A Machine Learning Method for Predicting Traffic Signal Timing from Probe Vehicle Data

要約

交通信号は、交通流の管理を可能にし、交差点での安全を確保することで、交通において重要な役割を果たしている。また、信号の位相やタイミングを知ることで、時間やエネルギーの効率化、エコドライブのための最適な車両ルーティング、信号化された道路ネットワークの正確なシミュレーションが可能となる。本稿では、車両プローブデータから信号タイミング情報を推定するための機械学習（ML）手法を紹介する。筆者らの知る限り，車両プローブデータから信号タイミングパラメータを決定するためのML手法を提示した研究はほとんどない．この研究では、信号サイクル長を推定するための極端勾配ブースティング（XGBoost）モデルと、プローブデータからフェーズごとの対応する赤時間を決定するためのニューラルネットワークモデルを開発する。次に、サイクル長と赤時間から緑時間を導出する。その結果、サイクル長の誤差は0.56秒以下であり、レッドタイムの予測誤差は平均7.2秒以内であった。

要約(オリジナル)

Traffic signals play an important role in transportation by enabling traffic flow management, and ensuring safety at intersections. In addition, knowing the traffic signal phase and timing data can allow optimal vehicle routing for time and energy efficiency, eco-driving, and the accurate simulation of signalized road networks. In this paper, we present a machine learning (ML) method for estimating traffic signal timing information from vehicle probe data. To the authors best knowledge, very few works have presented ML techniques for determining traffic signal timing parameters from vehicle probe data. In this work, we develop an Extreme Gradient Boosting (XGBoost) model to estimate signal cycle lengths and a neural network model to determine the corresponding red times per phase from probe data. The green times are then be derived from the cycle length and red times. Our results show an error of less than 0.56 sec for cycle length, and red times predictions within 7.2 sec error on average.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL