論文の概要: Enhance the performance of navigation: A two-stage machine learning approach

• arxiv url: http://arxiv.org/abs/2004.00879v1
• Date: Thu, 2 Apr 2020 08:55:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 13:12:38.411325
• Title: Enhance the performance of navigation: A two-stage machine learning approach
• Title（参考訳）: ナビゲーションの性能を高める:2段階の機械学習アプローチ
• Authors: Yimin Fan, Zhiyuan Wang, Yuanpeng Lin, Haisheng Tan
• Abstract要約: リアルタイム交通ナビゲーションはスマートトランスポート技術において重要な機能である。 本稿では,アンサンブル学習の考え方を採用し,正確なナビゲーション結果を与えるための2段階の機械学習モデルを開発する。
• 参考スコア（独自算出の注目度）: 13.674463804942837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real time traffic navigation is an important capability in smart transportation technologies, which has been extensively studied these years. Due to the vast development of edge devices, collecting real time traffic data is no longer a problem. However, real traffic navigation is still considered to be a particularly challenging problem because of the time-varying patterns of the traffic flow and unpredictable accidents/congestion. To give accurate and reliable navigation results, predicting the future traffic flow(speed,congestion,volume,etc) in a fast and accurate way is of great importance. In this paper, we adopt the ideas of ensemble learning and develop a two-stage machine learning model to give accurate navigation results. We model the traffic flow as a time series and apply XGBoost algorithm to get accurate predictions on future traffic conditions(1st stage). We then apply the Top K Dijkstra algorithm to find a set of shortest paths from the give start point to the destination as the candidates of the output optimal path. With the prediction results in the 1st stage, we find one optimal path from the candidates as the output of the navigation algorithm. We show that our navigation algorithm can be greatly improved via EOPF(Enhanced Optimal Path Finding), which is based on neural network(2nd stage). We show that our method can be over 7% better than the method without EOPF in many situations, which indicates the effectiveness of our model.
• Abstract（参考訳）: リアルタイム交通ナビゲーションは,近年広く研究されているスマートトランスポート技術において重要な機能である。 エッジデバイスが大規模に開発されているため、リアルタイムトラフィックデータの収集はもはや問題ではない。 しかし,交通流の時間変化と予測不可能な事故・混雑が原因で,実際の交通ナビゲーションは特に困難な問題であると考えられている。 高精度で信頼性の高いナビゲーション結果を与えるためには、将来的なトラフィックフロー(スピード、渋滞、ボリューム、etc)を高速かつ正確な方法で予測することが重要である。 本稿では,アンサンブル学習の考え方を採用し,正確なナビゲーション結果を与える2段階機械学習モデルを開発した。 トラヒックフローを時系列としてモデル化し,将来の交通状況を正確に予測するためにxgboostアルゴリズムを適用する(第1段階)。 次に、Top K Dijkstraアルゴリズムを適用し、出力最適経路の候補として、提供開始点から目的地までの最短経路の集合を求める。 第1段階の予測結果から,ナビゲーションアルゴリズムの出力として候補からの最適経路が1つ見つかる。 本研究では,ニューラルネットワークに基づくeopf(enhanced optimal path finding)により,ナビゲーションアルゴリズムを大幅に改善できることを示す(2nd stage)。 提案手法は,多くの状況においてEOPFを含まない手法よりも7%以上優れていることが示され,本モデルの有効性が示唆された。

関連論文リスト

• Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
  本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。 我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。 実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-26T02:08:46Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• YOLOPv2: Better, Faster, Stronger for Panoptic Driving Perception [1.6683976936678229]
  マルチタスク学習アプローチは、単眼駆動認識問題の解法において有望な結果を得た。 本稿では,交通物体検出,ドライビング可能な道路領域分割,車線検出のタスクを同時に行うために,効果的かつ効率的なマルチタスク学習ネットワークを提案する。 我々のモデルは、BDD100Kデータセットの精度とスピードの観点から、新しい最先端(SOTA)パフォーマンスを実現しました。
  論文  参考訳（メタデータ） (2022-08-24T11:00:27Z)
• Multistep traffic speed prediction: A deep learning based approach using latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
  ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。 深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。 提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
  論文  参考訳（メタデータ） (2021-11-03T10:17:48Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• ELMOPP: An Application of Graph Theory and Machine Learning to Traffic Light Coordination [0.0]
  本稿では, Pseudoflow Prediction (ELMOPP) アルゴリズムによるエッジ負荷管理と最適化について述べる。 ELMOPPは、過去のデータとトラフィックパターンを使用して近い将来に予測して、そのリアルタイムな決定を通知しようと試みている。
  論文  参考訳（メタデータ） (2021-05-08T20:57:29Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• 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)
• Nonlinear Traffic Prediction as a Matrix Completion Problem with Ensemble Learning [1.8352113484137629]
  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。
  論文  参考訳（メタデータ） (2020-01-08T13:10:40Z)

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。