Fugu-MT 論文翻訳(概要): Traffic flow prediction using Deep Sedenion Networks

論文の概要: Traffic flow prediction using Deep Sedenion Networks

arxiv url: http://arxiv.org/abs/2012.03874v2
Date: Fri, 11 Dec 2020 10:31:58 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 21:21:31.391361
Title: Traffic flow prediction using Deep Sedenion Networks
Title（参考訳）: 深部沈み込みネットワークを用いた交通流予測
Authors: Alabi Bojesomo, Panos Liatsis, Hasan Al Marzouqi
Abstract要約: 新規なセデニオンU-Netニューラルネットワークを用いてこの問題を解く。ダイナミクス入力には15個のセデニオン架空部品を12個使用し、静的な入力には実際のセデニオンコンポーネントを使用します。提案システムは1.33e-3の検証MSEと1.31e-3のテストMSEを達成した。
参考スコア（独自算出の注目度）: 3.7384509727711923
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we present our solution to the Traffic4cast2020 traffic prediction challenge. In this competition, participants are to predict future traffic parameters (speed and volume) in three different cities: Berlin, Istanbul and Moscow. The information provided includes nine channels where the first eight represent the speed and volume for four different direction of traffic (NE, NW, SE and SW), while the last channel is used to indicate presence of traffic incidents. The expected output should have the first 8 channels of the input at six future timing intervals (5, 10, 15, 30, 45, and 60min), while a one hour duration of past traffic data, in 5mins intervals, are provided as input. We solve the problem using a novel sedenion U-Net neural network. Sedenion networks provide the means for efficient encoding of correlated multimodal datasets. We use 12 of the 15 sedenion imaginary parts for the dynamic inputs and the real sedenion component is used for the static input. The sedenion output of the network is used to represent the multimodal traffic predictions. Proposed system achieved a validation MSE of 1.33e-3 and a test MSE of 1.31e-3.
Abstract（参考訳）: 本稿では,traffic4cast2020のトラヒック予測課題に対する解決策を提案する。このコンペティションでは、参加者はベルリン、イスタンブール、モスクワの3つの都市で将来の交通パラメータ(速度とボリューム)を予測する。情報には、最初の8つが4つの異なる方向(ne、nw、se、sw)の速度と体積を表す9つのチャネルが含まれているが、最後のチャンネルは、トラフィックインシデントの存在を示すために使用される。期待される出力は、入力の最初の8チャンネルを6つの将来のタイミング間隔(5,10,15,30,45,60min)で、過去のトラフィックデータの1時間の持続時間を5分間隔で入力として提供する。我々は,新しいsedenion u-netニューラルネットワークを用いてこの問題を解決する。セデニオンネットワークは、相関したマルチモーダルデータセットの効率的なエンコーディングの手段を提供する。動的入力には15個の仮想部品のうち12個を使用し、静的入力には実際のセデニオン成分を用いる。ネットワークのセデニオン出力は、マルチモーダルトラフィック予測を表すために使用される。提案システムは、検証mse 1.33e-3とテストmse 1.31e-3を達成した。

関連論文リスト

BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文参考訳（メタデータ） (2024-03-08T04:19:56Z)
Multi-task Learning for Sparse Traffic Forecasting [13.359590890052454]
本稿では,各道路セグメントの混雑クラスと速度を同時に予測できるマルチタスク学習ネットワークを提案する。提案手法はTraffic4cast Competition 2022で提供されたデータセットにおいて,ソースコードをhttps://github.com/OctopusLi/NeurIPS2022-traffic4castで公開しています。
論文参考訳（メタデータ） (2022-11-18T02:10:40Z)
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)
Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文参考訳（メタデータ） (2022-05-28T03:11:48Z)
Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文参考訳（メタデータ） (2022-03-23T11:33:27Z)
SwinUNet3D -- A Hierarchical Architecture for Deep Traffic Prediction using Shifted Window Transformers [5.414308305392762]
本稿では,UNet設定における視覚変換器の利用について検討する。 UNetのすべての畳み込みベースのビルディングブロックを完全に取り除き、エンコーダとデコーダの両方で3Dシフトトランスフォーマーを使用します。 The proposed network is test on the data on Traffic Map Movie Forecasting Challenge 2021 (Traffic4cast), held in the competition of Neural Information Processing Systems (eurIPS)。
論文参考訳（メタデータ） (2022-01-17T12:58:45Z)
Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。提案手法は,高品質なトラフィックフローマップを作成できる。
論文参考訳（メタデータ） (2021-09-29T07:51:49Z)
PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic Condition Prediction [8.255993195520306]
本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
論文参考訳（メタデータ） (2021-08-05T07:42:43Z)
Improving the Performance of a NoC-based CNN Accelerator with Gather Support [6.824747267214373]
ディープラーニング技術は、CNNのための効率的な並列コンピューティングアーキテクチャの必要性を促進する。 CNNのワークロードには1対1のトラフィックと1対1のトラフィックに加えて、多対1のトラフィックが導入されている。本稿では,メッシュベースのNoCにおいて,複数対1のトラフィックをサポートするために,出力定常シストリックアレイを用いて収集パケットを利用することを提案する。
論文参考訳（メタデータ） (2021-08-01T23:33:40Z)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は現代のインテリジェント交通システムの発展に重要な役割を担っています動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)
Traffic Flow Forecast of Road Networks with Recurrent Neural Networks [0.0]
効率的なインテリジェント交通システムには交通流の予測が不可欠である。本研究では, 様々なリカレントニューラルネットワークを用いて, この予測を行う。多くの場合、ゲート再帰単位を持つベクトル出力モデルは、テストセット上で最小の誤差を達成した。
論文参考訳（メタデータ） (2020-06-08T15:17:58Z)

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。