論文の概要: Distributed Fine-Grained Traffic Speed Prediction for Large-Scale
Transportation Networks based on Automatic LSTM Customization and Sharing
- arxiv url: http://arxiv.org/abs/2005.04788v2
- Date: Wed, 3 Jun 2020 13:17:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 01:39:49.594114
- Title: Distributed Fine-Grained Traffic Speed Prediction for Large-Scale
Transportation Networks based on Automatic LSTM Customization and Sharing
- Title（参考訳）: 自動lstmカスタマイズと共有に基づく大規模交通ネットワークにおける分散細粒度交通速度予測
- Authors: Ming-Chang Lee, Jia-Chun Lin, and Ernst Gunnar Gran
- Abstract要約: DistPreは、大規模交通ネットワークのための分散きめ細かな交通速度予測スキームである。
D DistPreは、大規模な交通ネットワークにおいて、時間効率のLSTMカスタマイズと正確な交通速度予測を提供する。
- 参考スコア（独自算出の注目度）: 0.27528170226206433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Short-term traffic speed prediction has been an important research topic in
the past decade, and many approaches have been introduced. However, providing
fine-grained, accurate, and efficient traffic-speed prediction for large-scale
transportation networks where numerous traffic detectors are deployed has not
been well studied. In this paper, we propose DistPre, which is a distributed
fine-grained traffic speed prediction scheme for large-scale transportation
networks. To achieve fine-grained and accurate traffic-speed prediction,
DistPre customizes a Long Short-Term Memory (LSTM) model with an appropriate
hyperparameter configuration for a detector. To make such customization process
efficient and applicable for large-scale transportation networks, DistPre
conducts LSTM customization on a cluster of computation nodes and allows any
trained LSTM model to be shared between different detectors. If a detector
observes a similar traffic pattern to another one, DistPre directly shares the
existing LSTM model between the two detectors rather than customizing an LSTM
model per detector. Experiments based on traffic data collected from freeway
I5-N in California are conducted to evaluate the performance of DistPre. The
results demonstrate that DistPre provides time-efficient LSTM customization and
accurate fine-grained traffic-speed prediction for large-scale transportation
networks.
- Abstract（参考訳）: 過去10年間,交通速度の短期予測は重要な研究課題であり,多くのアプローチが導入されている。
しかし、多数の交通検知器が配備されている大規模交通ネットワークに対して、きめ細かな、正確かつ効率的な交通速予測を提供することは、十分に研究されていない。
本稿では,大規模交通ネットワークを対象とした分散きめ細かな交通速度予測手法であるDistPreを提案する。
DistPreは、詳細なトラフィック速度予測を実現するため、検出器に適切なハイパーパラメータ構成を持つLong Short-Term Memory (LSTM)モデルをカスタマイズする。
このようなカスタマイズプロセスを大規模輸送ネットワークに適用するために、DistPreは計算ノードのクラスタ上でLSTMカスタマイズを行い、訓練されたLSTMモデルを異なる検出器間で共有できるようにする。
検出器が他の検出器と同様のトラフィックパターンを観測した場合、DistPreは検出器ごとにLSTMモデルをカスタマイズするのではなく、既存のLSTMモデルを2つの検出器間で直接共有する。
カリフォルニア州の高速道路i5-nから収集した交通データに基づく実験を行い,distpreの性能評価を行った。
その結果、DistPreは、大規模な交通ネットワークにおいて、時間効率の良いLSTMカスタマイズと正確な交通速度予測を提供することを示した。
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) - Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。
近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。
我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文 参考訳（メタデータ） (2024-10-28T09:19:29Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z) - 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) - DistTune: Distributed Fine-Grained Adaptive Traffic Speed Prediction for
Growing Transportation Networks [1.0437764544103274]
DistTuneは、成長する交通ネットワークに対して、粒度、正確、時間効率、適応的な交通速度予測を提供する。
DistTuneをさらに時間効率よくするために、DistTuneは並列に計算ノードのクラスタ上で機能する。
論文 参考訳（メタデータ） (2021-05-19T22:20:58Z) - Event-Driven Source Traffic Prediction in Machine-Type Communications
Using LSTM Networks [5.995091801910689]
イベント駆動ソーストラフィック予測のためのLong Short-Term Memory (LSTM)ベースのディープラーニングアプローチを提案する。
我々のモデルは、既存のベースラインソリューションよりも、リソースの節約と精度を約9%で上回ります。
論文 参考訳（メタデータ） (2021-01-12T09:31:18Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチ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を強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳（メタデータ） (2020-04-21T20:46:32Z) - Short-Term Traffic Flow Prediction Using Variational LSTM Networks [3.2364716800671873]
本研究では,歴史データに基づく深層学習手法を用いて交通流予測モデルを提案する。
2019年、カルトランス性能測定システム(PeMS)から6ヶ月間収集された歴史的データ。
提案した予測モデルは、短いVLSTM-Eにおける変分長短期記憶である。
論文 参考訳（メタデータ） (2020-02-18T23:22:31Z) - DALC: Distributed Automatic LSTM Customization for Fine-Grained Traffic
Speed Prediction [0.0]
本稿では,LSTMモデルを自動的に1つの検出器にカスタマイズするALCアルゴリズムを提案する。
ALCアルゴリズムに基づいて,大規模輸送ネットワークにおけるLSTMモデル毎にLSTMモデルをカスタマイズするために,分散自動LSTMカスタマイズ(DALC)と呼ばれる分散アプローチを導入する。
論文 参考訳（メタデータ） (2020-01-24T09:25:36Z)
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。