論文の概要: Nonlinear Traffic Prediction as a Matrix Completion Problem with
Ensemble Learning
- arxiv url: http://arxiv.org/abs/2001.02492v4
- Date: Sat, 10 Jul 2021 12:30:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 13:07:57.654815
- Title: Nonlinear Traffic Prediction as a Matrix Completion Problem with
Ensemble Learning
- Title(参考訳): アンサンブル学習による行列補完問題としての非線形交通予測
- Authors: Wenqing Li, Chuhan Yang, and Saif Eddin Jabari
- Abstract要約: 本稿では,信号化トラフィック運用管理における短期的な交通予測の問題に対処する。
高分解能(秒間)におけるセンサ状態の予測に焦点をあてる
私たちのコントリビューションは,3つの洞察を提供するものとして要約することができます。
- 参考スコア(独自算出の注目度): 1.8352113484137629
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the problem of short-term traffic prediction for
signalized traffic operations management. Specifically, we focus on predicting
sensor states in high-resolution (second-by-second). This contrasts with
traditional traffic forecasting problems, which have focused on predicting
aggregated traffic variables, typically over intervals that are no shorter than
5 minutes. Our contributions can be summarized as offering three insights:
first, we show how the prediction problem can be modeled as a matrix completion
problem. Second, we employ a block-coordinate descent algorithm and demonstrate
that the algorithm converges in sub-linear time to a block coordinate-wise
optimizer. This allows us to capitalize on the "bigness" of high-resolution
data in a computationally feasible way. Third, we develop an ensemble learning
(or adaptive boosting) approach to reduce the training error to within any
arbitrary error threshold. The latter utilizes past days so that the boosting
can be interpreted as capturing periodic patterns in the data. The performance
of the proposed method is analyzed theoretically and tested empirically using
both simulated data and a real-world high-resolution traffic dataset from Abu
Dhabi, UAE. Our experimental results show that the proposed method outperforms
other state-of-the-art algorithms.
- Abstract(参考訳): 本稿では,信号化トラフィック運用管理における短期交通予測の問題に対処する。
具体的には,高分解能(秒間)でのセンサ状態の予測に着目する。
これは、通常5分未満の間隔で集約されたトラフィック変数を予測することに焦点を当てた従来のトラフィック予測問題とは対照的である。
まず,予測問題を行列補完問題としてモデル化する方法を示す。
第2に、ブロック座標降下アルゴリズムを用い、そのアルゴリズムがサブ線形時間でブロック座標最適化器に収束することを実証する。
これにより,高分解能データの「大さ」を計算可能な方法で活用することができる。
第3に,任意の誤差閾値内でトレーニングエラーを低減させるアンサンブル学習(適応ブースティング)手法を開発した。
後者は過去数日間を利用して、データ内の周期的なパターンを捉えることができる。
提案手法の性能を理論的に解析し,uaeのアブダビのシミュレーションデータと実世界の高分解能トラヒックデータセットを用いて実証実験を行った。
実験の結果,提案手法は他の最先端アルゴリズムよりも優れていることがわかった。
関連論文リスト
- Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。
この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。
本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
論文 参考訳(メタデータ) (2024-03-12T08:40:21Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳(メタデータ) (2023-10-09T14:30:06Z) - Online Distributed Learning over Random Networks [1.119697400073873]
本研究は, 実運用による課題として, (i) オンライン学習, (i) ローカルデータの時間的変化, (ii) 非同期エージェントの計算, (iii) 信頼性の低い限られた通信, (iv) ローカルの計算を不正確に行うことに焦点を当てる。
マルチプライヤの交互方向法(ADMM)の分散演算子理論(DOT)版を紹介する。
我々は,凸学習の問題に収束することが証明された。
論文 参考訳(メタデータ) (2023-09-01T15:18:05Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳(メタデータ) (2023-04-12T14:51:47Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳(メタデータ) (2022-03-29T21:00:39Z) - Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。
このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。
本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文 参考訳(メタデータ) (2021-05-21T00:08:06Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳(メタデータ) (2021-03-08T16:03:09Z) - Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。
生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。
我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
論文 参考訳(メタデータ) (2020-06-23T08:49:46Z) - Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。
提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
論文 参考訳(メタデータ) (2020-06-22T14:26:19Z) - Extrapolation-based Prediction-Correction Methods for Time-varying
Convex Optimization [5.768816587293478]
本稿では,予測補正パラダイムに基づくオンライン最適化のアルゴリズムについて論じる。
本稿では,外挿に基づく新しい予測手法を提案する。
本稿では,信号処理や機械学習,ロボット工学といった問題に適用したアルゴリズムの経験的性能について論じる。
論文 参考訳(メタデータ) (2020-04-24T12:48:13Z)
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。