回っている。
  論文  参考訳（メタデータ） (2025-12-02T14:04:30Z)
• Token-Level Inference-Time Alignment for Vision-Language Models [58.41370989069588]
  VLM(Vision-Language Models)は、現代のマルチモーダルインテリジェンスの重要なバックボーンとなっている。 本稿では,基本VLMを凍結し,その分布を近似する報酬モデルをトレーニングする軽量フレームワークTITAを提案する。 推測中、暗黙の選好信号は報酬モデルと目標VLMの対数確率比として抽出され、密集した自己回帰フィードバックが得られる。
  論文  参考訳（メタデータ） (2025-10-20T09:58:03Z)
• 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)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
  本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。 我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。 本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
  論文  参考訳（メタデータ） (2020-07-10T16:00:44Z)

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。