Fugu-MT 論文翻訳(概要): DistTune: Distributed Fine-Grained Adaptive Traffic Speed Prediction for Growing Transportation Networks

論文の概要: DistTune: Distributed Fine-Grained Adaptive Traffic Speed Prediction for Growing Transportation Networks

arxiv url: http://arxiv.org/abs/2105.09421v1
Date: Wed, 19 May 2021 22:20:58 GMT
ステータス: 処理完了
システム内更新日: 2021-05-21 13:31:07.652112
Title: DistTune: Distributed Fine-Grained Adaptive Traffic Speed Prediction for Growing Transportation Networks
Title（参考訳）: disttune: 交通ネットワーク拡大のための分散細粒度適応交通速度予測
Authors: Ming-Chang Lee, Jia-Chun Lin, and Ernst Gunnar Gran
Abstract要約: DistTuneは、成長する交通ネットワークに対して、粒度、正確、時間効率、適応的な交通速度予測を提供する。 DistTuneをさらに時間効率よくするために、DistTuneは並列に計算ノードのクラスタ上で機能する。
参考スコア（独自算出の注目度）: 1.0437764544103274
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Over the past decade, many approaches have been introduced for traffic speed prediction. However, providing fine-grained, accurate, time-efficient, and adaptive traffic speed prediction for a growing transportation network where the size of the network keeps increasing and new traffic detectors are constantly deployed has not been well studied. To address this issue, this paper presents DistTune based on Long Short-Term Memory (LSTM) and the Nelder-Mead method. Whenever encountering an unprocessed detector, DistTune decides if it should customize an LSTM model for this detector by comparing the detector with other processed detectors in terms of the normalized traffic speed patterns they have observed. If similarity is found, DistTune directly shares an existing LSTM model with this detector to achieve time-efficient processing. Otherwise, DistTune customizes an LSTM model for the detector to achieve fine-grained prediction. To make DistTune even more time-efficient, DistTune performs on a cluster of computing nodes in parallel. To achieve adaptive traffic speed prediction, DistTune also provides LSTM re-customization for detectors that suffer from unsatisfactory prediction accuracy due to for instance traffic speed pattern change. Extensive experiments based on traffic data collected from freeway I5-N in California are conducted to evaluate the performance of DistTune. The results demonstrate that DistTune provides fine-grained, accurate, time-efficient, and adaptive traffic speed prediction for a growing transportation network.
Abstract（参考訳）: 過去10年間、交通速度予測に多くのアプローチが導入された。しかし,ネットワーク規模が拡大し,新たなトラヒック検出装置が常に配備されている交通ネットワークに対して,細かな粒度,精度,時間効率,適応的なトラヒック速度予測を提供することは十分に研究されていない。本稿では,Long Short-Term Memory(LSTM)とNelder-Mead法に基づくDistTuneを提案する。未処理の検出器に遭遇するたびに、DistTuneはこの検出器のLSTMモデルを正常化された速度パターンで他の処理された検出器と比較することによってカスタマイズするかどうかを決定する。類似性が見つかれば、DistTuneはこの検出器と既存のLSTMモデルを直接共有し、時間効率な処理を実現する。そうでなければ、DistTuneは検出器のLSTMモデルをカスタマイズして、きめ細かい予測を行う。 DistTuneをさらに時間効率よくするために、DistTuneは並列に計算ノードのクラスタ上で機能する。適応的な交通速度予測を実現するために、DistTuneは、例えば交通速度パターンの変化による不満足な予測精度に苦しむ検出器のLSTM再最適化も提供する。カリフォルニア州の高速道路I5-Nから収集した交通データに基づく大規模実験を行い,DistTuneの性能評価を行った。その結果,disttuneは交通網の拡大に対して,細粒度,精度,時間効率,適応的な交通速度予測を提供することがわかった。

関連論文リスト

Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
論文参考訳（メタデータ） (2022-11-13T06:32:28Z)
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)
Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文参考訳（メタデータ） (2022-08-24T07:50:43Z)
StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文参考訳（メタデータ） (2022-07-21T12:03:02Z)
Time Delay Estimation of Traffic Congestion Propagation based on Transfer Entropy [2.6184533346117793]
本稿では,ラグ特異的トランスファーエントロピー(TE)を用いた道路間交通渋滞伝播の時間遅延推定手法を提案する。提案手法は,大韓民国のGPSナビゲーションシステムから得られたシミュレーションデータと実ユーザ軌道データを用いて検証した。
論文参考訳（メタデータ） (2021-08-15T10:58:59Z)
Adaptive Test-Time Augmentation for Low-Power CPU [3.5473686344971416]
Test-Time Augmentation (TTA)テクニックは、推論時にそのような一般的な副作用を軽減することを目的とする。本稿では,フィードフォワード回数を動的に制御するTTAの適応的実装であるAdapTTAを提案する。商用ARM Cortex-A CPUにデプロイされた画像分類のための最新のConvNetsに関する実験結果では、AdapTTAが驚くべき遅延節約を達成している。
論文参考訳（メタデータ） (2021-05-13T10:50:13Z)
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)
A Lane-Changing Prediction Method Based on Temporal Convolution Network [36.84793673877468]
車線変更は重要な運転行動であり、不合理な車線変更は潜在的に危険な交通衝突を引き起こす可能性がある。本研究では, 経時的畳み込みネットワーク(TCN)を提案する。
論文参考訳（メタデータ） (2020-11-01T07:33:10Z)
Distributed Fine-Grained Traffic Speed Prediction for Large-Scale Transportation Networks based on Automatic LSTM Customization and Sharing [0.27528170226206433]
DistPreは、大規模交通ネットワークのための分散きめ細かな交通速度予測スキームである。 D DistPreは、大規模な交通ネットワークにおいて、時間効率のLSTMカスタマイズと正確な交通速度予測を提供する。
論文参考訳（メタデータ） (2020-05-10T21:24:23Z)
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。