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
- 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) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳(メタデータ) (2023-03-10T02:22:33Z) - Model-Driven Deep Learning for Non-Coherent Massive Machine-Type
Communications [37.35929546347294]
大規模機械型通信(mMTC)における1相非コヒーレント方式を用いた共同装置の動作とデータ検出について検討した。
非コヒーレント伝送方式によって導入された相関した疎結合パターンのため、従来のAMPアルゴリズムでは良好な性能が得られない。
本稿では,パイロット活動相関を効果的に活用して検出性能を向上させる深層学習改良AMPネットワーク(DL-mAMPnet)を提案する。
論文 参考訳(メタデータ) (2023-01-02T04:02:32Z) - Transfer Learning Based Efficient Traffic Prediction with Limited
Training Data [3.689539481706835]
インターネットトラフィックの効率的な予測は、積極的な管理を確保するための自己組織化ネットワーク(SON)の不可欠な部分である。
限られた訓練データを用いたネットワークトラフィック予測における深部シーケンスモデルは、現在研究されている研究で広く研究されていない。
不適切な歴史データを用いた交通予測における深層移動学習手法の性能について検討・評価を行った。
論文 参考訳(メタデータ) (2022-05-09T14:44:39Z) - 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。