論文の概要: TLab: Traffic Map Movie Forecasting Based on HR-NET
- arxiv url: http://arxiv.org/abs/2011.07728v2
- Date: Tue, 17 Nov 2020 01:55:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 00:30:06.662636
- Title: TLab: Traffic Map Movie Forecasting Based on HR-NET
- Title（参考訳）: TLab:HR-NETに基づく交通地図映画予測
- Authors: Fanyou Wu, Yang Liu, Zhiyuan Liu, Xiaobo Qu, Rado Gazo, Eva Haviarova
- Abstract要約: 私たちのソリューションでは、手作りの機能はチャネルの形でモデルに入力されます。
予測精度に関しては、NeurIPS 2020、Traffic4cast Challengeで2位を獲得しました。
- 参考スコア（独自算出の注目度）: 23.40323690536007
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The problem of the effective prediction for large-scale spatio-temporal
traffic data has long haunted researchers in the field of intelligent
transportation. Limited by the quantity of data, citywide traffic state
prediction was seldom achieved. Hence the complex urban transportation system
of an entire city cannot be truly understood. Thanks to the efforts of
organizations like IARAI, the massive open data provided by them has made the
research possible. In our 2020 Competition solution, we further design multiple
variants based on HR-NET and UNet. Through feature engineering, the
hand-crafted features are input into the model in a form of channels. It is
worth noting that, to learn the inherent attributes of geographical locations,
we proposed a novel method called geo-embedding, which contributes to
significant improvement in the accuracy of the model. In addition, we explored
the influence of the selection of activation functions and optimizers, as well
as tricks during model training on the model performance. In terms of
prediction accuracy, our solution has won 2nd place in NeurIPS 2020,
Traffic4cast Challenge.
- Abstract（参考訳）: 大規模時空間交通データに対する効果的な予測の問題は、知的輸送の分野で長年研究者を悩ませてきた。
データ量に制限され、都市全体の交通状態の予測はほとんど達成されなかった。
したがって、都市全体の複雑な都市交通体系は、真に理解できない。
IARAIのような団体の努力のおかげで、彼らの提供する膨大なオープンデータが研究を可能にしました。
2020年のコンペティションソリューションでは、HR-NETとUNetに基づいた複数のバリエーションを設計しています。
機能エンジニアリングを通じて、手作りの機能は、チャネルの形でモデルに入力される。
地理的な位置の性質を学習するために,我々はジオ埋め込みと呼ばれる新しい手法を提案し,モデルの精度を大幅に向上させた。
さらに,アクティベーション関数とオプティマイザの選択の影響や,モデルトレーニング中のトリックがモデルパフォーマンスに与える影響についても検討した。
予測精度に関しては、NeurIPS 2020、Traffic4cast Challengeで2位を獲得しました。
関連論文リスト
- Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。
既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。
複雑さを低減した現在の最先端技術の性能をわずかに上回る新しいモデルを導入する。
論文 参考訳（メタデータ） (2024-10-07T09:19:20Z) - OpenCity: Open Spatio-Temporal Foundation Models for Traffic Prediction [29.514461050436932]
多様なデータ特性から、基盤となる見えない時間パターンを効果的にキャプチャし、正規化できる、OpenCityという新しい基盤モデルを導入する。
OpenCityはTransformerアーキテクチャとグラフニューラルネットワークを統合して、トラフィックデータの複雑な時間依存性をモデル化する。
実験の結果、OpenCityは例外的なゼロショット性能を示した。
論文 参考訳（メタデータ） (2024-08-16T15:20:36Z) - Graph Construction with Flexible Nodes for Traffic Demand Prediction [44.1996864038085]
本稿では,自由フローティング交通モードに適したグラフ構築手法を提案する。
グラフ内のノードのフレキシブルな位置決めを決定するために,新しい密度ベースクラスタリングアルゴリズム (HDPC-L) を提案する。
深セン自転車シェアリングデータセットとハイコウライドシェアリングデータセットの2つの実世界のデータセットに関する総合的な実験は、この手法がモデルの性能を大幅に改善することを示している。
論文 参考訳（メタデータ） (2024-03-01T04:38:51Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - 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) - Large scale traffic forecasting with gradient boosting, Traffic4cast
2022 challenge [0.0]
我々は、IARAI Traffic4cast 2022コンペティションにソリューションを提示する。
目的は、道路グラフエッジの混雑クラスとスーパーセグメンションレベルの走行時間を予測するアルゴリズムを開発することである。
このシンプルで高速でスケーラブルなテクニックは、コアコンペで2位を獲得しました。
論文 参考訳（メタデータ） (2022-10-31T21:52:19Z) - Traffic4cast at NeurIPS 2021 -- Temporal and Spatial Few-Shot Transfer
Learning in Gridded Geo-Spatial Processes [61.16854022482186]
NeurIPS 2019と2020のIARAI Traffic4castコンペティションでは、ニューラルネットワークが将来の交通条件を1時間以内に予測することに成功した。
U-Netsは、この複雑な現実世界の地理空間的プロセスにおいて、関連する特徴を抽出する能力を実証し、勝利したアーキテクチャであることが証明された。
コンペティションは2年間で10都市をカバーし、1012以上のGPSプローブデータから収集したデータを提供する。
論文 参考訳（メタデータ） (2022-03-31T14:40:01Z) - 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) - 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) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-04-26T00:01:49Z) - Traffic Modelling and Prediction via Symbolic Regression on Road Sensor
Data [0.8602553195689513]
本稿では,ラグ演算子により強化されたシンボル回帰に基づく,新しいかつ正確な交通流予測手法を提案する。
提案手法は都市道路の複雑度に適したロバストモデルであり,高速道路よりも予測が困難である。
論文 参考訳（メタデータ） (2020-02-14T16:03:04Z)
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。