論文の概要: Estimation of Missing Data in Intelligent Transportation System
- arxiv url: http://arxiv.org/abs/2101.03295v1
- Date: Sat, 9 Jan 2021 05:42:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 11:57:35.371929
- Title: Estimation of Missing Data in Intelligent Transportation System
- Title(参考訳): インテリジェントトランスポートシステムにおける欠落データの推定
- Authors: Bahareh Najafi, Saeedeh Parsaeefard, Alberto Leon-Garcia
- Abstract要約: インテリジェント交通システム(ITS)における交通速度の欠落と走行時間推定に関する研究
MLに基づくマルチ方向性リカレントニューラルネットワーク(M-RNN)に焦点をあてる。
このアプローチの有効性をTomTomデータセットで評価し、平均車両速度と走行時間を測定します。
- 参考スコア(独自算出の注目度): 5.936402320555635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Missing data is a challenge in many applications, including intelligent
transportation systems (ITS). In this paper, we study traffic speed and travel
time estimations in ITS, where portions of the collected data are missing due
to sensor instability and communication errors at collection points. These
practical issues can be remediated by missing data analysis, which are mainly
categorized as either statistical or machine learning(ML)-based approaches.
Statistical methods require the prior probability distribution of the data
which is unknown in our application. Therefore, we focus on an ML-based
approach, Multi-Directional Recurrent Neural Network (M-RNN). M-RNN utilizes
both temporal and spatial characteristics of the data. We evaluate the
effectiveness of this approach on a TomTom dataset containing spatio-temporal
measurements of average vehicle speed and travel time in the Greater Toronto
Area (GTA). We evaluate the method under various conditions, where the results
demonstrate that M-RNN outperforms existing solutions,e.g., spline
interpolation and matrix completion, by up to 58% decreases in Root Mean Square
Error (RMSE).
- Abstract(参考訳): データ不足は、インテリジェントトランスポートシステム(ITS)を含む多くのアプリケーションにおいて課題である。
本稿では,センサの不安定性や収集点における通信エラーにより収集データの一部が欠落している交通速度と走行時間の推定について検討する。
これらの実践的な問題は、主に統計学または機械学習(ml)ベースのアプローチに分類されるデータ分析の欠如によって再媒介することができる。
統計的手法では, 応用で未知なデータの事前確率分布が必要となる。
そこで我々はMLに基づくMulti-Directional Recurrent Neural Network (M-RNN)に焦点を当てた。
M-RNNは、データの時間的特性と空間的特性の両方を利用する。
トロント大都市圏(GTA)における車両の平均速度と走行時間の時空間計測を含むTomTomデータセットに対するこのアプローチの有効性を評価する。
本研究では,M-RNNが既存の解,例えばスプライン補間や行列の完備性を最大58%向上する根平均正方形誤差(RMSE)を,様々な条件下で評価した。
関連論文リスト
- Evaluation of Missing Data Analytical Techniques in Longitudinal Research: Traditional and Machine Learning Approaches [11.048092826888412]
本研究ではモンテカルロシミュレーションを用いて,成長曲線モデリングフレームワークにおけるデータ不足に対する6つの解析手法の有効性を評価・比較する。
本研究では,サンプルサイズ,データ速度の欠如,データメカニズムの欠如,データ分布がモデル推定の精度と効率に与える影響について検討する。
論文 参考訳(メタデータ) (2024-06-19T20:20:30Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳(メタデータ) (2023-10-09T14:30:06Z) - ST-GIN: An Uncertainty Quantification Approach in Traffic Data
Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent
United Neural Networks [18.66289473659838]
本稿では、欠落したデータを計算するための革新的な深層学習手法を提案する。
グラフアテンションアーキテクチャを用いて、交通データに存在する空間的相関をキャプチャする。
双方向ニューラルネットワークを用いて時間情報を学習する。
論文 参考訳(メタデータ) (2023-05-10T22:15:40Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳(メタデータ) (2022-05-19T08:37:56Z) - Learning spatiotemporal features from incomplete data for traffic flow
prediction using hybrid deep neural networks [0.28675177318965034]
本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。
RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。
PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
論文 参考訳(メタデータ) (2022-04-21T15:57:08Z) - Multiple Imputation via Generative Adversarial Network for
High-dimensional Blockwise Missing Value Problems [6.123324869194195]
本稿では,GAN(Generative Adversarial Network)による多重インプットを提案する。
MI-GANは、高次元データセット上で既存の最先端計算手法と高い性能を示す。
特に、MI-GANは統計的推測と計算速度の点で他の計算方法よりも優れている。
論文 参考訳(メタデータ) (2021-12-21T20:19:37Z) - Networked Time Series Prediction with Incomplete Data [59.45358694862176]
我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。
3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
論文 参考訳(メタデータ) (2021-10-05T18:20:42Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-09-29T21:17:16Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - A Nonconvex Low-Rank Tensor Completion Model for Spatiotemporal Traffic
Data Imputation [13.48205738743634]
様々なセンサシステムから収集された時空間トラフィックデータには,データ計算の欠如が一般的である。
本稿では,各変数に対する最適解を求めるアルゴリズムを提案する。
提案したモデルは、他のベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2020-03-23T13:27:01Z)
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。