論文の概要: IGANI: Iterative Generative Adversarial Networks for Imputation with Application to Traffic Data

• arxiv url: http://arxiv.org/abs/2008.04847v3
• Date: Mon, 21 Jun 2021 16:37:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 11:02:59.649924
• Title: IGANI: Iterative Generative Adversarial Networks for Imputation with Application to Traffic Data
• Title（参考訳）: IGANI:トラヒックデータを用いたイミューテーションのための反復生成対向ネットワーク
• Authors: Amir Kazemi and Hadi Meidani
• Abstract要約: 本研究はIGANI(Iterative Generative Adversarial Networks for Imputation)と呼ばれる新しい反復型GANアーキテクチャを導入する。 IGANIは2つのステップでデータをインプットし、生成インプタの可逆性を維持する。 提案アルゴリズムは, 従来のGANベースの計算アーキテクチャと比較して, より正確な結果が得られた。
• 参考スコア（独自算出の注目度）: 2.741266294612776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Increasing use of sensor data in intelligent transportation systems calls for accurate imputation algorithms that can enable reliable traffic management in the occasional absence of data. As one of the effective imputation approaches, generative adversarial networks (GANs) are implicit generative models that can be used for data imputation, which is formulated as an unsupervised learning problem. This work introduces a novel iterative GAN architecture, called Iterative Generative Adversarial Networks for Imputation (IGANI), for data imputation. IGANI imputes data in two steps and maintains the invertibility of the generative imputer, which will be shown to be a sufficient condition for the convergence of the proposed GAN-based imputation. The performance of our proposed method is evaluated on (1) the imputation of traffic speed data collected in the city of Guangzhou in China, and the training of short-term traffic prediction models using imputed data, and (2) the imputation of multi-variable traffic data of highways in Portland-Vancouver metropolitan region which includes volume, occupancy, and speed with different missing rates for each of them. It is shown that our proposed algorithm mostly produces more accurate results compared to those of previous GAN-based imputation architectures.
• Abstract（参考訳）: インテリジェントトランスポートシステムにおけるセンサデータの利用の増加は、データの欠如時に信頼できるトラフィック管理を可能にする正確な計算アルゴリズムを要求する。 効果的なインプテーションアプローチの1つとして、ジェネレイティブ・逆ネットワーク(gans)は、教師なし学習問題として定式化されたデータインプテーションに使用できる暗黙的な生成モデルである。 この研究は、IGANI(Iterative Generative Adversarial Networks for Imputation)と呼ばれる新しい反復型GANアーキテクチャを導入している。 IGANIは2つのステップでデータをインプットし、生成インプタの可逆性を維持する。 提案手法の性能評価は,(1)広州市で収集された交通速度データの計算結果と,(2)速報データを用いた短期交通予測モデルの訓練結果と,(2)音量,占有率,速度の異なるポートランド・バンクーバー都市圏の高速道路における交通量の多変量データの計算結果に基づいて評価された。 提案アルゴリズムは, 従来のGANベースの計算アーキテクチャと比較して, より正確な結果が得られた。

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)
• ST-GIN: An Uncertainty Quantification Approach in Traffic Data Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent United Neural Networks [18.66289473659838]
  本稿では、欠落したデータを計算するための革新的な深層学習手法を提案する。 グラフアテンションアーキテクチャを用いて、交通データに存在する空間的相関をキャプチャする。 双方向ニューラルネットワークを用いて時間情報を学習する。
  論文  参考訳（メタデータ） (2023-05-10T22:15:40Z)
• 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)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Learning spatiotemporal features from incomplete data for traffic flow prediction using hybrid deep neural networks [0.28675177318965034]
  本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。 RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。 PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
  論文  参考訳（メタデータ） (2022-04-21T15:57:08Z)
• Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
  多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。 本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。 また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
  論文  参考訳（メタデータ） (2022-03-08T09:46:50Z)
• 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)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• 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)
• Transformer Networks for Data Augmentation of Human Physical Activity Recognition [61.303828551910634]
  Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。 本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
  論文  参考訳（メタデータ） (2021-09-02T16:47:29Z)
• Deep convolutional generative adversarial networks for traffic data imputation encoding time series as images [7.053891669775769]
  我々は,GAN(Generative Adversarial Network)に基づく交通センサデータ計算フレームワーク(TGAN)を開発した。 本研究では,GASF(Gramian Angular Summation Field)と呼ばれる新しい時間依存符号化手法を開発した。 本研究は,提案モデルにより,平均絶対誤差 (MAE) とルート平均正方形誤差 (RMSE) をベンチマークデータセットの最先端モデルと比較することにより,トラフィックデータ計算精度を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-05-05T19:14:02Z)

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。