論文の概要: A Spatio-Temporal Spot-Forecasting Framework for Urban Traffic
Prediction
- arxiv url: http://arxiv.org/abs/2003.13977v2
- Date: Wed, 1 Apr 2020 05:26:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 00:30:48.847552
- Title: A Spatio-Temporal Spot-Forecasting Framework for Urban Traffic
Prediction
- Title(参考訳): 都市交通予測のための時空間予測フレームワーク
- Authors: Rodrigo de Medrano, Jos\'e L. Aznarte
- Abstract要約: 比較的時間的なトラフィック予測のための複雑なディープニューラルネットワークフレームワークを作成します。
我々は、我々のアプローチの成果が、他の最先端の代替手段よりも安定し、より優れていることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatio-temporal forecasting is an open research field whose interest is
growing exponentially. In this work we focus on creating a complex deep neural
framework for spatio-temporal traffic forecasting with comparatively very good
performance and that shows to be adaptable over several spatio-temporal
conditions while remaining easy to understand and interpret. Our proposal is
based on an interpretable attention-based neural network in which several
modules are combined in order to capture key spatio-temporal time series
components. Through extensive experimentation, we show how the results of our
approach are stable and better than those of other state-of-the-art
alternatives.
- Abstract(参考訳): 時空間予測は、指数関数的に成長しているオープン研究分野である。
本研究では,時間的トラヒック予測のための複雑な深層ニューラルネットワークフレームワークの作成に焦点をあて,高い性能と時間的トラヒック予測の理解と解釈の容易さを保ちながら,時空間的条件に適応できることを示す。
提案手法は,重要な時空間時系列成分を捉えるために複数のモジュールを結合した,解釈可能なアテンションベースニューラルネットワークに基づく。
広範な実験を通じて,我々のアプローチの結果が,他の最先端の代替製品よりも安定して優れたものであることを示す。
関連論文リスト
- Efficient and Effective Time-Series Forecasting with Spiking Neural
Networks [50.195087118884665]
スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。
SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。
本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-02T16:23:50Z) - Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event
Prediction [16.530361912832763]
本稿では,交通渋滞イベント予測のための時間グラフニューラルポイントプロセスフレームワークSTNPPを提案する。
提案手法は,既存の最先端手法と比較して優れた性能を実現する。
論文 参考訳(メタデータ) (2023-11-15T01:22:47Z) - Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning
under A Unified View [73.73667848619343]
UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
論文 参考訳(メタデータ) (2023-10-09T16:17:42Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - A Generic Approach to Integrating Time into Spatial-Temporal Forecasting
via Conditional Neural Fields [1.7661845949769062]
本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。
主要なアイデアは、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することである。
道路交通とセルラーネットワーク交通データセットの実験は,提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-05-11T14:20:23Z) - Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full
Version [37.09531298150374]
同じ時系列パターンの複雑な時系列パターンが時間によって異なる可能性があるため、トラフィックシリーズの予測は困難である。
このような時間的モデルは、時間的位置と時間的期間に関わらず、共有パラメータ空間を使用し、時間的相関は場所間で類似しており、常に時間にわたって保持するわけではないと仮定する。
サブテンポラリモデルにICDを意識したモデルをエンコードするフレームワークを提案する。
論文 参考訳(メタデータ) (2022-03-29T16:44:56Z) - Multi-head Temporal Attention-Augmented Bilinear Network for Financial
time series prediction [77.57991021445959]
本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。
本手法の有効性を,大規模書籍市場データを用いて検証した。
論文 参考訳(メタデータ) (2022-01-14T14:02:19Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳(メタデータ) (2020-06-20T03:29:02Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z) - UST: Unifying Spatio-Temporal Context for Trajectory Prediction in
Autonomous Driving [20.017491739890588]
時間と空間の次元をモデル化・時間的文脈で等しく扱うための統一的なアプローチを提案する。
提案手法は, 従来の最先端手法より大幅に優れ, 単純さを保ちながら性能が向上することを示す。
論文 参考訳(メタデータ) (2020-05-06T13:02:57Z)
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。