An Attention-Based Multi-Context Convolutional Encoder-Decoder Neural Network for Work Zone Traffic Impact Prediction

要約

作業ゾーンは、再発しない交通渋滞や交通事故の主な原因の 1 つです。
その影響の重要性にもかかわらず、作業区域の交通への影響を予測する研究は依然として不足しています。
この論文では、多様なプラットフォームからの作業ゾーンと交通データの利用を強化するデータ統合パイプラインを提案し、計画された作業ゾーンのイベント中の交通速度と事故の可能性を予測するための新しい深層学習モデルを紹介します。
提案されたモデルは、モデルの入力と出力の両方で交通パターンを 2D 時空間画像に変換し、アテンションベースのマルチコンテキスト畳み込みエンコーダー/デコーダー アーキテクチャを採用して、作業ゾーンのイベントと交通変動の間の時空間依存関係をキャプチャします。
このモデルは、米国メリーランド州の 4 年間のアーカイブされた作業ゾーン交通データに基づいてトレーニングおよび検証されており、交通速度、インシデントの可能性、およびキューの長さや渋滞のタイミング（つまり、開始時間と渋滞のタイミング）などの推測される交通属性の予測において、ベースライン モデルよりも優れたパフォーマンスを示しています。
間隔）。
具体的には、提案されたモデルは、交通速度の予測誤差を 5% ～ 34%、キュー長さ 11% ～ 29%、混雑タイミング 6% ～ 17% 削減し、インシデント予測の精度を
5%から7%。
したがって、このモデルは、作業ゾーンの計画と交通管理を強化するための大きな可能性をもたらします。

要約(オリジナル)

Work zone is one of the major causes of non-recurrent traffic congestion and road incidents. Despite the significance of its impact, studies on predicting the traffic impact of work zones remain scarce. In this paper, we propose a data integration pipeline that enhances the utilization of work zone and traffic data from diversified platforms, and introduce a novel deep learning model to predict the traffic speed and incident likelihood during planned work zone events. The proposed model transforms traffic patterns into 2D space-time images for both model input and output and employs an attention-based multi-context convolutional encoder-decoder architecture to capture the spatial-temporal dependencies between work zone events and traffic variations. Trained and validated on four years of archived work zone traffic data from Maryland, USA, the model demonstrates superior performance over baseline models in predicting traffic speed, incident likelihood, and inferred traffic attributes such as queue length and congestion timings (i.e., start time and duration). Specifically, the proposed model outperforms the baseline models by reducing the prediction error of traffic speed by 5% to 34%, queue length by 11% to 29%, congestion timing by 6% to 17%, and increasing the accuracy of incident predictions by 5% to 7%. Consequently, this model offers substantial promise for enhancing the planning and traffic management of work zones.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google