論文の概要: Traffic4cast 2020 -- Graph Ensemble Net and the Importance of Feature And Loss Function Design for Traffic Prediction

• arxiv url: http://arxiv.org/abs/2012.02115v1
• Date: Thu, 3 Dec 2020 17:49:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 20:00:33.142107
• Title: Traffic4cast 2020 -- Graph Ensemble Net and the Importance of Feature And Loss Function Design for Traffic Prediction
• Title（参考訳）: traffic4cast 2020 -- graph ensemble netと交通予測のための特徴と損失関数設計の重要性
• Authors: Qi Qi, Pak Hay Kwok
• Abstract要約: Traffic4cast 2019と同様に、Traffic4cast 2020は、大都市の将来の交通状態を予測できるアルゴリズムを開発するために、競合相手に挑戦した。 機能と損失関数の設計の重要性について検討し、昨年から最高のパフォーマンスを持つU-Netソリューションに大幅な改善を施した。 最後のソリューションであるU-NetとGNNのアンサンブルは、Traffic4cast 2020で4位になった。
• 参考スコア（独自算出の注目度）: 4.0847949901305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper details our solution to Traffic4cast 2020. Similar to Traffic4cast 2019, Traffic4cast 2020 challenged its contestants to develop algorithms that can predict the future traffic states of big cities. Our team tackled this challenge on two fronts. We studied the importance of feature and loss function design, and achieved significant improvement to the best performing U-Net solution from last year. We also explored the use of Graph Neural Networks and introduced a novel ensemble GNN architecture which outperformed the GNN solution from last year. While our GNN was improved, it was still unable to match the performance of U-Nets and the potential reasons for this shortfall were discussed. Our final solution, an ensemble of our U-Net and GNN, achieved the 4th place solution in Traffic4cast 2020.
• Abstract（参考訳）: 本稿では、traffic4cast 2020のソリューションについて詳述する。 traffic4cast 2019と同様に、traffic4cast 2020は、大都市の将来の交通状況を予測するアルゴリズムの開発に挑戦した。 私たちのチームはこの挑戦を2つの面で取り組んだ。 機能と損失関数の設計の重要性を調査し、昨年から最高のパフォーマンスのu-netソリューションに対して大きな改善を達成しました。 また、グラフニューラルネットワークの利用について検討し、昨年よりGNNソリューションよりも優れた新しいアンサンブルGNNアーキテクチャを導入した。 我々のGNNは改善されたが、それでもU-Netのパフォーマンスと一致せず、この欠点の潜在的な理由が議論された。 最後のソリューションであるU-NetとGNNのアンサンブルは、Traffic4cast 2020で4位になった。

関連論文リスト

• A Survey of Graph Neural Networks in Real world: Imbalance, Noise, Privacy and OOD Challenges [75.37448213291668]
  本稿では,既存のグラフニューラルネットワーク(GNN)を体系的にレビューする。 まず、既存のGNNが直面している4つの重要な課題を強調し、現実のGNNモデルを探究する道を開く。
  論文  参考訳（メタデータ） (2024-03-07T13:10:37Z)
• A Survey on Graph Neural Networks in Intelligent Transportation Systems [11.863528235605457]
  グラフニューラルネットワーク(GNN)は、2019年以来、ITS分野において高い競争力を持つ方法として現れてきた。 本稿では,交通予測,自動運転車,交通信号制御,交通安全,需要予測,駐車場管理の6つの領域におけるGNNの適用状況について検討する。
  論文  参考訳（メタデータ） (2024-01-01T09:53:24Z)
• LazyGNN: Large-Scale Graph Neural Networks via Lazy Propagation [51.552170474958736]
  グラフ表現学習においてより効率的なモデルであるLazyGNNを実現するために,より深いモデルではなく,より浅いモデルによってグラフの長距離依存性をキャプチャすることを提案する。 LazyGNNは、ミニバッチのLazyGNNの開発を通じてさらに加速するために、既存のスケーラブルなアプローチ(サンプリング方法など)と互換性がある。 総合的な実験は、大規模なベンチマークで優れた予測性能とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2023-02-03T02:33:07Z)
• QT-Routenet: Improved GNN generalization to larger 5G networks by fine-tuning predictions from queueing theory [2.4366811507669124]
  5Gネットワークにモデルを適用する際の一般化の問題に取り組む。 待ち行列理論(QT)に関連するロバストな特徴を最初に抽出することを提案する。 そこで我々は,Reutenet Graph Neural Network(GNN)モデルを用いて,解析的ベースライン予測を微調整する。
  論文  参考訳（メタデータ） (2022-07-13T16:49:37Z)
• Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
  グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。 パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。 こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
  論文  参考訳（メタデータ） (2022-05-16T02:21:09Z)
• Bridging the Gap of AutoGraph between Academia and Industry: Analysing AutoGraph Challenge at KDD Cup 2020 [61.31176652211479]
  グラフニューラルネットワーク(GNN)はグラフ構造化データのモデリングに有効であることが証明されており、GNNアーキテクチャの多くのバリエーションが提案されている。 研究者は自然にグラフ学習に機械学習を導入し、人間の労力を減らし、一般的に最高のパフォーマンスのGNNを実現することを目指している。 GNN実践者の自動化ソリューションを理解するため、我々はKDD Cup 2020でAutoGraph Challengeを組織し、ノード分類のためのグラフ自動ニューラルネットワークを強調した。
  論文  参考訳（メタデータ） (2022-04-06T07:06:48Z)
• 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)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• Solving Traffic4Cast Competition with U-Net and Temporal Domain Adaptation [0.0]
  我々は、Traffic4Cast 2021 Core Challengeにソリューションを提示する。 この課題は、新型コロナウイルスのパンデミックによるトラフィックの時間的ドメインシフトに焦点を当てている。 我々の解決策は決勝戦で3位になった。
  論文  参考訳（メタデータ） (2021-11-05T11:49:52Z)
• TLab: Traffic Map Movie Forecasting Based on HR-NET [23.40323690536007]
  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。
  論文  参考訳（メタデータ） (2020-11-13T18:48:13Z)

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。