論文の概要: Deep Learning for Road Traffic Forecasting: Does it Make a Difference?
- arxiv url: http://arxiv.org/abs/2012.02260v1
- Date: Wed, 2 Dec 2020 15:56:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 04:08:17.048056
- Title: Deep Learning for Road Traffic Forecasting: Does it Make a Difference?
- Title（参考訳）: 道路交通予測のためのディープラーニング:それは違いをもたらすか?
- Authors: Eric L. Manibardo, Ibai La\~na and Javier Del Ser
- Abstract要約: 本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。
後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
- 参考スコア（独自算出の注目度）: 6.220008946076208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Learning methods have been proven to be flexible to model complex
phenomena. This has also been the case of Intelligent Transportation Systems
(ITS), in which several areas such as vehicular perception and traffic analysis
have widely embraced Deep Learning as a core modeling technology. Particularly
in short-term traffic forecasting, the capability of Deep Learning to deliver
good results has generated a prevalent inertia towards using Deep Learning
models, without examining in depth their benefits and downsides. This paper
focuses on critically analyzing the state of the art in what refers to the use
of Deep Learning for this particular ITS research area. To this end, we
elaborate on the findings distilled from a review of publications from recent
years, based on two taxonomic criteria. A posterior critical analysis is held
to formulate questions and trigger a necessary debate about the issues of Deep
Learning for traffic forecasting. The study is completed with a benchmark of
diverse short-term traffic forecasting methods over traffic datasets of
different nature, aimed to cover a wide spectrum of possible scenarios. Our
experimentation reveals that Deep Learning could not be the best modeling
technique for every case, which unveils some caveats unconsidered to date that
should be addressed by the community in prospective studies. These insights
reveal new challenges and research opportunities in road traffic forecasting,
which are enumerated and discussed thoroughly, with the intention of inspiring
and guiding future research efforts in this field.
- Abstract（参考訳）: 深層学習法は複雑な現象をモデル化するために柔軟であることが証明されている。
これはまた、車両知覚や交通分析といったいくつかの分野が、コアモデリング技術としてディープラーニングを広く採用しているインテリジェントトランスポーテーションシステム(its)のケースでもある。
特に短期的なトラフィック予測では、Deep Learningの優れた結果を提供する能力は、Deep Learningモデルの使用に対して、そのメリットや欠点を深く調べることなく、一般的な慣性を生み出しました。
本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。
そこで本研究では,近年の論文のレビューから得られた知見を,2つの分類基準に基づいて詳細に述べる。
後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
この研究は、さまざまなシナリオをカバーすることを目的とした、異なる性質のトラフィックデータセットに対する様々な短期交通予測手法のベンチマークで完了した。
私たちの実験では、深層学習はあらゆるケースで最適なモデリング技術ではないことが分かりました。
これらの知見は、道路交通予測における新たな課題と研究機会を明らかにするものであり、この分野における今後の研究努力を刺激し、指導することを意図して、徹底的に列挙・議論されている。
関連論文リスト
- Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。
3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文 参考訳（メタデータ） (2024-10-31T22:54:34Z) - A Comprehensive Survey on Evidential Deep Learning and Its Applications [64.83473301188138]
Evidential Deep Learning (EDL)は、単一のフォワードパスで最小限の追加計算で信頼性の高い不確実性推定を提供する。
まず、主観的論理理論であるEDLの理論的基礎を掘り下げ、他の不確実性推定フレームワークとの区別について議論する。
さまざまな機械学習パラダイムや下流タスクにまたがる広範な応用について詳しく述べる。
論文 参考訳（メタデータ） (2024-09-07T05:55:06Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Deep Depth Completion: A Survey [26.09557446012222]
我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。
ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。
室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
論文 参考訳（メタデータ） (2022-05-11T08:24:00Z) - Review of Pedestrian Trajectory Prediction Methods: Comparing Deep
Learning and Knowledge-based Approaches [0.0]
本稿では,歩行者動態のシミュレートに広く用いられている古典的知識ベースモデルとディープラーニングアルゴリズムを比較した。
大規模シミュレーションのためのディープラーニングアルゴリズムの能力と集合力学の記述は、いまだに実証されていない。
論文 参考訳（メタデータ） (2021-11-11T08:35:14Z) - Deep Long-Tailed Learning: A Survey [163.16874896812885]
ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。
長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。
本稿では,近年の長期学習の進歩を包括的に調査する。
論文 参考訳（メタデータ） (2021-10-09T15:25:22Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳（メタデータ） (2021-07-05T16:32:45Z) - A Survey on Deep Learning Techniques for Video Anomaly Detection [0.0]
本稿では,ディープラーニングを用いた異常検出の分野における最近の進歩について概観する。
ディープラーニングは、コンピュータビジョンや自然言語処理など、人工知能の多くの分野で成功している。
論文 参考訳（メタデータ） (2020-09-29T16:40:46Z) - Deep Learning on Traffic Prediction: Methods, Analysis and Future
Directions [32.25707921285397]
本稿では,複数の観点からの交通予測における深層学習に基づくアプローチに関する包括的調査を行う。
まず,既存の交通予測手法を要約し,分類について述べる。
第2に、異なるトラフィック予測アプリケーションにおける最先端のアプローチをリストアップする。
論文 参考訳（メタデータ） (2020-04-18T08:28:10Z) - Plausible Counterfactuals: Auditing Deep Learning Classifiers with
Realistic Adversarial Examples [84.8370546614042]
ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。
GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。
その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
論文 参考訳（メタデータ） (2020-03-25T11:08:56Z)
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。