論文の概要: Deep convolutional generative adversarial networks for traffic data
imputation encoding time series as images
- arxiv url: http://arxiv.org/abs/2005.04188v1
- Date: Tue, 5 May 2020 19:14:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 14:43:00.167418
- Title: Deep convolutional generative adversarial networks for traffic data
imputation encoding time series as images
- Title（参考訳）: 時系列を画像として符号化するトラヒックデータインプテーションのための深層畳み込み生成逆ネットワーク
- Authors: Tongge Huang, Pranamesh Chakraborty, Anuj Sharma
- Abstract要約: 我々は,GAN(Generative Adversarial Network)に基づく交通センサデータ計算フレームワーク(TGAN)を開発した。
本研究では,GASF(Gramian Angular Summation Field)と呼ばれる新しい時間依存符号化手法を開発した。
本研究は,提案モデルにより,平均絶対誤差 (MAE) とルート平均正方形誤差 (RMSE) をベンチマークデータセットの最先端モデルと比較することにより,トラフィックデータ計算精度を著しく向上させることができることを示す。
- 参考スコア（独自算出の注目度）: 7.053891669775769
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sufficient high-quality traffic data are a crucial component of various
Intelligent Transportation System (ITS) applications and research related to
congestion prediction, speed prediction, incident detection, and other traffic
operation tasks. Nonetheless, missing traffic data are a common issue in sensor
data which is inevitable due to several reasons, such as malfunctioning, poor
maintenance or calibration, and intermittent communications. Such missing data
issues often make data analysis and decision-making complicated and
challenging. In this study, we have developed a generative adversarial network
(GAN) based traffic sensor data imputation framework (TSDIGAN) to efficiently
reconstruct the missing data by generating realistic synthetic data. In recent
years, GANs have shown impressive success in image data generation. However,
generating traffic data by taking advantage of GAN based modeling is a
challenging task, since traffic data have strong time dependency. To address
this problem, we propose a novel time-dependent encoding method called the
Gramian Angular Summation Field (GASF) that converts the problem of traffic
time-series data generation into that of image generation. We have evaluated
and tested our proposed model using the benchmark dataset provided by Caltrans
Performance Management Systems (PeMS). This study shows that the proposed model
can significantly improve the traffic data imputation accuracy in terms of Mean
Absolute Error (MAE) and Root Mean Squared Error (RMSE) compared to
state-of-the-art models on the benchmark dataset. Further, the model achieves
reasonably high accuracy in imputation tasks even under a very high missing
data rate ($>$ 50\%), which shows the robustness and efficiency of the proposed
model.
- Abstract（参考訳）: 十分な品質の交通データは、混雑予測、速度予測、インシデント検出、その他の交通操作タスクに関連する様々なインテリジェント交通システム(its)アプリケーションおよび研究の重要な要素である。
しかしながら,センサデータの欠落は,故障,メンテナンス不良,キャリブレーション不良,断続的通信など,いくつかの理由により避けられない問題である。
このようなデータ不足は、データ分析と意思決定を複雑かつ困難にすることが多い。
本研究では,現実的な合成データを生成することにより,損失データを効率的に再構築する,GANベースの交通センサデータ計算フレームワーク(TSDIGAN)を開発した。
近年、GANは画像データ生成において顕著な成功を収めている。
しかし,GANに基づくモデリングを利用してトラフィックデータを生成することは,交通データが強い時間依存性を持つため,難しい課題である。
この問題に対処するために,交通時系列データ生成の問題を画像生成に変換する,GASF(Gramian Angular Summation Field)と呼ばれる新しい時間依存符号化手法を提案する。
我々は,Caltrans Performance Management Systems(PeMS)が提供するベンチマークデータセットを用いて,提案モデルの評価と検証を行った。
本研究は,提案モデルが平均絶対誤差 (mae) とルート平均二乗誤差 (rmse) の観点から,ベンチマークデータセットの最先端モデルと比較して,トラヒックデータインプテーション精度を大幅に向上できることを示す。
さらに,提案モデルのロバスト性や効率性を示す非常に高いデータレート (>$50\%) の下でも,インプテーションタスクにおいて合理的に高い精度を実現する。
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) - FastSTI: A Fast Conditional Pseudo Numerical Diffusion Model for Spatio-temporal Traffic Data Imputation [4.932317347331121]
高時間トラフィックデータは、インテリジェントトランスポートシステム(ITS)とそのデータ駆動アプリケーションにとって不可欠である。
拡散確率モデルの最近の研究は、計算における深部生成モデルの優越性を証明している。
2種類の現実世界のトラフィックデータセットを高速に処理することで、高品質なサンプルをわずか6ステップでインプットできることが証明されている。
論文 参考訳（メタデータ） (2024-10-20T01:45:51Z) - Graph Pruning Based Spatial and Temporal Graph Convolutional Network with Transfer Learning for Traffic Prediction [0.0]
本研究では,グラフプルーニングと転送学習の枠組みに基づく新しい時空間畳み込みネットワーク(TL-GPSTGN)を提案する。
その結果、単一のデータセット上でのTL-GPSTGNの異常な予測精度と、異なるデータセット間の堅牢なマイグレーション性能が示された。
論文 参考訳（メタデータ） (2024-09-25T00:59:23Z) - Large-Scale Traffic Data Imputation with Spatiotemporal Semantic
Understanding [26.86356769330179]
本研究では,GT-TDIモデルを用いて,ネットワークを意味論的に理解した大規模交通データをインプットする手法を提案する。
提案モデルは、グラフニューラルネットワーク(GNN)とトランスフォーマーの助けを借りてタスクを実行するために、不完全データ、センサのソーシャル接続、セマンティック記述を入力として利用する。
その結果,提案したGT-TDIモデルは,複雑な欠落パターンと多彩な欠落率で既存手法よりも優れていた。
論文 参考訳（メタデータ） (2023-01-27T13:02:19Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳（メタデータ） (2020-11-07T19:57:22Z) - IGANI: Iterative Generative Adversarial Networks for Imputation with
Application to Traffic Data [2.741266294612776]
本研究はIGANI(Iterative Generative Adversarial Networks for Imputation)と呼ばれる新しい反復型GANアーキテクチャを導入する。
IGANIは2つのステップでデータをインプットし、生成インプタの可逆性を維持する。
提案アルゴリズムは, 従来のGANベースの計算アーキテクチャと比較して, より正確な結果が得られた。
論文 参考訳（メタデータ） (2020-08-11T16:46:02Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - A Nonconvex Low-Rank Tensor Completion Model for Spatiotemporal Traffic
Data Imputation [13.48205738743634]
様々なセンサシステムから収集された時空間トラフィックデータには,データ計算の欠如が一般的である。
本稿では,各変数に対する最適解を求めるアルゴリズムを提案する。
提案したモデルは、他のベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2020-03-23T13:27:01Z)
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。