論文の概要: Calibrating Urban Traffic Simulation from Sparse Road Observations via Genetic Optimization

• arxiv url: http://arxiv.org/abs/2606.03823v1
• Date: Tue, 02 Jun 2026 16:04:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.142063
• Title: Calibrating Urban Traffic Simulation from Sparse Road Observations via Genetic Optimization
• Title（参考訳）: 遺伝的最適化によるスパース道路観測による都市交通シミュレーション
• Authors: Hunter Sawyer, Jesse Roberts, Simon Matei,
• Abstract要約: 現実的な都市交通シミュレーションは,最小限の現実世界観測により実現可能であることを示す。 この研究は、現実的な都市交通シミュレーションは、最小の現実世界の観測によって達成できることを示した。
• 参考スコア（独自算出の注目度）: 2.1347076448562867
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Urban traffic simulation is a critical tool for infrastructure planning, including the placement of electric vehicle charging stations. However, realistic traffic simulation across many cities is hindered by two fundamental data limitations: detailed real-world traffic measurements are available for only a small fraction of road segments in most cities, and employment distribution data critical for modeling commuter traffic is rarely available at the resolution needed for simulation. This paper presents a genetic algorithm-based framework that directly addresses both limitations, calibrating urban traffic simulations from sparse road observations without requiring detailed job location data. Using the SUMO traffic simulation platform for Greensboro, North Carolina, our approach optimizes job distributions and gate-traffic parameters to align simulated traffic with a small sample of roads with known traffic-flow rates. We demonstrate that this approach produces simulated traffic that correlates well with real-world measurements, generalizes to road segments withheld from training, and produces job distributions that show promising qualitative agreement with census employment data despite never directly training on that employment data. This work demonstrates that realistic urban traffic simulation can be achieved from minimal real-world observations, offering a scalable and data-light approach to simulation calibration that reduces the barrier to deploying traffic models across diverse cities.
• Abstract（参考訳）: 都市交通シミュレーションは、電気自動車充電ステーションの設置を含むインフラ計画にとって重要なツールである。 しかし、多くの都市における現実的な交通シミュレーションは、2つの基本的なデータ制限によって妨げられている: 現実世界の交通の詳細な測定は、ほとんどの都市ではごく少数の道路区間でのみ利用可能であり、通勤交通のモデル化に不可欠な雇用分布データは、シミュレーションに必要な解決ではほとんど利用できない。 本稿では,都市交通シミュレーションを細かな道路観測からキャリブレーションし,詳細な配置データを必要としない遺伝的アルゴリズムに基づく枠組みを提案する。 ノースカロライナのグリーンズボロにおけるSUMO交通シミュレーションプラットフォームを用いて、シミュレーションされた交通を、既知の交通流量の小さな道路のサンプルと整合させるために、ジョブ分布とゲート-交通パラメータを最適化する。 提案手法は,実世界の実測値とよく相関するシミュレートされたトラフィックを生成し,トレーニングを伴わない道路セグメントに一般化し,雇用データを直接訓練することなく,センサス雇用データと有望な質的合意を示すジョブ分布を生成することを実証する。 シミュレーションキャリブレーションに対するスケーラブルでデータライトのアプローチを提供することで、多様な都市にまたがる交通モデルをデプロイする障壁を減らすことができる。

関連論文リスト

• Traffic Intersection Simulation Using Turning Movement Count Data in SUMO: A Case Study of Toronto Intersections [9.657072841833243]
  本稿では,トロント市からの車両回転数(TMC)データを活用する交差点交通シミュレーションツールを提案する。 本研究で実施したシミュレーションは、ネットワークを介して完全な車両経路を作成することなく、交差点レベルの交通発生に焦点を当てたものである。 シミュレーショントラフィックを実データに対して評価することにより,シミュレーションが実交叉流を密に再現することを示す。
  論文  参考訳（メタデータ） (2025-08-14T15:12:50Z)
• Calibration of Vehicular Traffic Simulation Models by Local Optimization [43.942239814508106]
  トラフィックカウントデータを用いたシミュレーションモデルのキャリブレーションは、環境の複雑さ、データの欠如、トラフィックダイナミクスの不確実性のために困難である。 本稿では,シミュレーションに基づく新しい交通キャリブレーション手法を提案する。 ベルギーのブリュッセルで,実交通監視装置のデータを用いて提案手法の評価を行った。
  論文  参考訳（メタデータ） (2025-02-17T09:17:01Z)
• Leveraging Neo4j and deep learning for traffic congestion simulation & optimization [0.0]
  渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。 また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
  論文  参考訳（メタデータ） (2023-04-01T01:23:10Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)
• Traffic Modelling and Prediction via Symbolic Regression on Road Sensor Data [0.8602553195689513]
  本稿では,ラグ演算子により強化されたシンボル回帰に基づく,新しいかつ正確な交通流予測手法を提案する。 提案手法は都市道路の複雑度に適したロバストモデルであり,高速道路よりも予測が困難である。
  論文  参考訳（メタデータ） (2020-02-14T16:03:04Z)

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。