論文の概要: An Effective Dynamic Spatio-temporal Framework with Multi-Source
Information for Traffic Prediction
- arxiv url: http://arxiv.org/abs/2005.05128v1
- Date: Fri, 8 May 2020 14:23:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 12:26:46.958066
- Title: An Effective Dynamic Spatio-temporal Framework with Multi-Source
Information for Traffic Prediction
- Title(参考訳): 交通予測のための多元情報を用いた動的時空間フレームワーク
- Authors: Jichen Wang, Weiguo Zhu, Yongqi Sun, Chunzi Tian
- Abstract要約: 提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3~7%向上する。
実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3~7%向上した。
- 参考スコア(独自算出の注目度): 0.22940141855172028
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic prediction is necessary not only for management departments to
dispatch vehicles but also for drivers to avoid congested roads. Many traffic
forecasting methods based on deep learning have been proposed in recent years,
and their main aim is to solve the problem of spatial dependencies and temporal
dynamics. In this paper, we propose a useful dynamic model to predict the urban
traffic volume by combining fully bidirectional LSTM, the more complex
attention mechanism, and the external features, including weather conditions
and events. First, we adopt the bidirectional LSTM to obtain temporal
dependencies of traffic volume dynamically in each layer, which is different
from the hybrid methods combining bidirectional and unidirectional ones;
second, we use a more elaborate attention mechanism to learn short-term and
long-term periodic temporal dependencies; and finally, we collect the weather
conditions and events as the external features to further improve the
prediction precision. The experimental results show that the proposed model
improves the prediction precision by approximately 3-7 percent on the NYC-Taxi
and NYC-Bike datasets compared to the most recently developed method, being a
useful tool for the urban traffic prediction.
- Abstract(参考訳): 交通予測は、管理部門が車両を派遣するだけでなく、渋滞した道路を避けるためにも必要である。
近年,深層学習に基づく交通予測手法が数多く提案されており,その主な目的は空間的依存や時間的ダイナミクスの問題を解決することである。
本稿では,完全双方向lstm,より複雑な注意機構,および気象条件やイベントを含む外部特徴を組み合わせることで,都市交通量を予測するための有用な動的モデルを提案する。
第1に,双方向・一方向のハイブリッド方式とは異なる,各層における交通量の時間依存度を動的に得るための双方向lstmを採用し,第2に,短期・長期の時間依存度を学習するためのより精巧な注意機構を用いて,気象条件とイベントを外部の特徴として収集し,予測精度をさらに向上させる。
提案手法は,最近開発された手法と比較して,nyc-taxiおよびnyc-bikeデータセットの予測精度を約3-7%向上させ,都市交通予測に有用であることを示す。
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) - 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) - Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。
本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。
CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
論文 参考訳(メタデータ) (2024-06-14T12:57:17Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - D2-TPred: Discontinuous Dependency for Trajectory Prediction under
Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。
実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文 参考訳(メタデータ) (2022-07-21T10:19:07Z) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳(メタデータ) (2022-03-21T06:38:34Z) - Understanding Dynamic Spatio-Temporal Contexts in Long Short-Term Memory
for Road Traffic Speed Prediction [11.92436948211501]
本研究では,道路間の空間的および時間的依存を考慮した動的局所長短期記憶(LSTM)モデルを提案する。
LSTMモデルは、長い依存性を持つシーケンシャルデータと複雑な非線形機能を扱うことができる。
実験結果から,提案モデルの予測性能は2つの異なるベースライン法と比較して優れていた。
論文 参考訳(メタデータ) (2021-12-04T19:33:05Z) - PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic
Condition Prediction [8.255993195520306]
本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。
まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
論文 参考訳(メタデータ) (2021-08-05T07:42:43Z) - 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) - Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。
生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。
我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
論文 参考訳(メタデータ) (2020-06-23T08:49:46Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z)
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。