論文の概要: New Perspectives on the Use of Online Learning for Congestion Level
Prediction over Traffic Data
- arxiv url: http://arxiv.org/abs/2003.14304v1
- Date: Fri, 27 Mar 2020 09:44:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 04:54:39.454722
- Title: New Perspectives on the Use of Online Learning for Congestion Level
Prediction over Traffic Data
- Title（参考訳）: 交通データによる混雑レベル予測におけるオンライン学習の利用に関する新しい展望
- Authors: Eric L. Manibardo, Ibai La\~na, Jesus L. Lobo and Javier Del Ser
- Abstract要約: 本研究は時系列データによる分類に焦点を当てる。
非定常現象によって時系列が生成されると、予測されるクラスと系列に関連するパターンは時間とともに進化する。
オンライン学習方法は、時間とともに到着する新しいデータサンプルから漸進的に学習し、データストリームに沿った最終的な変更に対応する。
- 参考スコア（独自算出の注目度）: 6.664111208927475
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work focuses on classification over time series data. When a time series
is generated by non-stationary phenomena, the pattern relating the series with
the class to be predicted may evolve over time (concept drift). Consequently,
predictive models aimed to learn this pattern may become eventually obsolete,
hence failing to sustain performance levels of practical use. To overcome this
model degradation, online learning methods incrementally learn from new data
samples arriving over time, and accommodate eventual changes along the data
stream by implementing assorted concept drift strategies. In this manuscript we
elaborate on the suitability of online learning methods to predict the road
congestion level based on traffic speed time series data. We draw interesting
insights on the performance degradation when the forecasting horizon is
increased. As opposed to what is done in most literature, we provide evidence
of the importance of assessing the distribution of classes over time before
designing and tuning the learning model. This previous exercise may give a hint
of the predictability of the different congestion levels under target.
Experimental results are discussed over real traffic speed data captured by
inductive loops deployed over Seattle (USA). Several online learning methods
are analyzed, from traditional incremental learning algorithms to more
elaborated deep learning models. As shown by the reported results, when
increasing the prediction horizon, the performance of all models degrade
severely due to the distribution of classes along time, which supports our
claim about the importance of analyzing this distribution prior to the design
of the model.
- Abstract（参考訳）: 本研究は時系列データの分類に焦点をあてる。
非定常現象によって時系列が生成されると、予測されるクラスと系列に関連するパターンは時間とともに進化する(概念ドリフト)。
結果として、このパターンを学習することを目的とした予測モデルは、最終的には時代遅れになり、実用的な使用性能を維持することができない。
このモデルの劣化を克服するために、オンライン学習手法は、時間とともに到着する新しいデータサンプルから段階的に学習し、概念ドリフト戦略を実装してデータストリームに沿って最終的な変化に対応する。
本稿では,交通速度時系列データに基づく道路混雑度予測のためのオンライン学習手法の適合性について詳述する。
予測地平線の増加に伴う性能劣化について興味深い知見を得る。
多くの文献で行われていることとは対照的に、学習モデルを設計・調整する前に時間とともに授業の分布を評価することが重要であることを示す。
この前の演習は、ターゲットの異なる混雑レベルが予測可能であることを示唆するかもしれない。
シアトル (usa) に配備されたインダクティブループによる実トラフィック速度データを用いて実験結果について検討した。
従来のインクリメンタル学習アルゴリズムから、より精巧なディープラーニングモデルまで、いくつかのオンライン学習方法を分析します。
報告した結果から,予測の地平線を増加させると,クラスが時間とともに分布するため,すべてのモデルの性能が著しく低下し,モデルの設計に先立ってこの分布を解析することが重要であるという主張が支持される。
関連論文リスト
- Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Liquid Neural Network-based Adaptive Learning vs. Incremental Learning for Link Load Prediction amid Concept Drift due to Network Failures [37.66676003679306]
概念の漂流に適応することは、機械学習において難しい課題である。
通信ネットワークでは、障害イベントの後に交通予報を行う際にこのような問題が生じる。
本稿では,適応学習アルゴリズム,すなわち,データパターンの急激な変化を,再学習を必要とせずに自己適応できる手法を提案する。
論文 参考訳（メタデータ） (2024-04-08T08:47:46Z) - Online Test-Time Adaptation of Spatial-Temporal Traffic Flow Forecasting [13.770733370640565]
本稿では,時空間交通流予測問題に対するオンラインテスト時間適応手法の最初の研究を行う。
本稿では,直列分解法(ADCSD)による適応二重補正法を提案する。
提案手法では,テストフェーズ中にトレーニングされたモデル全体を微調整する代わりに,トレーニングされたモデルの後,ライトネットワークをアタッチし,データ入力が観測されるたびに,ライトネットワークのみをテストプロセスで微調整する。
論文 参考訳（メタデータ） (2024-01-08T12:04:39Z) - STDA-Meta: A Meta-Learning Framework for Few-Shot Traffic Prediction [5.502177196766933]
本稿では,データ満足な都市から移動可能なメタ知識を対角的に学習する新しい時間領域適応(STDA)手法を提案する。
この学習されたメタ知識は、データスカース都市の予測性能を向上させることができる。
具体的には,モデル・アテンポラル・メタラーニング(MAML)に基づくエピソード学習プロセスを用いてSTDAモデルを訓練する。
論文 参考訳（メタデータ） (2023-10-31T06:52:56Z) - EANet: Expert Attention Network for Online Trajectory Prediction [5.600280639034753]
Expert Attention Networkは、軌道予測のための完全なオンライン学習フレームワークである。
我々は,ネットワーク層の深さの異なる重みを調整し,勾配問題によるモデル更新が遅いことを回避し,専門家の注意を喚起する。
さらに,シナリオ変化に敏感な短期動作トレンドカーネル関数を提案する。
論文 参考訳（メタデータ） (2023-09-11T07:09:40Z) - 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) - Learning to Jump: Thinning and Thickening Latent Counts for Generative
Modeling [69.60713300418467]
ジャンプの学習は、様々な種類のデータの生成モデリングのための一般的なレシピである。
ジャンプの学習が、デノゼの学習と相容れないパフォーマンスを期待される場合と、より良いパフォーマンスを期待される場合を実証する。
論文 参考訳（メタデータ） (2023-05-28T05:38:28Z) - How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。
本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。
スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
論文 参考訳（メタデータ） (2021-11-26T11:58:51Z) - Probabilistic prediction of the heave motions of a semi-submersible by a
deep learning problem model [4.903969235471705]
深層学習(DL)モデルを拡張し,20～50秒前に浮遊半潜水艇のヒーブ・サージ動作を精度良く予測する。
本研究では,オフショアプラットフォームの波動励起運動を予測するために,DLモデルの理解を深める。
論文 参考訳（メタデータ） (2021-10-09T06:26:42Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z) - Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。
本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文 参考訳（メタデータ） (2020-06-10T08:22:41Z)
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。