論文の概要: Big Data for Traffic Estimation and Prediction: A Survey of Data and
Tools
- arxiv url: http://arxiv.org/abs/2103.11824v1
- Date: Thu, 18 Mar 2021 01:46:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 07:10:41.894246
- Title: Big Data for Traffic Estimation and Prediction: A Survey of Data and
Tools
- Title(参考訳): 交通量推定と予測のためのビッグデータ:データとツールの調査
- Authors: Weiwei Jiang, Jiayun Luo
- Abstract要約: 本研究では,トラヒック推定と予測に使用されるオープンデータとビッグデータツールの最新の調査を行う。
異なるデータ型が分類され、オフザシェルフツールが導入される。
交通量推定および予測タスクにおけるビッグデータの利用をさらに促進するために、今後の研究のために課題と今後の方向性を提示する。
- 参考スコア(独自算出の注目度): 1.1977931648859175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Big data has been used widely in many areas including the transportation
industry. Using various data sources, traffic states can be well estimated and
further predicted for improving the overall operation efficiency. Combined with
this trend, this study presents an up-to-date survey of open data and big data
tools used for traffic estimation and prediction. Different data types are
categorized and the off-the-shelf tools are introduced. To further promote the
use of big data for traffic estimation and prediction tasks, challenges and
future directions are given for future studies.
- Abstract(参考訳): ビッグデータは交通産業を含む多くの地域で広く利用されている。
様々なデータソースを用いて、トラフィック状態を適切に推定し、全体の運用効率を改善するためにさらに予測することができる。
この傾向と合わせて,交通量推定と予測に使用されるオープンデータとビッグデータツールの最新の調査を行った。
異なるデータ型が分類され、オフザシェルフツールが導入される。
交通量推定および予測タスクにおけるビッグデータの利用をさらに促進するために、今後の研究のために課題と今後の方向性を示す。
関連論文リスト
- A Survey on Data Selection for Language Models [151.6210632830082]
データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。
ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。
広範なデータ選択研究のリソースを持つ組織はほとんどない。
論文 参考訳(メタデータ) (2024-02-26T18:54:35Z) - Capture the Flag: Uncovering Data Insights with Large Language Models [90.47038584812925]
本研究では,Large Language Models (LLMs) を用いてデータの洞察の発見を自動化する可能性について検討する。
そこで本稿では,データセット内の意味的かつ関連する情報(フラグ)を識別する能力を測定するために,フラグを捕捉する原理に基づく新しい評価手法を提案する。
論文 参考訳(メタデータ) (2023-12-21T14:20:06Z) - Distil the informative essence of loop detector data set: Is
network-level traffic forecasting hungry for more data? [0.8002196839441036]
本稿では,予測モデルのトレーニングに実際に有効なループデータのサンプル数を検討するために,不確実性を考慮したトラフィック予測フレームワークを提案する。
提案手法は,大規模トラフィックデータセットの真の情報内容を評価する上で有用である。
論文 参考訳(メタデータ) (2023-10-31T11:23:10Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳(メタデータ) (2023-06-14T05:48:36Z) - Traffic Prediction with Transfer Learning: A Mutual Information-based
Approach [11.444576186559487]
そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。
TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8~25%上回る。
論文 参考訳(メタデータ) (2023-03-13T15:27:07Z) - How Much More Data Do I Need? Estimating Requirements for Downstream
Tasks [99.44608160188905]
小さなトレーニングデータセットと学習アルゴリズムがあれば、ターゲットの検証やテストのパフォーマンスに到達するのに、どれくらいのデータが必要か?
データ要求を過大評価または過小評価すると、十分な予算で回避できる相当なコストが発生する。
本ガイドラインを用いることで,機械学習システムのデータ要求を正確に推定し,開発時間とデータ取得コストの双方で節約することができる。
論文 参考訳(メタデータ) (2022-07-04T21:16:05Z) - Improved Fine-tuning by Leveraging Pre-training Data: Theory and
Practice [52.11183787786718]
対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。
近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。
本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
論文 参考訳(メタデータ) (2021-11-24T06:18:32Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳(メタデータ) (2021-03-08T16:03:09Z) - Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。
提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
論文 参考訳(メタデータ) (2020-06-22T14:26:19Z) - 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)
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。