Fugu-MT 論文翻訳(概要): Transfer Learning with Graph Neural Networks for Short-Term Highway Traffic Forecasting

論文の概要: Transfer Learning with Graph Neural Networks for Short-Term Highway Traffic Forecasting

arxiv url: http://arxiv.org/abs/2004.08038v2
Date: Mon, 20 Apr 2020 13:12:19 GMT
ステータス: 処理完了
システム内更新日: 2022-12-12 12:41:17.871265
Title: Transfer Learning with Graph Neural Networks for Short-Term Highway Traffic Forecasting
Title（参考訳）: 短期道路交通予測のためのグラフニューラルネットワークを用いた移動学習
Authors: Tanwi Mallick, Prasanna Balaprakash, Eric Rask, and Jane Macfarlane
Abstract要約: Diffusion Convolutional Recurrent Neural Network (DCRNN)は、ハイウェイネットワーク予測のための最先端のグラフニューラルネットワークである。高速ネットワークのデータ豊富な領域で訓練された1つのモデルを用いて、高速道路ネットワークの見えない領域のトラフィックを予測するDCRNNの新しいトランスファー学習手法を開発した。 TL-DCRNNはカリフォルニアのハイウェイネットワークのいくつかの領域から学習でき、ネットワークの見えない領域のトラフィックを高精度に予測できることを示す。
参考スコア（独自算出の注目度）: 1.7009370112134283
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Highway traffic modeling and forecasting approaches are critical for intelligent transportation systems. Recently, deep-learning-based traffic forecasting methods have emerged as state of the art for a wide range of traffic forecasting tasks. However, these methods require a large amount of training data, which needs to be collected over a significant period of time. This can present a number of challenges for the development and deployment of data-driven learning methods for highway networks that suffer from lack of historical data. A promising approach to address this issue is transfer learning, where a model trained on one part of the highway network can be adapted for a different part of the highway network. We focus on diffusion convolutional recurrent neural network (DCRNN), a state-of-the-art graph neural network for highway network forecasting. It models the complex spatial and temporal dynamics of the highway network using a graph-based diffusion convolution operation within a recurrent neural network. DCRNN cannot perform transfer learning, however, because it learns location-specific traffic patterns, which cannot be used for unseen regions of the network. To that end, we develop a new transfer learning approach for DCRNN, where a single model trained on data-rich regions of the highway network can be used to forecast traffic on unseen regions of the highway network. We evaluate the ability of our approach to forecast the traffic on the entire California highway network with one year of time series data. We show that TL-DCRNN can learn from several regions of the California highway network and forecast the traffic on the unseen regions of the network with high accuracy. Moreover, we demonstrate that TL-DCRNN can learn from San Francisco region traffic data and can forecast traffic on the Los Angeles region and vice versa.
Abstract（参考訳）: 道路交通モデリングと予測手法はインテリジェント交通システムにとって重要である。近年,幅広い交通予測タスクの最先端技術として,ディープラーニングに基づく交通予測手法が登場している。しかし、これらの方法は大量のトレーニングデータを必要とするため、かなりの期間にわたって収集する必要がある。これは、歴史的データ不足に悩むハイウェイネットワークに対して、データ駆動学習手法の開発と展開に多くの課題をもたらす可能性がある。この問題を解決するための有望なアプローチはトランスファーラーニングであり、ハイウェイネットワークの一部で訓練されたモデルをハイウェイネットワークの別の部分に適応させることができる。高速ネットワーク予測のための最先端グラフニューラルネットワークである拡散畳み込みリカレントニューラルネットワーク(DCRNN)に注目した。リカレントニューラルネットワーク内のグラフベースの拡散畳み込み演算を用いて、高速道路網の複雑な空間的および時間的ダイナミクスをモデル化する。しかし、DCRNNは、ネットワークの未確認領域では使用できない位置固有のトラフィックパターンを学習するため、転送学習を行うことができない。そこで,本研究では,高速道路網のデータ豊富な領域を学習した単一モデルを用いて,高速道路網の未認識領域の交通予測を行うdcrnnのための新しいトランスファー学習手法を開発した。 1年間の時系列データを用いて,カリフォルニアの高速道路網全体の交通量を予測する手法の有効性を評価する。 TL-DCRNNはカリフォルニアのハイウェイネットワークのいくつかの領域から学習でき、ネットワークの見えない領域のトラフィックを高精度に予測できることを示す。さらに,サンフランシスコ地域の交通データからTL-DCRNNを学習し,ロサンゼルス地域の交通を予測し,その逆を予測できることを実証した。

関連論文リスト

Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning [1.4216957119562985]
本稿では,新しい帰納学習手法と一般化可能なGNNベースの予測モデルを導入する。実験の結果、最先端と比較して9.8%の性能改善が見られた。
論文参考訳（メタデータ） (2024-05-14T07:53:23Z)
NodeTrans: A Graph Transfer Learning Approach for Traffic Prediction [33.299309349152146]
少ないデータでトラフィック予測を解くために,新しいトランスファー学習手法を提案する。まず、異なる道路ネットワークのノード固有の時空間トラフィックパターンをキャプチャできる時空間グラフニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-07-04T10:06:20Z)
Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文参考訳（メタデータ） (2022-05-28T03:11:48Z)
Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文参考訳（メタデータ） (2022-03-08T09:46:50Z)
Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
論文参考訳（メタデータ） (2022-02-21T19:45:15Z)
Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities [9.891703123090528]
本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。 DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。 3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
論文参考訳（メタデータ） (2022-02-08T03:58:39Z)
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)
Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-02T15:38:44Z)
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。