論文の概要: Deep Echo State Networks for Short-Term Traffic Forecasting: Performance Comparison and Statistical Assessment

• arxiv url: http://arxiv.org/abs/2004.08170v1
• Date: Fri, 17 Apr 2020 11:07:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 10:16:15.505247
• Title: Deep Echo State Networks for Short-Term Traffic Forecasting: Performance Comparison and Statistical Assessment
• Title（参考訳）: 短期交通予測のためのディープエコー状態ネットワーク:性能比較と統計的評価
• Authors: Javier Del Ser, Ibai Lana, Eric L. Manibardo, Izaskun Oregi, Eneko Osaba, Jesus L. Lobo, Miren Nekane Bilbao, Eleni I. Vlahogianni
• Abstract要約: 短期的な交通予測では、関心のある交通パラメータの将来の値を正確に予測することが目的である。 Deep Echo State Networksは、考慮されている他のモデリングモデルよりも正確なトラフィック予測を実現している。
• 参考スコア（独自算出の注目度）: 8.586891288891263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In short-term traffic forecasting, the goal is to accurately predict future values of a traffic parameter of interest occurring shortly after the prediction is queried. The activity reported in this long-standing research field has been lately dominated by different Deep Learning approaches, yielding overly complex forecasting models that in general achieve accuracy gains of questionable practical utility. In this work we elaborate on the performance of Deep Echo State Networks for this particular task. The efficient learning algorithm and simpler parametric configuration of these alternative modeling approaches make them emerge as a competitive traffic forecasting method for real ITS applications deployed in devices and systems with stringently limited computational resources. An extensive comparison benchmark is designed with real traffic data captured over the city of Madrid (Spain), amounting to more than 130 automatic Traffic Readers (ATRs) and several shallow learning, ensembles and Deep Learning models. Results from this comparison benchmark and the analysis of the statistical significance of the reported performance gaps are decisive: Deep Echo State Networks achieve more accurate traffic forecasts than the rest of considered modeling counterparts.
• Abstract（参考訳）: 短期的な交通予測では、予測がクエリされた直後に発生する関心の交通パラメータの将来値を正確に予測することが目的である。 この長年にわたる研究分野で報告された活動は、近年、様々なディープラーニングアプローチによって支配されており、一般的には疑わしい実用性の精度向上を達成できる、過度に複雑な予測モデルが得られている。 この作業では、特定のタスクに対するDeep Echo State Networksのパフォーマンスについて詳しく説明します。 効率的な学習アルゴリズムとこれらの代替モデリングアプローチのパラメトリック構成は、厳密に制限された計算資源を持つデバイスやシステムにデプロイされる実際のITSアプリケーションの競合トラフィック予測方法として出現する。 大規模な比較ベンチマークは、マドリード市(スペイン)で取得された実際のトラフィックデータに基づいて設計されており、130以上の自動トラフィックリーダー(ATR)と、いくつかの浅い学習、アンサンブル、ディープラーニングモデルがある。 この比較ベンチマークと報告されたパフォーマンスギャップの統計的意義の分析の結果は決定的である: ディープエコー状態ネットワークは、他のモデルと比べ、より正確なトラフィック予測を達成している。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• It's all about PR -- Smart Benchmarking AI Accelerators using Performance Representatives [40.197673152937256]
  統計性能モデルのトレーニングは、しばしば大量のデータを必要とするため、かなりの時間的投資となり、ハードウェアの可用性が制限された場合に困難になる。 本稿では,精度を保ちながらトレーニングサンプル数を著しく削減する性能モデリング手法を提案する。 その結果,単層推定では0.02%,トレーニングサンプル10000点未満では0.68%という平均絶対誤差(MAPE)が得られた。
  論文  参考訳（メタデータ） (2024-06-12T15:34:28Z)
• RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
  本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。 我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。 本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
  論文  参考訳（メタデータ） (2024-05-08T17:28:07Z)
• Predicting Traffic Flow with Federated Learning and Graph Neural with Asynchronous Computations Network [0.0]
  我々はFLAGCN(Federated Learning and Asynchronous Graph Convolutional Networks)と呼ばれる新しいディープラーニング手法を提案する。 本フレームワークでは,リアルタイムトラフィックフロー予測の精度と効率を高めるために,非同期グラフ畳み込みネットワークとフェデレーション学習の原理を取り入れている。
  論文  参考訳（メタデータ） (2024-01-05T09:36:42Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• ST-MLP: A Cascaded Spatio-Temporal Linear Framework with Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
  時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。 マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。 実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
  論文  参考訳（メタデータ） (2023-08-14T23:34:59Z)
• Interpretable AI-based Large-scale 3D Pathloss Prediction Model for enabling Emerging Self-Driving Networks [3.710841042000923]
  本稿では,新しい鍵予測器を応用した機械学習モデルを提案する。 予測,一般化,計算性能の観点から各種MLアルゴリズムの性能を定量的に評価することにより,光グラディエントブースティングマシン(LightGBM)アルゴリズムが全体として他のアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-30T19:50:16Z)
• Learning to Transfer for Traffic Forecasting via Multi-task Learning [3.1836399559127218]
  ディープニューラルネットワークは、短期的な交通予測において優れた性能を示している。 Traffic4castは、空間と時間におけるドメインシフトに対するトラフィック予測モデルの堅牢性を想定した最初のサービスである。 交通予測モデルの時間・時間領域適応のためのマルチタスク学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-27T03:16:40Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural Network [6.065344547161387]
  本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。 提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
  論文  参考訳（メタデータ） (2021-02-24T05:02:19Z)
• Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
  本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。 我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。 本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
  論文  参考訳（メタデータ） (2020-07-10T16:00:44Z)

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。