論文の概要: Selecting New Measurement Locations to Diversify Traffic-Pattern Coverage: A Real-World Evaluation for Total Traffic Volume Estimation

• arxiv url: http://arxiv.org/abs/2606.07556v1
• Date: Mon, 25 May 2026 06:14:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.715789
• Title: Selecting New Measurement Locations to Diversify Traffic-Pattern Coverage: A Real-World Evaluation for Total Traffic Volume Estimation
• Title（参考訳）: 交通経路被覆の多様化のための新しい計測位置の選択:総交通量推定のための実世界評価
• Authors: Masaaki Inoue, Akifumi Okuno, Shintaro Fukushima,
• Abstract要約: 都市全体の交通量推定性能を改善するために,新しい計測場所の選択方法を検討する。 目標は、現在のカウンタセットで珍しいトラフィックパターンのタイプをキャプチャすることだ。 対象都市では,交通予測の改善を期待する新たな場所を選定し,その費用で新たなフィールド計測を依頼した。
• 参考スコア（独自算出の注目度）: 1.0705399532413615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate measurement of traffic volumes and flows is vital for modern intelligent transportation. However, despite recent technological advances in sensor devices, it is still expensive to install and maintain fixed traffic counters. Therefore, it is restricted to a small portion of location points where the counters can be installed, which severely limits the possibility of grasping and predicting the total traffic volume at a city-wide level. By contrast, devices with location history such as smartphones and connected vehicles are now widely used and provide much wider spatial coverage. However, the data from these devices are usually partial and noisy, so they are not enough to directly estimate total traffic volumes and flows. In this paper, we use the information from these widely available devices to help decide where to place additional traffic counters, and we study how selecting new measurement locations can improve city-wide traffic estimation performance. To achieve this, we propose an algorithm that chooses additional counter locations to increase the diversity of observed traffic signal patterns, rather than simply spreading counters evenly over space. The goal is to capture traffic-pattern types that are rare in the current counter set and to make the collected observations more representative for later estimation and forecasting. We also present a real-world evaluation; in a target city, we select new locations expected to improve traffic prediction, and we then commissioned new field measurements at those locations at our expense. The resulting data led to an improvement in traffic volume estimation accuracy across different fidelities.
• Abstract（参考訳）: 交通量や流れの正確な測定は、現代のインテリジェント輸送にとって不可欠である。 しかし、近年のセンサー装置の技術進歩にもかかわらず、固定された交通カウンタの設置と維持には依然として費用がかかる。 そのため、カウンターを設置できる場所のごく一部に限定されており、都市全体の交通量を把握・予測する可能性を大幅に制限している。 対照的に、スマートフォンやコネクテッドカーなどの位置履歴を持つデバイスは、現在では広く使われており、より広い空間カバレッジを提供している。 しかしながら、これらのデバイスからのデータは概して部分的かつノイズが多いため、トラフィックの総量やフローを直接見積もるには不十分である。 本稿では、これらの広く利用可能な機器から得られる情報を用いて、新たな交通カウンタの設置場所を決定するとともに、新しい計測場所の選択によって、都市全体の交通量推定性能が向上する方法について検討する。 そこで本研究では,空間上に均等にカウンタを広げるのではなく,観測された信号パターンの多様性を高めるために,余分なカウンタ位置を選択するアルゴリズムを提案する。 目標は、現在のカウンタセットで稀なトラフィックパターンのタイプをキャプチャし、収集した観察結果を、その後の推定と予測をより代表的なものにすることである。 対象都市では,交通予測の改善を期待する新たな場所を選定し,その費用で新たなフィールド計測を依頼した。 その結果,交通量推定精度の向上が達成された。

関連論文リスト

• Spatio-Temporal Graph Neural Network for Urban Spaces: Interpolating Citywide Traffic Volume [4.188237759092441]
  本稿では,新しい都市交通量推定手法であるGNNUI(Graph Neural Network for Urban Interpolation)を紹介する。 GNNUIは、学習のためにマスキングアルゴリズムを採用し、機能的な役割を捉えるためにノード機能を統合する。 このモデルに加えて、異なる交通手段をカバーする2つの新しいオープンスケール都市交通量ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-05-07T13:34:00Z)
• SUSTeR: Sparse Unstructured Spatio Temporal Reconstruction on Traffic Prediction [3.2248805768155835]
  道路網における交通センサの分布は, 概して希少である。 空間的に不規則で非決定論的な交通観測における交通予測の問題に取り組む。
  論文  参考訳（メタデータ） (2025-02-24T08:01:03Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• SSMT: Few-Shot Traffic Forecasting with Single Source Meta-Transfer [19.768107394061374]
  本稿では,交通予測に単一ソース市にのみ依存するSSMT(Single Source Meta-Transfer Learning)を提案する。 提案手法は, 限られたデータを持つ都市において, この伝達された知識を活用して, 数発の交通予報を可能にする。 我々は、ソースシティからの多様な時間的トラフィックパターンを活用することで、正弦波位置符号化の考え方を拡張し、メタラーニングタスクを確立する。
  論文  参考訳（メタデータ） (2024-10-21T02:17:25Z)
• Spatio-Temporal Partial Sensing Forecast for Long-term Traffic [10.596535591399274]
  交通予測は、選択した場所に設置されたセンサによる最近の計測を使用して、将来の道路交通を予測する。 本稿では,一部の地域でのみセンサが利用できることを前提として,長期交通量の部分的検知予測に焦点をあてる。 トラフィック予測のためのS-temporal-Long-term partial Forecast(SLPF)を提案する。
  論文  参考訳（メタデータ） (2024-08-02T21:22:22Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• 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)
• 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)

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。