論文の概要: Learning Based Methods for Traffic Matrix Estimation from Link
Measurements
- arxiv url: http://arxiv.org/abs/2008.00905v1
- Date: Mon, 3 Aug 2020 14:34:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 07:18:21.802912
- Title: Learning Based Methods for Traffic Matrix Estimation from Link
Measurements
- Title（参考訳）: リンク計測による交通行列推定のための学習手法
- Authors: Shenghe Xu, Murali Kodialam, T.V. Lakshman and Shivendra Panwar
- Abstract要約: 交通行列推定問題 (TM) は、リンク負荷測定から交通需要行列を決定する問題である。
本稿では,需要規模分布に関する情報が得られたTM推定問題について考察する。
本稿では,この問題の解法として反復予測に基づくアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 3.7793883706395928
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network traffic demand matrix is a critical input for capacity planning,
anomaly detection and many other network management related tasks. The demand
matrix is often computed from link load measurements. The traffic matrix (TM)
estimation problem is the determination of the traffic demand matrix from link
load measurements. The relationship between the link loads and the traffic
matrix that generated the link load can be modeled as an under-determined
linear system and has multiple feasible solutions. Therefore, prior knowledge
of the traffic demand pattern has to be used in order to find a potentially
feasible demand matrix. In this paper, we consider the TM estimation problem
where we have information about the distribution of the demand sizes. This
information can be obtained from the analysis of a few traffic matrices
measured in the past or from operator experience. We develop an iterative
projection based algorithm for the solution of this problem. If large number of
past traffic matrices are accessible, we propose a Generative Adversarial
Network (GAN) based approach for solving the problem. We compare the strengths
of the two approaches and evaluate their performance for several networks using
varying amounts of past data.
- Abstract（参考訳）: ネットワークトラフィック需要行列は、キャパシティ計画、異常検出、その他多くのネットワーク管理関連タスクにとって重要な入力である。
需要行列はしばしばリンク負荷測定から計算される。
トラヒックマトリックス(tm)推定問題は、リンク負荷測定値からトラヒック需要行列を決定することである。
リンク負荷とリンク負荷を生成するトラヒック行列の関係は、未決定の線形システムとしてモデル化でき、複数の実現可能な解を持つ。
したがって,交通需要パターンの事前知識は,潜在的に実現可能な需要行列を見つけるために利用する必要がある。
本稿では,需要規模分布に関する情報が得られたTM推定問題について考察する。
この情報は、過去に測定されたいくつかの交通行列の分析やオペレーターの経験から得られる。
我々は,この問題に対する反復射影に基づくアルゴリズムを開発した。
過去の交通行列が多数アクセス可能であれば,GAN(Generative Adversarial Network)に基づく問題解決手法を提案する。
この2つの手法の強みを比較し,過去の様々なデータを用いた複数のネットワークの性能評価を行った。
関連論文リスト
- 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) - Traffic estimation in unobserved network locations using data-driven
macroscopic models [2.3543188414616534]
本稿では,自動交通カウンタとプローブ車両から収集したマクロモデルとマルチソースデータを利用して,これらの測定が不可能なリンクにおいて,交通流と走行時間を正確に推定する。
MaTEはマクロフロー理論に基礎を置いているため、全てのパラメータと変数は解釈可能である。
合成データを用いた実験により, サンプル外リンクの走行時間と交通流を正確に推定できることがわかった。
論文 参考訳（メタデータ） (2024-01-30T15:21:50Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-10T02:22:33Z) - Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic
Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。
モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
論文 参考訳（メタデータ） (2022-02-21T19:45:15Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Learning data association without data association: An EM approach to
neural assignment prediction [12.970250708769708]
本稿では,データアソシエーションのためのニューラルモデルをトレーニングするための予測最大化手法を提案する。
オブジェクト認識のモデルをトレーニングするためにラベル情報を必要としない。
重要なことに、提案手法を用いてトレーニングされたネットワークは、下流追跡アプリケーションで再利用することができる。
論文 参考訳（メタデータ） (2021-05-02T01:11:09Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - 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) - Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。
本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。
我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
論文 参考訳（メタデータ） (2020-07-06T12:31:27Z)
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。