論文の概要: Road Network Metric Learning for Estimated Time of Arrival
- arxiv url: http://arxiv.org/abs/2006.13477v1
- Date: Wed, 24 Jun 2020 04:45:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 09:14:24.929928
- Title: Road Network Metric Learning for Estimated Time of Arrival
- Title（参考訳）: 走行時間推定のための道路ネットワークメトリック学習
- Authors: Yiwen Sun, Kun Fu, Zheng Wang, Changshui Zhang and Jieping Ye
- Abstract要約: 本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
- 参考スコア（独自算出の注目度）: 93.0759529610483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, deep learning have achieved promising results in Estimated Time of
Arrival (ETA), which is considered as predicting the travel time from the
origin to the destination along a given path. One of the key techniques is to
use embedding vectors to represent the elements of road network, such as the
links (road segments). However, the embedding suffers from the data sparsity
problem that many links in the road network are traversed by too few floating
cars even in large ride-hailing platforms like Uber and DiDi. Insufficient data
makes the embedding vectors in an under-fitting status, which undermines the
accuracy of ETA prediction. To address the data sparsity problem, we propose
the Road Network Metric Learning framework for ETA (RNML-ETA). It consists of
two components: (1) a main regression task to predict the travel time, and (2)
an auxiliary metric learning task to improve the quality of link embedding
vectors. We further propose the triangle loss, a novel loss function to improve
the efficiency of metric learning. We validated the effectiveness of RNML-ETA
on large scale real-world datasets, by showing that our method outperforms the
state-of-the-art model and the promotion concentrates on the cold links with
few data.
- Abstract（参考訳）: 近年, 深層学習は, 目的地から目的地までの移動時間を予測していると考えられる ETA (Estimated Time of Arrival) において, 有望な結果を達成している。
重要なテクニックの1つは、埋め込みベクトルを使用して、リンク(道路セグメント)のような道路ネットワークの要素を表現することである。
しかし、この埋め込みは、UberやDiDiのような大規模な配車プラットフォームでさえ、道路ネットワーク内の多くのリンクが浮動車によって横切られているという、データ空間の問題に悩まされている。
不十分なデータは埋め込みベクトルを不適合な状態にし、ETA予測の精度を損なう。
データ空間の問題に対処するため,我々は ETA (RNML-ETA) のための Road Network Metric Learning フレームワークを提案する。
それは(1)旅行時間を予測するための主回帰タスク、(2)リンク埋め込みベクトルの品質を改善するための補助的メトリック学習タスクの2つの構成要素からなる。
さらに,計量学習の効率を向上させるための新しい損失関数である三角損失を提案する。
我々はRNML-ETAが大規模実世界のデータセットに与える影響を検証し、我々の手法が最先端のモデルより優れており、その促進は少ないデータでコールドリンクに集中していることを示した。
関連論文リスト
- 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) - Multistep traffic speed prediction: A deep learning based approach using
latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。
深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。
提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
論文 参考訳（メタデータ） (2021-11-03T10:17:48Z) - Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks
Relying on Real Flight Data: From Single-Objective to Near-Pareto
Multi-Objective Optimization [79.96177511319713]
航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。
フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。
DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
論文 参考訳（メタデータ） (2021-10-28T14:18:22Z) - Hybrid Graph Embedding Techniques in Estimated Time of Arrival Task [0.06445605125467574]
ETA(Estimated Time of Arrival)は、開始点から所定の経路に沿った特定の場所への移動時間を予測していると考えられている。
ETAはインテリジェントタクシーサービスや自動車ナビゲーションシステムにおいて重要な役割を担っている。
本研究では,異なる空間埋め込み戦略の一般化能力について検討し,そのような問題に対処するための2段階的アプローチを提案する。
論文 参考訳（メタデータ） (2021-10-08T16:29:55Z) - 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) - Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。
提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
論文 参考訳（メタデータ） (2020-06-22T14:26:19Z) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳（メタデータ） (2020-06-07T08:10:47Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-23T03:50:46Z) - Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。
本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
論文 参考訳（メタデータ） (2020-01-13T21:14:38Z) - Nonlinear Traffic Prediction as a Matrix Completion Problem with
Ensemble Learning [1.8352113484137629]
本稿では,信号化トラフィック運用管理における短期的な交通予測の問題に対処する。
高分解能(秒間)におけるセンサ状態の予測に焦点をあてる
私たちのコントリビューションは,3つの洞察を提供するものとして要約することができます。
論文 参考訳（メタデータ） (2020-01-08T13:10:40Z)
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。