論文の概要: An Empirical Experiment on Deep Learning Models for Predicting Traffic
Data
- arxiv url: http://arxiv.org/abs/2105.05504v1
- Date: Wed, 12 May 2021 08:28:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-13 12:19:19.282025
- Title: An Empirical Experiment on Deep Learning Models for Predicting Traffic
Data
- Title(参考訳): 交通データ予測のための深層学習モデルに関する実証実験
- Authors: Hyunwook Lee, Cheonbok Park, Seungmin Jin, Hyeshin Chu, Jaegul Choo,
Sungahn Ko
- Abstract要約: 交通制御領域における意思決定者を支援するためのディープラーニングモデルが提案されている。
どのモデルが最先端のパフォーマンスを提供するのかを理解することは困難です。
交通状況が急変した場合、どのモデルが動作するかを決定することも困難である。
- 参考スコア(独自算出の注目度): 18.103216508546645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To tackle ever-increasing city traffic congestion problems, researchers have
proposed deep learning models to aid decision-makers in the traffic control
domain. Although the proposed models have been remarkably improved in recent
years, there are still questions that need to be answered before deploying
models. For example, it is difficult to figure out which models provide
state-of-the-art performance, as recently proposed models have often been
evaluated with different datasets and experiment environments. It is also
difficult to determine which models would work when traffic conditions change
abruptly (e.g., rush hour). In this work, we conduct two experiments to answer
the two questions. In the first experiment, we conduct an experiment with the
state-of-the-art models and the identical public datasets to compare model
performance under a consistent experiment environment. We then extract a set of
temporal regions in the datasets, whose speeds change abruptly and use these
regions to explore model performance with difficult intervals. The experiment
results indicate that Graph-WaveNet and GMAN show better performance in
general. We also find that prediction models tend to have varying performances
with data and intervals, which calls for in-depth analysis of models on
difficult intervals for real-world deployment.
- Abstract(参考訳): 都市交通渋滞の増大に対処するため、研究者は交通管理領域の意思決定者を支援するためのディープラーニングモデルを提案した。
提案されたモデルは近年大幅に改善されているが、モデルのデプロイ前に答える必要がある疑問が残っている。
例えば、最近提案されたモデルは、しばしば異なるデータセットや実験環境で評価されているため、どのモデルが最先端のパフォーマンスを提供するかを判断することは困難である。
また、交通条件が突然変化する場合(ラッシュ時など)にどのモデルが機能するかを決定することも困難である。
本研究では,2つの質問に答える2つの実験を行う。
第1の実験では,最先端モデルと同一の公開データセットを用いて,一貫した実験環境下でのモデル性能を比較する実験を行った。
次にデータセット内の時間領域のセットを抽出し、その速度が突然変化し、これらの領域を使用して、難しい間隔でモデル性能を探索する。
実験結果から,Graph-WaveNet と GMAN は一般に高い性能を示した。
また、予測モデルにはデータや間隔の異なるパフォーマンスが伴う傾向があり、現実の展開において困難な間隔でのモデルの詳細な分析が求められる。
関連論文リスト
- Evaluating the Generalization Ability of Spatiotemporal Model in Urban Scenario [11.208740750755025]
本研究では,自転車シェアリング,311サービス,歩行者交通速度,交通流,配車需要,自転車シェアリングの6つのシナリオからなる時空間アウト・オブ・ディストリビューション(ST-OOD)ベンチマークを提案する。
我々は、最先端モデルについて広範囲に評価し、その性能は分配外設定で著しく低下し、ほとんどのモデルが単純なマルチレイヤ・パーセプトロン(MLP)よりも性能が悪くなっていることを発見した。
その結果,ほとんどのデータセットにおいて若干のドロップアウト率で一般化性能が向上し,分配性能に最小限の影響が認められた。
論文 参考訳(メタデータ) (2024-10-07T04:15:48Z) - Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。
本手法はシリーズの進化力学の連続時間依存モデルに依存する。
メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
論文 参考訳(メタデータ) (2023-06-09T13:20:04Z) - Non-Invasive Fairness in Learning through the Lens of Data Drift [88.37640805363317]
データや学習アルゴリズムを変更することなく、機械学習モデルの公平性を向上する方法を示す。
異なる集団間の傾向のばらつきと、学習モデルと少数民族間の連続的な傾向は、データドリフトと類似している。
このドリフトを解決するための2つの戦略(モデル分割とリウィーディング)を探索し、基礎となるデータに対するモデル全体の適合性を改善することを目的としている。
論文 参考訳(メタデータ) (2023-03-30T17:30:42Z) - Exploring the Effects of Data Augmentation for Drivable Area
Segmentation [0.0]
既存の画像データセットを解析することで、データ拡張の利点を調べることに重点を置いている。
以上の結果から,既存技術(SOTA)モデルの性能とロバスト性は劇的に向上する可能性が示唆された。
論文 参考訳(メタデータ) (2022-08-06T03:39:37Z) - Exploring Strategies for Generalizable Commonsense Reasoning with
Pre-trained Models [62.28551903638434]
モデルの一般化と精度に及ぼす3つの異なる適応法の影響を計測する。
2つのモデルを用いた実験では、微調整はタスクの内容と構造の両方を学習することで最もうまく機能するが、過度に適合し、新しい答えへの限定的な一般化に苦しむ。
我々は、プレフィックスチューニングのような代替適応手法が同等の精度を持つのを観察するが、解を見落とさずに一般化し、対数分割に対してより堅牢である。
論文 参考訳(メタデータ) (2021-09-07T03:13:06Z) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳(メタデータ) (2021-07-15T02:53:11Z) - On the Efficacy of Adversarial Data Collection for Question Answering:
Results from a Large-Scale Randomized Study [65.17429512679695]
逆データ収集(ADC)では、人間の労働力がモデルとリアルタイムで対話し、誤った予測を誘発する例を作成しようとする。
ADCの直感的な魅力にも拘わらず、敵対的データセットのトレーニングがより堅牢なモデルを生成するかどうかは不明だ。
論文 参考訳(メタデータ) (2021-06-02T00:48:33Z) - Deep Convolution for Irregularly Sampled Temporal Point Clouds [39.51507835155255]
不規則なサンプルで表される連続空間時間過程のダイナミクスを空間と時間の両方でモデル化する問題を検討する。
本稿では,この不規則なサンプルデータを直接学習し,予測できる新しい深層モデルを提案する。
我々は,StarCraft IIにおける実世界の気象観測データと大軍間の戦闘について実験を行った。
論文 参考訳(メタデータ) (2021-05-01T00:54:32Z) - Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual
Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。
潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。
我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文 参考訳(メタデータ) (2020-12-08T18:03:21Z) - Dataset Cartography: Mapping and Diagnosing Datasets with Training
Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。
私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。
以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文 参考訳(メタデータ) (2020-09-22T20:19:41Z) - Progressive Growing of Neural ODEs [7.558546277131641]
本研究では,長期連続予測のためのNODEの漸進的学習パラダイムを提案する。
具体的には、カリキュラム学習の原則に従って、トレーニングが進むにつれて、データとネットワーク容量の複雑さが徐々に増大する。
合成データと実交通データ(PeMSベイエリア交通データ)を併用した実験により,バニラノードの性能を64%以上改善した。
論文 参考訳(メタデータ) (2020-03-08T01:15:01Z)
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。