論文の概要: Transfer Learning and Online Learning for Traffic Forecasting under
Different Data Availability Conditions: Alternatives and Pitfalls
- arxiv url: http://arxiv.org/abs/2005.05069v1
- Date: Fri, 8 May 2020 10:53:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 11:49:35.907687
- Title: Transfer Learning and Online Learning for Traffic Forecasting under
Different Data Availability Conditions: Alternatives and Pitfalls
- Title(参考訳): データ提供条件の異なる交通予測のための転送学習とオンライン学習:選択肢と落とし穴
- Authors: Eric L. Manibardo, Ibai La\~na, Javier Del Ser
- Abstract要約: 本研究の目的は,不在データのシナリオにおいて,交通流予測モデルを開発するための伝達学習(TL)の可能性を明らかにすることである。
従来のバッチ学習は,マドリード市議会(スペイン)が管理するデプロイループによって収集される,実際のトラフィックフローデータを用いたTLベースモデルと比較される。
さらに,交通の流れの変化に適応し,新たな交通データから漸進的に学習するために,各予測の後にモデルが更新を受けるオンライン学習(OL)手法を適用した。
- 参考スコア(独自算出の注目度): 7.489793155793319
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: This work aims at unveiling the potential of Transfer Learning (TL) for
developing a traffic flow forecasting model in scenarios of absent data.
Knowledge transfer from high-quality predictive models becomes feasible under
the TL paradigm, enabling the generation of new proper models with few data. In
order to explore this capability, we identify three different levels of data
absent scenarios, where TL techniques are applied among Deep Learning (DL)
methods for traffic forecasting. Then, traditional batch learning is compared
against TL based models using real traffic flow data, collected by deployed
loops managed by the City Council of Madrid (Spain). In addition, we apply
Online Learning (OL) techniques, where model receives an update after each
prediction, in order to adapt to traffic flow trend changes and incrementally
learn from new incoming traffic data. The obtained experimental results shed
light on the advantages of transfer and online learning for traffic flow
forecasting, and draw practical insights on their interplay with the amount of
available training data at the location of interest.
- Abstract(参考訳): 本研究の目的は,不在データのシナリオにおいて,交通流予測モデルを開発するための伝達学習(TL)の可能性を明らかにすることである。
高品質な予測モデルからの知識伝達はtlパラダイムの下で実現可能となり、少ないデータで新しい適切なモデルを生成することができる。
この能力を探求するために,交通予測のための深層学習(DL)手法にTL手法を適用した,3種類のデータ欠落シナリオを特定した。
次に、マドリード市議会(spain)が管理するデプロイされたループによって収集された実際のトラフィックフローデータを用いて、従来のバッチ学習をtlベースモデルと比較する。
さらに,交通の流れの変化に適応し,新たな交通データから漸進的に学習するために,各予測の後にモデルが更新を受けるオンライン学習(OL)手法を適用した。
実験の結果,交通流予測における移動学習とオンライン学習の利点を浮き彫りにし,興味のある場所で利用可能なトレーニングデータの量との相互作用について実践的な洞察を得た。
関連論文リスト
- TPLLM: A Traffic Prediction Framework Based on Pretrained Large Language
Models [27.306180426294784]
大規模言語モデル(LLM)を利用した新しい交通予測フレームワークであるTPLLMを紹介する。
本フレームワークでは,Lonal Neural Networks (LoCNNs) に基づくシーケンス埋め込み層と,Graph Contemporalal Networks (GCNs) に基づくグラフ埋め込み層を構築し,シーケンスの特徴と空間的特徴を抽出する。
実世界の2つのデータセットの実験では、フルサンプルと数ショットの予測シナリオの両方で、満足できるパフォーマンスを示している。
論文 参考訳(メタデータ) (2024-03-04T17:08:57Z) - Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - Predicting the Skies: A Novel Model for Flight-Level Passenger Traffic
Forecasting [0.0]
本研究では,飛行レベルの旅客輸送を予測するための新しい多モード深層学習手法を提案する。
本モデルでは, フライト毎に, 過去の交通情報, 運賃情報, 季節特性を収集する。
従来のベンチマークと比較すると,平均二乗誤差はおよそ33%改善した。
論文 参考訳(メタデータ) (2024-01-07T06:51:26Z) - STDA-Meta: A Meta-Learning Framework for Few-Shot Traffic Prediction [5.502177196766933]
本稿では,データ満足な都市から移動可能なメタ知識を対角的に学習する新しい時間領域適応(STDA)手法を提案する。
この学習されたメタ知識は、データスカース都市の予測性能を向上させることができる。
具体的には,モデル・アテンポラル・メタラーニング(MAML)に基づくエピソード学習プロセスを用いてSTDAモデルを訓練する。
論文 参考訳(メタデータ) (2023-10-31T06:52:56Z) - Newell's theory based feature transformations for spatio-temporal
traffic prediction [0.0]
本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。
この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。
私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
論文 参考訳(メタデータ) (2023-07-12T06:31:43Z) - Reinforcement Learning from Passive Data via Latent Intentions [86.4969514480008]
我々は、下流RLを加速する機能を学ぶために、受動的データが引き続き使用できることを示す。
我々のアプローチは、意図をモデル化することで受動的データから学習する。
実験では、クロス・エボディメント・ビデオデータやYouTubeビデオなど、さまざまな形式の受動的データから学習できることを実証した。
論文 参考訳(メタデータ) (2023-04-10T17:59:05Z) - Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。
共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。
さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
論文 参考訳(メタデータ) (2022-07-08T10:25:47Z) - 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) - How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。
本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。
スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
論文 参考訳(メタデータ) (2021-11-26T11:58:51Z) - 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) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳(メタデータ) (2020-07-17T01:52:34Z)
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。