論文の概要: Improved Grey System Models for Predicting Traffic Parameters
- arxiv url: http://arxiv.org/abs/2011.09469v1
- Date: Wed, 18 Nov 2020 18:55:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 04:59:14.600165
- Title: Improved Grey System Models for Predicting Traffic Parameters
- Title（参考訳）: 交通パラメータ予測のための改良グレイシステムモデル
- Authors: Gurcan Comert, Negash Begashaw, Nathan Huynh
- Abstract要約: 本稿ではいくつかの小説を提案する。
Grey System Model (GM): GM(1,1$|cos(omega t)$, GM (1,1$|sin(omega t)$, $cos(omega t)$), GM (1,1$|e-at$,$sin(omega t)$)
提案したGreyシステムモデルは、位置(例えば、すべての道路タイプでうまく機能する)と交通パラメータ(例えば、速度、走行時間、占有時間、体積)に適応することが観察された。
- 参考スコア（独自算出の注目度）: 7.25130576615102
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In transportation applications such as real-time route guidance, ramp
metering, congestion pricing and special events traffic management, accurate
short-term traffic flow prediction is needed. For this purpose, this paper
proposes several novel \textit{online} Grey system models (GM):
GM(1,1$|cos(\omega t)$), GM(1,1$|sin(\omega t)$, $cos(\omega t)$), and
GM(1,1$|e^{-at}$,$sin(\omega t)$,$cos(\omega t)$). To evaluate the performance
of the proposed models, they are compared against a set of benchmark models:
GM(1,1) model, Grey Verhulst models with and without Fourier error corrections,
linear time series model, and nonlinear time series model. The evaluation is
performed using loop detector and probe vehicle data from California, Virginia,
and Oregon. Among the benchmark models, the error corrected Grey Verhulst model
with Fourier outperformed the GM(1,1) model, linear time series, and non-linear
time series models. In turn, the three proposed models, GM(1,1$|cos(\omega
t)$), GM(1,1$|sin(\omega t)$,$cos(\omega t)$), and GM(1,1$|e^{-at}$,$sin(\omega
t)$,$cos(\omega t)$), outperformed the Grey Verhulst model in prediction by at
least $65\%$, $16\%$, and $11\%$, in terms of Root Mean Squared Error, and by
$82\%$, $58\%$, and $42\%$, in terms of Mean Absolute Percentage Error,
respectively. It is observed that the proposed Grey system models are more
adaptive to location (e.g., perform well for all roadway types) and traffic
parameters (e.g., speed, travel time, occupancy, and volume), and they do not
require as many data points for training (4 observations are found to be
sufficient).
- Abstract（参考訳）: リアルタイム経路案内, ランプ計測, 混雑価格, 特別イベント交通管理などの交通応用においては, 正確な短期交通流予測が必要である。
そこで本稿では,gm(1,1$|cos(\omega t)$),gm(1,1$|sin(\omega t)$),gm(1,1$|sin(\omega t)$),gm(1,1$|e^{-at}$,$sin(\omega t)$,$cos(\omega t)$)という,いくつかの新しいシステムモデルを提案する。
提案モデルの性能を評価するため, GM(1,1)モデル, フーリエ誤り訂正の有無を問わないGrey Verhulstモデル, 線形時系列モデル, 非線形時系列モデルなどのベンチマークモデルと比較した。
評価は、カリフォルニア、バージニア、オレゴンのループ検出器およびプローブ車両データを用いて行われる。
ベンチマークモデルのうち、フーリエによる誤差補正グレーバールストモデルはgm(1,1)モデル、線形時系列モデル、非線形時系列モデルよりも優れていた。
逆に、3つのモデル、gm(1,1$|cos(\omega t)$)、gm(1,1$|sin(\omega t)$,$cos(\omega t)$)、gm(1,1$|e^{-at}$,$sin(\omega t)$,$cos(\omega t)$)は、根平均二乗誤差(root mean squared error)、および8,2\%$,5,8\%$,4,2\%$である。
