論文の概要: A Unified Framework for Online Trip Destination Prediction

• arxiv url: http://arxiv.org/abs/2101.04520v1
• Date: Tue, 12 Jan 2021 14:45:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 01:52:27.902571
• Title: A Unified Framework for Online Trip Destination Prediction
• Title（参考訳）: オンライン旅行目的地予測のための統一フレームワーク
• Authors: Victor Eberstein, Jonas Sj\"oblom, Nikolce Murgovski, Morteza Haghir Chehreghani
• Abstract要約: 旅行先予測は、旅行計画や自動運転など、多くのアプリケーションで重要性が高まっている分野です。 本稿では,オンライントレーニングとオンライン予測の両方に適したオンライン環境での旅行先予測のための統一フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.34084539365505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trip destination prediction is an area of increasing importance in many applications such as trip planning, autonomous driving and electric vehicles. Even though this problem could be naturally addressed in an online learning paradigm where data is arriving in a sequential fashion, the majority of research has rather considered the offline setting. In this paper, we present a unified framework for trip destination prediction in an online setting, which is suitable for both online training and online prediction. For this purpose, we develop two clustering algorithms and integrate them within two online prediction models for this problem. We investigate the different configurations of clustering algorithms and prediction models on a real-world dataset. By using traditional clustering metrics and accuracy, we demonstrate that both the clustering and the entire framework yield consistent results compared to the offline setting. Finally, we propose a novel regret metric for evaluating the entire online framework in comparison to its offline counterpart. This metric makes it possible to relate the source of erroneous predictions to either the clustering or the prediction model. Using this metric, we show that the proposed methods converge to a probability distribution resembling the true underlying distribution and enjoy a lower regret than all of the baselines.
• Abstract（参考訳）: 旅行先予測は、旅行計画、自動運転、電気自動車など、多くのアプリケーションで重要性を増している分野である。 この問題は、データがシーケンシャルな方法で到着するオンライン学習パラダイムで自然に解決することができるが、研究の大半はむしろオフライン設定だと考えている。 本稿では,オンライントレーニングとオンライン予測の両方に適したオンライン環境での旅行先予測の統一フレームワークを提案する。 この目的のために,2つのクラスタリングアルゴリズムを開発し,この問題に対する2つのオンライン予測モデルに統合する。 実世界のデータセットにおけるクラスタリングアルゴリズムと予測モデルの異なる構成について検討する。 従来のクラスタリングのメトリクスと精度を用いて、クラスタリングとフレームワーク全体がオフライン環境と比べて一貫した結果をもたらすことを実証する。 最後に、オフラインのフレームワークと比較し、オンラインフレームワーク全体を評価するための新しい後悔の指標を提案する。 このメトリックにより、誤った予測のソースをクラスタリングまたは予測モデルのいずれかに関連付けることができる。 このメトリックを用いて,提案手法が真の分布に類似した確率分布に収束し,ベースラインのすべてよりも低い後悔を味わうことを示す。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Enhancing Traffic Prediction with Textual Data Using Large Language Models [0.0]
  本研究では,地域レベルとノードレベルの2つのシナリオについて検討した。 地域レベルのシナリオでは、テキスト情報はネットワーク全体に接続されたノードとして表現される。 ノードレベルのシナリオでは、大きなモデルからの埋め込みは、対応するノードにのみ接続された追加ノードを表す。 提案手法は,New York Bike データセットによる予測精度の大幅な向上を示す。
  論文  参考訳（メタデータ） (2024-05-10T03:14:26Z)
• Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
  エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。 比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。 予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-12-05T11:32:31Z)
• OneNet: Enhancing Time Series Forecasting Models under Concept Drift by Online Ensembling [65.93805881841119]
  ドリフト問題に対処するため,textbfOnline textbfensembling textbfNetwork (OneNet)を提案する。 OneNet は State-Of-The-Art (SOTA) 法と比較してオンライン予測エラーを $mathbf50%$ 以上削減する。
  論文  参考訳（メタデータ） (2023-09-22T06:59:14Z)
• Bridging the Gap Between Multi-Step and One-Shot Trajectory Prediction via Self-Supervision [2.365702128814616]
  正確な車両軌道予測は、自動運転における未解決の問題である。 本稿では,複数の軌道セグメントを連結した中間層を提案する。 提案するマルチブランチ・セルフスーパービジョン予測器は,中間将来のセグメントから始まる新しい予測について追加の訓練を受ける。
  論文  参考訳（メタデータ） (2023-06-06T02:46:28Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• End-to-End Trajectory Distribution Prediction Based on Occupancy Grid Maps [29.67295706224478]
  本稿では,実世界における移動エージェントの将来の軌跡分布を予測することを目的としている。 我々は、接地構造分布に対する明示的かつシーン順応的な近似として、占有格子マップを用いて対称的クロスエントロピーで分布を学習する。 実験では,Stanford Drone データセットとIntersection Drone データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-31T09:24:32Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Online Co-movement Pattern Prediction in Mobility Data [1.5790464310310084]
  私達は共同動きパターンのオンライン予測の問題の正確な解決を提供します。 本手法の精度を計算するために,共動パターン類似度測定法を提案する。 本ソリューションの精度は,海事領域の実際のデータセット上で実験的に実証される。
  論文  参考訳（メタデータ） (2021-02-17T17:01:32Z)
• Online Paging with a Vanishing Regret [6.520803851931362]
  本稿では,オンラインアルゴリズムが複数の予測器にアクセスでき,ページ到着時刻の予測列を生成するオンラインページング問題の変種について考察する。 予測器は時折予測誤差を発生させ、そのうちの少なくとも1つが予測誤差のサブ線形数を生成すると仮定する。 この仮定は、最適オフラインアルゴリズムに対する時間平均後悔が無限大になる傾向にあるランダム化オンラインアルゴリズムの設計に十分であることを示す。
  論文  参考訳（メタデータ） (2020-11-18T18:17:49Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。