| アイテムタイプ |
会議発表論文 / Conference Paper(1) |
| 公開日 |
2026-02-19 |
| 日付 |
|
|
日付 |
2027-10-15 |
|
日付タイプ |
Available |
| タイトル |
|
|
タイトル |
Evaluation of Traffic Flow Prediction Models in a Real-World Urban Intelligent Transportation System Pilot |
| 言語 |
|
|
言語 |
eng |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Smart cities |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Graph convolutional networks |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Prevention and mitigation |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Decision making |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Predictive models |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Transformers |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Real-time systems |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Forecasting |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Intelligent transportation systems |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Long short term memory |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Cooperative Intelligent Transportation Systems |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Traffic Flow Prediction |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Graph Neural Network |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
Transformer |
| 資源タイプ |
|
|
資源タイプ |
conference paper |
| アクセス権 |
|
|
アクセス権 |
embargoed access |
| 著者 |
Bereczki, Norman
Desta, Araya Kibrom
新井, イスマイル
Öztürk, Sinem
Abbaszade, Emin
Bulut, Mahmut
Silahsizoglu, Damla
Simon, Vilmos
|
| 抄録 |
|
|
内容記述タイプ |
Abstract |
|
内容記述 |
Accurate traffic flow prediction is a critical component of modern Intelligent Transportation Systems (ITS), supporting real-time decision-making and congestion mitigation in smart cities. This paper presents a comparative analysis of two different approaches to traffic flow prediction problem: a temporal Transformer-based model (iReformer) and a spatio-temporal Graph Convolutional Network combined with Long Short-Term Memory (GCN-LSTM). The evaluation is conducted using a real-world urban traffic dataset from Istanbul, Turkey. The models are assessed under several different prediction settings, varying in historical input window length and forecasting horizon. Results show that GCN-LSTM performs best in short-term prediction scenarios, while iReformer achieves better performance with longer input sequences. According to the authors best knowledge, this is the first comparative analysis of novel temporal and spatio-temporal approaches on real-world urban data. |
| 書誌情報 |
en : PROCEEDINGS ELMAR-2025
p. 37-42,
ページ数 6,
発行日 2025-10-15
|
| 会議情報 |
|
|
|
会議名 |
2025 International Symposium ELMAR |
|
|
開始年 |
2025 |
|
|
開始月 |
09 |
|
|
開始日 |
15 |
|
|
終了年 |
2025 |
|
|
終了月 |
09 |
|
|
終了日 |
17 |
|
|
開催期間 |
2025-09-15 - 2025-09-17 |
|
|
開催地 |
Zadar, Croatia |
|
開催国 |
HRV |
| 出版者 |
|
|
出版者 |
IEEE |
| ISSN |
|
|
収録物識別子タイプ |
EISSN |
|
収録物識別子 |
2835-3781 |
| 出版者版DOI |
|
|
関連タイプ |
isVersionOf |
|
|
識別子タイプ |
DOI |
|
|
関連識別子 |
https://doi.org/10.1109/ELMAR66948.2025.11194003 |
| 出版者版URI |
|
|
関連タイプ |
isVersionOf |
|
|
識別子タイプ |
URI |
|
|
関連識別子 |
https://ieeexplore.ieee.org/abstract/document/11194003 |
| 権利 |
|
|
権利情報 |
Copyright © 2025, IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works. 出版社許諾条件により、本文は2027年10月15日以降に公開 |
| 著者版フラグ |
|
|
出版タイプ |
AM |
| 助成情報 |
|
|
|
助成機関名 |
Japan Science and Technology Agency (JST) |
|
|
研究課題番号 |
JPMJSC23C2 |
|
|
研究課題番号URI |
https://projectdb.jst.go.jp/grant/JST-PROJECT-24836733/ |
|
|
研究課題名 |
多様データ入力深層学習による交通渋滞予測と信号制御最適化の実証 (TRALICO) |
| 助成情報 |
|
|
|
助成機関名 |
National Research, Development and Innovation Office |
|
|
研究課題番号 |
2024-1.2.2-ERA_NET-2024-00014 |
|
|
研究課題名 |
Multi-Input Deep Learning for Congestion Prediction and Traffic Light Control |
| 助成情報 |
|
|
|
助成機関名 |
Scientific and Technological Research Council of Turkey (TUBITAK) |
|
|
研究課題番号 |
124N108 |
|
|
研究課題名 |
Multi-Input Deep Learning for Congestion Prediction and Traffic Light Control |
| 助成情報 |
|
|
|
助成機関名 |
Ministry of Culture and Innovation of Hungary |
|
|
研究課題番号 |
TKP2021-NVA-02 |
| 助成情報 |
|
|
|
助成機関名 |
National Research Development and Innovation Fund of the Ministry of Culture and Innovation and the Budapest University of Technology and Economics |
|
|
研究課題名 |
Doctoral Excellence Fellowship Programme (DCEP) |
fulltext (565.9 KB)
