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
- 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) - Spatial-temporal traffic modeling with a fusion graph reconstructed by
tensor decomposition [10.104097475236014]
グラフ畳み込みネットワーク(GCN)は交通流予測に広く利用されている。
時空間グラフ隣接行列の設計はGCNの成功の鍵となる。
本稿では, テンソル分解による二元隣接行列の再構成を提案する。
論文 参考訳(メタデータ) (2022-12-12T01:44:52Z) - 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) - 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。
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。