論文の概要: Monitoring Urban Traffic Dynamics at Fine Spatiotemporal Resolution Using Distributed Acoustic Sensing and Deep Learning
- arxiv url: http://arxiv.org/abs/2609.28793v1
- Date: Wed, 23 Sep 2026 21:10:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.559568
- Title: Monitoring Urban Traffic Dynamics at Fine Spatiotemporal Resolution Using Distributed Acoustic Sensing and Deep Learning
- Title（参考訳）: 分散音響センシングと深層学習を用いた時空間分解能による都市交通動態のモニタリング
- Abstract要約: 本研究では, 地中速度波形を表現に変換し, 車両軌道を検知し, 集積交通量から交通状態を推定する, 深層学習を利用した解析フレームワークを開発した。
ハイブリッドトレーニング戦略は、騒音や混雑条件下での車両検出を改善するために使用され、モデル出力はシステムレベルの交通力学を特徴付けるためにさらに集約される。
- 参考スコア（独自算出の注目度）: 11.85644950331045
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Mapping the distribution of traffic dynamics at high spatiotemporal resolution is a fundamental question in transportation research. Distributed acoustic sensing (DAS), an innovative seismic observation tool, emerges as a promising solution for real-time urban traffic monitoring at high spatial and temporal scales. Distributed acoustic sensing repurposes existing underground fiber-optic cables as dense, continuous sensor arrays, enabling passive and privacy-preserving monitoring of roadway traffic activity at meter-level spatial and second-level temporal resolution. This study examines whether integrating DAS and deep learning models can serve as a continuous and efficient urban traffic observatory for revealing urban traffic dynamics (i.e. traffic volume and congestion, event-driven changes) at high spatiotemporal resolution. Using a DAS deployment along a roadway network in the City of College Station, Texas, USA, this study develops a deep learning-empowered analytical framework that converts raw ground vibration waveforms into spatiotemporal representations, detects vehicle trajectory, and infers traffic states from aggregated traffic volume and speed. A hybrid training strategy combining synthetic and manually annotated DAS images is used to improve vehicle detection under noisy and congested conditions, with model outputs further aggregated to characterize system-level traffic dynamics.
- Abstract（参考訳）: 高時空間分解能で交通力学の分布をマッピングすることは交通研究の根本的課題である。
革新的な地震観測ツールである分散音響センシング (DAS) は, 高空間・時間スケールのリアルタイム都市交通監視のための有望なソリューションとして出現する。
分散音響センシングは、既存の地下光ファイバーケーブルを高密度で連続的なセンサアレイとして再利用し、メーターレベルの空間および第2レベルの時間分解能において、道路交通活動の受動的かつプライバシー保護的な監視を可能にする。
本研究では,DASと深層学習モデルの統合が,都市交通動態(交通量,渋滞,イベント駆動変化)を高時空間分解能で明らかにするための,連続的で効率的な都市交通観測所として機能するかどうかを検討する。
本研究では,テキサス州テキサスシティ・オブ・カレッジ駅の道路ネットワークに沿ったDAS配置を用いて,地中振動波形を時空間表現に変換し,車両軌道を検出し,交通量と速度から交通状態を推定する深層学習型解析フレームワークを開発した。
合成と手動のDAS画像を組み合わせたハイブリッドトレーニング戦略を用いて,騒音および混雑条件下での車両検出を改善するとともに,モデル出力をさらに集約してシステムレベルの交通動態を特徴づける。
関連論文リスト
- Distributed Acoustic Sensing for Urban Traffic Monitoring: Spatio-Temporal Attention in Recurrent Neural Networks [0.6871412205793616]
本研究では,スペイン・グラナダで実世界のDASによる交通監視実験を行った。
リカレントニューラルネットワーク(RNN)は、イベント内およびイベント間の時間依存性をモデル化するために使用される。
アテンション・ヒートマップは、情報的空間的位置と時間的セグメントを強調することによって、物理的に意味のある解釈を提供する。
論文 参考訳（メタデータ） (2026-03-14T11:30:39Z) - Network-Wide Traffic Volume Estimation from Speed Profiles using a Spatio-Temporal Graph Neural Network with Directed Spatial Attention [6.298495506269846]
本稿では,HDA-STGNN(Hybrid Directed-Attention Spatio-Temporal Graph Neural Network)を提案する。
提案手法は, 速度プロファイル, 静的道路特性, ネットワークトポロジを利用して, ネットワーク内の全道路区間の交通量を予測する。
論文 参考訳（メタデータ） (2025-12-15T11:30:44Z) - 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) - How Cars Move: Analyzing Driving Dynamics for Safer Urban Traffic [12.414957984956043]
PriorMotionは、動的解析を駆動することで、運動パターンを体系的に発見するように設計されたデータ統合フレームワークである。
提案手法は,都市交通の空間的時間的傾向を捉えるために,マルチスケールな経験的観察とカスタマイズされた分析ツールを組み合わせる。
論文 参考訳（メタデータ） (2024-12-05T09:56:24Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - Learning Traffic Speed Dynamics from Visualizations [3.0969191504482243]
時空の可視化からマクロ交通速度のダイナミクスを学習する深層学習法を提案する。
既存の推定手法と比較して,より詳細な推定解決が可能となる。
次世代シミュレーションプログラム(NGSIM)とドイツ高速道路(HighD)のデータセットから得られたデータを用いて,高速道路区間の高分解能交通速度場を推定した。
論文 参考訳（メタデータ） (2021-05-04T11:17:43Z) - 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) - Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。
提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
論文 参考訳（メタデータ） (2020-01-21T12:52:58Z)
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。