Fugu-MT 論文翻訳(概要): Temporal Autoencoder with U-Net Style Skip-Connections for Frame Prediction

論文の概要: Temporal Autoencoder with U-Net Style Skip-Connections for Frame Prediction

arxiv url: http://arxiv.org/abs/2011.12661v1
Date: Wed, 25 Nov 2020 11:41:36 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 02:11:33.575125
Title: Temporal Autoencoder with U-Net Style Skip-Connections for Frame Prediction
Title（参考訳）: フレーム予測のためのU-Netスタイルスキップ接続を用いた時間オートエンコーダ
Authors: Jay Santokhi, Pankaj Daga, Joned Sarwar, Anna Jordan, Emil Hewage
Abstract要約: 本稿では、コナールLSTMを用いてU-Netスタイルのスキップ接続を備えたテンポラルオートエンコーダを作成するトラフィックフレーム予測手法について述べる。サイクル学習率の活用も紹介され、標準的なアプローチよりも少ないエポックで損失スコアを低くすることで、トレーニング効率を向上させる。
参考スコア（独自算出の注目度）: 0.20999222360659608
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Finding sustainable and novel solutions to predict city-wide mobility behaviour is an ever-growing problem given increased urban complexity and growing populations. This paper seeks to address this by describing a traffic frame prediction approach that uses Convolutional LSTMs to create a Temporal Autoencoder with U-Net style skip-connections that marry together recurrent and traditional computer vision techniques to capture spatio-temporal dependencies at different scales without losing topological details of a given city. Utilisation of Cyclical Learning Rates is also presented, improving training efficiency by achieving lower loss scores in fewer epochs than standard approaches.
Abstract（参考訳）: 都市全体の移動行動を予測する持続可能な新しいソリューションを見つけることは、都市が複雑化し人口が増加することを考えると、常に増加する問題である。本稿では,畳み込み型lstmを用いてu-netスタイルのスキップ接続を用いた時間的自動エンコーダを作成し,リカレントと従来のコンピュータビジョン技術とを組み合わせることにより,与えられた都市の位相的詳細を損なうことなく,異なるスケールで時空間的依存関係をキャプチャするトラヒックフレーム予測手法を提案する。循環学習率の活用も提案され、標準的アプローチよりも少ない期間で低ロススコアを達成し、トレーニング効率を向上させる。

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)
TEAM: Topological Evolution-aware Framework for Traffic Forecasting--Extended Version [24.544665297938437]
交通予測のためのトポロジカル進化認識フレームワーク(TEAM)には、畳み込みと注意が組み込まれている。 TEAMは、予測精度を損なうことなく、既存の方法よりもはるかに低い再訓練コストを削減できる。
論文参考訳（メタデータ） (2024-10-24T22:50:21Z)
Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting [13.309018047313801]
交通予測はスマートシティの発展において重要な研究分野として浮上している。最短時間相関のためのネットワークモデリングの最近の進歩は、パフォーマンスのリターンが低下し始めている。これらの課題に対処するために、時空間グラフ変換器(STGormer)を導入する。本研究では,その構造に基づく空間符号化手法を2つ設計し,時間位置をバニラ変圧器に統合して時間的トラフィックパターンをキャプチャする。
論文参考訳（メタデータ） (2024-08-20T13:18:21Z)
Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。本研究では,都市におけるモビリティ予測の新たな視点について紹介する。都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文参考訳（メタデータ） (2023-12-04T07:39:05Z)
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-06-15T14:50:27Z)
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)
Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
論文参考訳（メタデータ） (2022-08-05T09:36:55Z)
Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。私たちのコードは公開されます。
論文参考訳（メタデータ） (2022-02-23T18:23:07Z)
STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention Network for Traffic Forecasting [7.232141271583618]
非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。 SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
論文参考訳（メタデータ） (2021-12-04T06:39:18Z)
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。