論文の概要: Short-term Traffic Prediction with Deep Neural Networks: A Survey
- arxiv url: http://arxiv.org/abs/2009.00712v1
- Date: Fri, 28 Aug 2020 15:06:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 01:47:38.668367
- Title: Short-term Traffic Prediction with Deep Neural Networks: A Survey
- Title（参考訳）: ディープニューラルネットワークによる短期交通予測:サーベイ
- Authors: Kyungeun Lee, Moonjung Eo, Euna Jung, Yoonjin Yoon, and Wonjong Rhee
- Abstract要約: 現代の交通システムでは、毎日大量の交通データが生成される。
これにより、短期交通予測(STTP)が急速に進歩した。
複雑な関係を持つトラフィックネットワークでは、最も重要な特徴やパターンを自動的に抽出できるため、ディープニューラルネットワーク(DNN)がよく機能することが多い。
- 参考スコア（独自算出の注目度）: 2.9849405664643585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In modern transportation systems, an enormous amount of traffic data is
generated every day. This has led to rapid progress in short-term traffic
prediction (STTP), in which deep learning methods have recently been applied.
In traffic networks with complex spatiotemporal relationships, deep neural
networks (DNNs) often perform well because they are capable of automatically
extracting the most important features and patterns. In this study, we survey
recent STTP studies applying deep networks from four perspectives. 1) We
summarize input data representation methods according to the number and type of
spatial and temporal dependencies involved. 2) We briefly explain a wide range
of DNN techniques from the earliest networks, including Restricted Boltzmann
Machines, to the most recent, including graph-based and meta-learning networks.
3) We summarize previous STTP studies in terms of the type of DNN techniques,
application area, dataset and code availability, and the type of the
represented spatiotemporal dependencies. 4) We compile public traffic datasets
that are popular and can be used as the standard benchmarks. Finally, we
suggest challenging issues and possible future research directions in STTP.
- Abstract（参考訳）: 現代の交通システムでは、毎日大量の交通データが生成される。
これにより,最近深層学習手法が適用された短期交通予測(STTP)が急速に進展した。
複雑な時空間関係を持つトラフィックネットワークでは、ディープニューラルネットワーク(DNN)は、最も重要な特徴やパターンを自動的に抽出できるため、よく機能する。
本研究では,深層ネットワークを応用したsttp研究を4つの視点から行った。
1) 関係する空間的・時間的依存関係の数と種類に応じて入力データ表現法を要約する。
2)Restricted Boltzmann Machinesを含む最初期のネットワークから,グラフベースおよびメタラーニングネットワークを含む最新のネットワークまで,幅広いDNN技術について簡単に説明する。
3) DNN技術の種類, アプリケーション領域, データセットとコード可用性, 表現された時空間依存性のタイプについて, これまでのSTTP研究を要約する。
4) 一般的な公開トラフィックデータセットをコンパイルし、標準ベンチマークとして使用できる。
最後に,STTPにおける課題と今後の研究方向性を提案する。
関連論文リスト
- A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。
グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。
この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
論文 参考訳（メタデータ） (2023-07-07T08:05:03Z) - STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。
次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。
ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
論文 参考訳（メタデータ） (2023-07-02T06:56:52Z) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳（メタデータ） (2022-05-24T16:22:40Z) - Domain Adversarial Spatial-Temporal Network: A Transferable Framework
for Short-term Traffic Forecasting across Cities [9.891703123090528]
本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。
DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。
3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2022-02-08T03:58:39Z) - Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。
d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。
トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
論文 参考訳（メタデータ） (2021-08-20T11:53:05Z) - DL-Traff: Survey and Benchmark of Deep Learning Models for Urban Traffic
Prediction [7.476566278759198]
このようなデータに最先端のディープラーニング技術を活用することで、都市交通予測はAIとインテリジェントトランスポーテーションシステムコミュニティに大きな注目を集めている。
具体的なモデリング戦略によると、最先端のディープラーニングモデルは、グリッドベース、グラフベース、時系列モデルという3つのカテゴリに分けられる。
論文 参考訳（メタデータ） (2021-08-20T10:08:26Z) - Graph Neural Network for Traffic Forecasting: A Survey [1.1977931648859175]
本稿では,交通予測問題に対するグラフニューラルネットワークの適用を探求する,初めての総合的な調査である。
我々は,各問題と今後の研究方向性について,オープンデータとソースリソースのコレクションを提示する。
また、最新の論文、オープンデータ、およびソースリソースを更新するための公開Githubリポジトリも作成しました。
論文 参考訳（メタデータ） (2021-01-27T02:35:41Z) - Encrypted Internet traffic classification using a supervised Spiking
Neural Network [2.8544513613730205]
本稿では,パケットサイズと到着時刻のみに着目し,暗号化されたトラフィック分類のための機械学習手法を用いる。
スパイクニューラルネットワーク(SNN)は、生物学的ニューロンの動作方法に触発される。
驚くべきことに、単純なSNNはISCXデータセットで95.9%の精度に達し、以前のアプローチを上回った。
論文 参考訳（メタデータ） (2021-01-24T22:46:08Z) - Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。
本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。
私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文 参考訳（メタデータ） (2020-12-10T22:30:25Z) - 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)
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。