論文の概要: Estimating Pedestrian Volumes from GIS-Derived Built-Environment Features: A Machine Learning Framework

• arxiv url: http://arxiv.org/abs/2609.12173v1
• Date: Thu, 10 Sep 2026 20:06:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.536971
• Title: Estimating Pedestrian Volumes from GIS-Derived Built-Environment Features: A Machine Learning Framework
• Title（参考訳）: GIS-Derived built-Environment機能から歩行者の容積を推定する:機械学習フレームワーク
• Abstract要約: 交通機関は安全投資を優先するために、道路網全体にわたる歩行者の量推定が必要である。 オレゴン州ポートランドの101都市交差点で,2時間のピーク歩行者数を予測する機械学習パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 1.084959821967413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transportation agencies need pedestrian volume estimates across entire road networks to prioritize safety investments, yet manual counts are expensive and cover only a small share of intersections. We present a machine learning pipeline that predicts 2-hour PM peak pedestrian volume at 101 urban intersections in Portland, Oregon, from built-environment, land-use, and street-network features drawn from open GIS data. Starting from the Negative Binomial GLM used in practice, we add feature selection, count-aware gradient boosting, and repeated cross-validation, selecting one configuration by a combined rank over RMSE, MAPE, and SMAPE across four cross-validation strategies. The winner, a histogram-based gradient boosting model with Poisson loss and L1 Lasso feature selection, reduces cross-validated RMSE by 12% over the GLM baseline (89.8 to 78.7) and holdout RMSE by 19% (108.0 to 87.9). Code is released on GitHub.
• Abstract（参考訳）: 交通機関は安全投資を優先するために道路網全体での歩行者の量推定を必要としているが、手動のカウントは高価であり、交差点のごく一部しかカバーしていない。 オレゴン州ポートランドの101の都市交差点で2時間毎のピーク歩行者数を予測する機械学習パイプラインを,オープンGISデータから得られたビルディング環境,土地利用,ストリートネットワークの特徴から提案する。 実際に使用される負二項GLMから、特徴選択、カウント・アウェア・グラデーション・ブースティング、繰り返しクロスバリデーションを追加し、RMSE、MAPE、SMAPEを4つのクロスバリデーション戦略で組み合わせたランクで1つの構成を選択する。 勝者はポアソン損失とL1ラッソ特徴選択を伴うヒストグラムベースの勾配上昇モデルであり、GLMベースライン(89.8から78.7)を12%、RMSEを19%(108.0から87.9)下げる。 コードはGitHubで公開されている。

関連論文リスト

• CLEAR: Closed-Loop Reinforcement Learning at Scale for End-to-End Autonomous Driving [66.77752555295355]
  E2E-ADのための大規模強化学習(RL)を用いた閉ループ訓練システムであるCLEARを提案する。 簡単な報奨により、CLEARは従来の手法よりも大幅に優れ、新しい最先端性能を設定できることが示される。
  論文  参考訳（メタデータ） (2026-07-03T00:34:50Z)
• SAM-Enhanced Segmentation on Road Datasets: Balancing Critical Classes in Autonomous Driving [0.0]
  Zenseact Open dataset (ZOD)は、リッチなマルチセンサーデータを提供するが、バウンディングボックスラベルのみを提供する。 我々のパイプラインは、境界ボックスをセマンティックマスクに変換することで、ZODの高密度なピクセルレベルのアノテーションを生成する。 複雑なセマンティックセグメンテーションは自律運転には不可欠だが、多くのマルチモーダルデータセットにはピクセルレベルのアノテーションがない。
  論文  参考訳（メタデータ） (2026-05-27T08:21:04Z)
• EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks [0.5653106385738822]
  本稿では,プロアクティブサプライチェーンリスク管理のためのハイブリッドディープラーニングフレームワークを提案する。 提案手法は,軽量な Transformer patch encoder を用いて時間次数フローのダイナミクスを共同でモデル化する。 このフレームワークは0.0089のクロスシードF1標準偏差を示しており、最高の改良版よりも3.8倍改善されている。
  論文  参考訳（メタデータ） (2026-04-06T23:35:15Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• SAGE: Spatial-visual Adaptive Graph Exploration for Visual Place Recognition [37.553281487983064]
  視覚的位置認識(VPR)は、外観、視点、環境の変化にもかかわらず、ジオタグ付き画像の堅牢な検索を必要とする。 SAGE(Spatial-visual Adaptive Graph Exploration)は,空間的・視覚的識別の微粒化を促進する統一的な学習パイプラインである。
  論文  参考訳（メタデータ） (2025-09-30T03:34:40Z)
• SCAR: State-Space Compression for AI-Driven Resource Management in 6G-Enabled Vehicular Infotainment Systems [6.998691152532858]
  本稿では,車載インフォテイメントにおけるスケジューリングと公平性を最適化するためのSCAR(State-Space Compression for AI-Driven Resource Management)を提案する。 SSCARはMLベースの圧縮技術(クラスタリングやRBFネットワークなど)を用いて、CQIデータサイズを削減し、重要な特徴を保存する。 その結果、SCARベースのクラスタリングはCQIクラスタリングの歪みを10%削減し、その効率性を確認した。
  論文  参考訳（メタデータ） (2025-08-08T11:53:18Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Real-Time Semantic Segmentation via Auto Depth, Downsampling Joint Decision and Feature Aggregation [54.28963233377946]
  本稿では,セグメンテーション戦略の自動化を目的として,AutoRTNetという共同検索フレームワークを提案する。 具体的には,ネットワーク深度とダウンサンプリング戦略を協調的に決定するハイパーセルと,自動マルチスケール機能アグリゲーションを実現するアグリゲーションセルを提案する。
  論文  参考訳（メタデータ） (2020-03-31T14:02:25Z)
• Key Points Estimation and Point Instance Segmentation Approach for Lane Detection [65.37887088194022]
  本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。 PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。 PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
  論文  参考訳（メタデータ） (2020-02-16T15:51:30Z)
• Reinforcement Learning Based Vehicle-cell Association Algorithm for Highly Mobile Millimeter Wave Communication [53.47785498477648]
  本稿では,ミリ波通信網における車とセルの関連性について検討する。 まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。 提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
  論文  参考訳（メタデータ） (2020-01-22T08:51:05Z)

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。