論文の概要: Interpretable Machine Learning for Traffic Congestion Prediction: Unveiling the Impact of Different COVID-19 Periods

• arxiv url: http://arxiv.org/abs/2608.01180v1
• Date: Sun, 02 Aug 2026 11:58:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.111813
• Title: Interpretable Machine Learning for Traffic Congestion Prediction: Unveiling the Impact of Different COVID-19 Periods
• Title（参考訳）: 交通渋滞予測のための解釈可能な機械学習
• Abstract要約: 本研究は, カリフォルニア州アラメダ郡におけるロックダウン前, ロックダウン後およびロックダウン後における混雑を予測した。 新型コロナウイルス(COVID-19)の新規感染者は、ロックダウンやロックダウン後の渋滞に主に悪影響を及ぼす。
• 参考スコア（独自算出の注目度）: 4.854173869464224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic congestion prediction is essential for congestion mitigation, but the COVID-19 pandemic and related control measures altered travel behavior and increased prediction complexity. This study predicts congestion in Alameda County, California, during pre-lockdown, lockdown, and post-lockdown periods. Weather, seasonality, and COVID-19 variables are incorporated, and Recursive Feature Elimination with Cross-Validation is used to select important features and reduce overfitting. Support vector regression, multiple linear regression, recurrent neural networks, and long short-term memory networks are trained and optimized. Because LSTM is more sensitive to hyperparameter settings, an adaptive parameter selection approach is used, while SVR and RNN are manually tuned. Performance is evaluated using Normalized Root Mean Square Error. Bidirectional LSTM consistently performs best across all periods because it captures temporal dependence in both directions. Integrated Gradients is used to interpret Bi-LSTM predictions, and SHapley Additive exPlanations is applied to SVR. New COVID-19 cases have a mainly negative effect on congestion during lockdown and post-lockdown, likely due to greater risk awareness, voluntary travel reduction, and compliance with mobility restrictions. In the post-pandemic period, higher hospitalization reduces travel and congestion, while higher fuel prices do not prevent a shift toward private vehicles and therefore increase congestion.
• Abstract（参考訳）: 渋滞の緩和には交通渋滞予測が不可欠だが、新型コロナウイルス(COVID-19)のパンデミックと関連する対策により、旅行行動が変化し、予測の複雑さが増大した。 本研究は, カリフォルニア州アラメダ郡におけるロックダウン前, ロックダウン後およびロックダウン後における混雑を予測した。 気象、季節、および新型コロナウイルスの変数が組み込まれており、重要な特徴を選択し、過剰適合を減らすためにクロスバリデーションによる再帰的特徴除去が使用される。 サポートベクター回帰、多重線形回帰、リカレントニューラルネットワーク、長期短期記憶ネットワークをトレーニングし最適化する。 LSTMはハイパーパラメータ設定に敏感であるため、適応パラメータ選択アプローチが用いられ、SVRとRNNは手動で調整される。 正規化ルート平均角誤差を用いて性能を評価する。 双方向LSTMは、両方向の時間的依存を捉えるため、すべての期間にわたって常に最善を尽くす。 Integrated GradientsはBi-LSTM予測の解釈に使われ、SHapley Additive exPlanationsはSVRに適用される。 新型コロナウイルス(COVID-19)の新規感染者は、ロックダウンやロックダウン後の渋滞に主に悪影響を及ぼしている。 パンデミック後の時代には、病院化が進むと旅行や渋滞が減少し、燃料価格が上がると民間車へのシフトが防げず、渋滞が増大する。

関連論文リスト

• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。 ほとんどの被験者固有の脳構造は、時間とともに安定している。 ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• Selective Ambulance Dispatch Under Contextual Travel-Time Uncertainty [16.225780811704656]
  アンバランス・ディスパッチ(英語: Ambulance dispatch)は、時間外停止(OHCA)において重要であり、派遣者は艦隊の能力に制限のあるタイムリーな到着のバランスをとる。 我々は,プライマリパスとセカンダリパスがしきい値を超えた場合にのみ,第2救急車を送付するI(Intelligent Dual dispatch of Emergency AmbuLances)を提案する。
  論文  参考訳（メタデータ） (2026-05-22T08:46:21Z)
• 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)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
  急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。 本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。 CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
  論文  参考訳（メタデータ） (2024-06-14T12:57:17Z)
• Unveiling Delay Effects in Traffic Forecasting: A Perspective from Spatial-Temporal Delay Differential Equations [20.174094418301245]
  交通流予測は交通計画と管理の基本的な研究課題である。 近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。 1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
  論文  参考訳（メタデータ） (2024-02-02T08:55:23Z)
• A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios [0.0]
  本稿では、重み解析と不均衡な分類問題から着想を得た種々の損失関数を探索し、この問題に対処する。 平均絶対誤差(MAE)を最適化する場合,MAE-Focal Loss関数が最も有効であることがわかった。 本研究は,混雑による急激な速度変化を予測する深層学習モデルの能力を高める。
  論文  参考訳（メタデータ） (2023-08-29T17:44:02Z)
• Bayes Risk Transducer: Transducer with Controllable Alignment Prediction [79.41540601816315]
  ベイズリスクトランスデューサ(BRT)は、望ましい経路を強制し、制御可能なアライメント予測を実現することを提案した。 BRTは、非ストリーミングASRの推論コストを最大46%削減し、ストリーミングASRのシステム全体のレイテンシを41%削減する。
  論文  参考訳（メタデータ） (2023-08-19T20:48:16Z)
• 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)

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。