提案したGreyシステムモデルは、場所(例えば、すべての道路タイプでうまく機能する)や交通パラメータ(例えば、速度、走行時間、占有量、体積)に適応しており、訓練に十分なデータポイントを必要としない(4つの観測結果が十分である)。
関連論文リスト
- Self-Ensembling Gaussian Splatting for Few-Shot Novel View Synthesis [55.561961365113554]
3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)に顕著な効果を示した
しかし、3DGSモデルはスパースポーズビューで訓練すると過度に適合する傾向にあり、その一般化能力は新規ビューに制限される。
オーバーフィッティング問題を緩和するために,Self-Ensembling Gaussian Splatting (SE-GS) アプローチを提案する。
提案手法は,NVSの品質向上に寄与し,既存の最先端手法よりも優れる。
論文 参考訳（メタデータ） (2024-10-31T18:43:48Z) - Promises and Pitfalls of Generative Masked Language Modeling: Theoretical Framework and Practical Guidelines [74.42485647685272]
GMLM(Generative Masked Language Models)に焦点を当てる。
我々は,マルコフ連鎖の入力として使用されるマスキングにより,データ分布の条件付き確率に適合するモデルを訓練し,モデルからサンプルを抽出する。
我々は,T5モデルを並列デコーディングに適応させ,最小品質の犠牲を伴って機械翻訳における2～3倍の高速化を実現した。
論文 参考訳（メタデータ） (2024-07-22T18:00:00Z) - Scaling Laws in Linear Regression: Compute, Parameters, and Data [86.48154162485712]
無限次元線形回帰セットアップにおけるスケーリング法則の理論について検討する。
テストエラーの再現可能な部分は$Theta(-(a-1) + N-(a-1)/a)$であることを示す。
我々の理論は経験的ニューラルスケーリング法則と一致し、数値シミュレーションによって検証される。
論文 参考訳（メタデータ） (2024-06-12T17:53:29Z) - Weak-to-Strong Search: Align Large Language Models via Searching over Small Language Models [22.425339110551743]
我々は,テストタイムの欲求検索として,大規模言語モデルのアライメントをフレーミングする,$textitweak-to-strong検索を導入する。
制御された知覚生成と要約では、チューニングされていない$textttgpt2$sを使用して、追加のトレーニングなしで大規模モデルのアライメントを改善する。
より難しい命令追従ベンチマークでは、市販の小型モデルの再利用により、ホワイトボックスモデルとブラックボックスモデルの両方の長制御された勝利率を改善することが示されている。
論文 参考訳（メタデータ） (2024-05-29T16:55:32Z) - Robust Causal Bandits for Linear Models [20.028245872662843]
因果系における報酬関数を最適化するための実験の逐次設計は、因果包帯における介入の逐次設計(CB)により効果的にモデル化できる。
本稿では,このようなモデルゆらぎに対するCBの頑健性について述べる。
累積後悔は設計基準として採用され、その目的は、因果モデル全体とその変動を意識したオラクルに対して最小の累積後悔を引き起こす一連の介入を設計することである。
論文 参考訳（メタデータ） (2023-10-30T17:58:01Z) - Bayesian Parameter Estimations for Grey System Models in Online Traffic
Speed Predictions [0.5801044612920815]
グレー・システム・モデルには様々な形態がある。
平均二乗誤差ではベイズパラメータ推定モデルの方が最大45%精度が高いことがわかった。
論文 参考訳（メタデータ） (2021-08-15T23:18:39Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z) - Scalable Deep Generative Modeling for Sparse Graphs [105.60961114312686]
既存のディープニューラルネットワーク手法では、隣接行列を構築することで、$Omega(n2)$複雑さを必要とする。
我々は,この空間を利用して完全隣接行列を生成する新しい自己回帰モデルBiGGを開発した。
トレーニング中、この自己回帰モデルは$O(log n)$同期ステージで並列化できる。
論文 参考訳（メタデータ） (2020-06-28T04:37:57Z) - Model-Based Reinforcement Learning with Value-Targeted Regression [48.92439657407732]
我々は、遷移モデル $P$ が既知のモデルの族 $mathcalP$ に属する有限水平エピソード RL に焦点を当てる。
線形混合の特別な場合において、後悔束は $tildemathcalO(dsqrtH3T)$ という形を取る。
論文 参考訳（メタデータ） (2020-06-01T17:47:53Z) - Grey Models for Short-Term Queue Length Predictions for Adaptive Traffic
Signal Control [9.880646813334812]
待ち行列長のリアルタイム予測は、ASCSとの交点における異なる動きの拍子やタイミングを調整するのに利用できる。
本研究の目的は,ASCSで活用可能な信号化交差点の待ち時間予測モデルを開発することである。
サウスカロライナ州レキシントンの道路ネットワーク上で,ASCSと交差する5つの交差点の待ち行列長データを用いたケーススタディを行った。
論文 参考訳（メタデータ） (2019-12-29T15:33:03Z)
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。