巨視的交通状態推定のためのハイブリッド物理機械学習アプローチ【JST・京大機械翻訳】

Zhang Zhao; Zhao Ding; Yang Xianfeng Terry

プレプリント

J-GLOBAL ID：202202210642392270 整理番号：22P0284500

巨視的交通状態推定のためのハイブリッド物理機械学習アプローチ【JST・京大機械翻訳】

A Hybrid Physics Machine Learning Approach for Macroscopic Traffic State Estimation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年02月01日プレプリントサーバーでの情報更新日： 2023年04月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

フルフィールド交通状態情報(すなわち,流れ,速度,および密度)は,フリーウェイ上のインテリジェント交通システム(ITS)の成功した運転にとって重要である。しかし,不完全な交通情報は,ITSの普及に対する主要な障害であるほとんどの地域で不十分に設置されている交通検出器から直接収集される傾向がある。この課題に取り組むために,本論文では,交通物理モデル(例えば,人工ニューラルネットワーク(ANN),ランダムフォレスト(RF),およびサポートベクターマシン(SVM))を,交通センサからの限られた情報を用いて,交通物理モデル(例えば,2次巨視的交通流モデル)を用いて,フリーウェイシステムのための正確で完全なフィールド推定交通状態を構築するための入力として,交通物理モデル(例えば,二次巨視的交通流モデル)を用いて,革新的交通状態推定(TSE)フレームワークを導入した。提案したTSEフレームワークの有効性を調べるために,本論文では,Utahの塩湖市におけるI-15フリーウェイのストレッチから収集した実世界データセットに関する経験的研究を行った。実験結果は,提案方法が正確に全フィールドトラフィック情報を推定することを証明した。したがって,提案方法は,正確で完全なフィールドトラフィック情報を提供して,このように,ITSの普及のための基礎を提供する。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

交通調査

, , ,

前のページに戻る