Fugu-MT 論文翻訳(概要): DL-Traff: Survey and Benchmark of Deep Learning Models for Urban Traffic Prediction

論文の概要: DL-Traff: Survey and Benchmark of Deep Learning Models for Urban Traffic Prediction

arxiv url: http://arxiv.org/abs/2108.09091v1
Date: Fri, 20 Aug 2021 10:08:26 GMT
ステータス: 処理完了
システム内更新日: 2021-08-23 20:09:50.584570
Title: DL-Traff: Survey and Benchmark of Deep Learning Models for Urban Traffic Prediction
Title（参考訳）: DL-Traff:都市交通予測のためのディープラーニングモデルの調査とベンチマーク
Authors: Renhe Jiang, Du Yin, Zhaonan Wang, Yizhuo Wang, Jiewen Deng, Hangchen Liu, Zekun Cai, Jinliang Deng, Xuan Song, Ryosuke Shibasaki
Abstract要約: このようなデータに最先端のディープラーニング技術を活用することで、都市交通予測はAIとインテリジェントトランスポーテーションシステムコミュニティに大きな注目を集めている。具体的なモデリング戦略によると、最先端のディープラーニングモデルは、グリッドベース、グラフベース、時系列モデルという3つのカテゴリに分けられる。
参考スコア（独自算出の注目度）: 7.476566278759198
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Nowadays, with the rapid development of IoT (Internet of Things) and CPS (Cyber-Physical Systems) technologies, big spatiotemporal data are being generated from mobile phones, car navigation systems, and traffic sensors. By leveraging state-of-the-art deep learning technologies on such data, urban traffic prediction has drawn a lot of attention in AI and Intelligent Transportation System community. The problem can be uniformly modeled with a 3D tensor (T, N, C), where T denotes the total time steps, N denotes the size of the spatial domain (i.e., mesh-grids or graph-nodes), and C denotes the channels of information. According to the specific modeling strategy, the state-of-the-art deep learning models can be divided into three categories: grid-based, graph-based, and multivariate time-series models. In this study, we first synthetically review the deep traffic models as well as the widely used datasets, then build a standard benchmark to comprehensively evaluate their performances with the same settings and metrics. Our study named DL-Traff is implemented with two most popular deep learning frameworks, i.e., TensorFlow and PyTorch, which is already publicly available as two GitHub repositories https://github.com/deepkashiwa20/DL-Traff-Grid and https://github.com/deepkashiwa20/DL-Traff-Graph. With DL-Traff, we hope to deliver a useful resource to researchers who are interested in spatiotemporal data analysis.
Abstract（参考訳）: 今日では、IoT(IoT of Things)とCPS(Cyber-Physical Systems)技術の急速な発展に伴い、携帯電話、カーナビゲーションシステム、交通センサーから大規模な時空間データが発生している。このようなデータに最先端のディープラーニング技術を活用することで、都市交通予測はAIとインテリジェントトランスポーテーションシステムコミュニティに大きな注目を集めている。問題は3次元テンソル(T, N, C)で一様にモデル化することができ、Tは全時間ステップを表し、Nは空間領域(メッシュ格子またはグラフノード)のサイズを表し、Cは情報チャネルを表す。特定のモデリング戦略に従って、最先端のディープラーニングモデルは、グリッドベース、グラフベース、多変量時系列モデルという3つのカテゴリに分けられる。本研究では,まず,ディープトラヒックモデルと広く使用されているデータセットを総合的にレビューし,その性能を同じ設定とメトリクスで総合的に評価する標準ベンチマークを構築した。私たちの研究であるDL-Traffは、TensorFlowとPyTorchの2つの人気のあるディープラーニングフレームワークで実装されています。 DL-Traffでは、時空間データ分析に関心のある研究者に有用なリソースを提供したいと思っています。

関連論文リスト

BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文参考訳（メタデータ） (2024-03-08T04:19:56Z)
STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
論文参考訳（メタデータ） (2023-07-02T06:56:52Z)
Inverting the Fundamental Diagram and Forecasting Boundary Conditions: How Machine Learning Can Improve Macroscopic Models for Traffic Flow [0.0]
高速道路を走行する車両のフラックスと速度のデータを,固定センサで収集し,車線および車種別に分類したデータセットについて検討する。 1) 渋滞がセンサの下に現れる場合, 2) 今後センサの下に通過する車両の総量を推定する。これらの情報片は、センサ間のトラフィックフローのダイナミクスを記述したLWRベースの1次1次マルチクラスモデルの精度を向上させるために使用される。
論文参考訳（メタデータ） (2023-03-21T11:07:19Z)
Spatio-Temporal Meta-Graph Learning for Traffic Forecasting [7.406501288721471]
グラフ学習機構としてメタテンポラルラーニングを提案する。我々はこのアイデアをMeta-NodeエンコーダをGCRN-decoderに組み込んだMeta-Graph Learnerに実装する。我々のモデルは、異なるパターンで時間スロットを明示的に切り離すことができ、異常な交通状況に対して堅牢に適応することができる。
論文参考訳（メタデータ） (2022-11-27T01:56:58Z)
IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes [79.18349050238413]
デプロイ可能なディープラーニングアーキテクチャの準備とトレーニングには、さまざまなトラフィックシナリオに適したモデルが必要である。インドなどいくつかの発展途上国で見られる非構造的で複雑な運転レイアウトは、これらのモデルに挑戦している。我々は、複数のカメラと12kの注釈付き駆動LiDARフレームを備えたLiDARセンサーのマルチモーダルデータからなる新しいデータセットIDD-3Dを構築した。
論文参考訳（メタデータ） (2022-10-23T23:03:17Z)
Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文参考訳（メタデータ） (2022-06-30T03:37:50Z)
Traffic4cast -- Large-scale Traffic Prediction using 3DResNet and Sparse-UNet [2.568084386350801]
本研究の目的は、歴史的データポイントを用いて、複数の都市における正常化された平均交通速度とサブリージョンの流れを予測する機械学習モデルを構築することである。本大会では3DRparseNetes と Sparse-UNet の3つの課題について検討する。この結果から,提案モデルがベースラインアルゴリズムよりもはるかに優れた性能を示した。
論文参考訳（メタデータ） (2021-11-10T23:40:52Z)
A First Look at Class Incremental Learning in Deep Learning Mobile Traffic Classification [68.11005070665364]
インクリメンタルラーニング(IL)技術を使って、モデルに新しいクラスをフルリトレーニングせずに追加し、モデルのアップデートサイクルを高速化します。 iCarlはアートILメソッドのステートであり、MIRAGE-2019は40のAndroidアプリからのトラフィックを持つパブリックデータセットである。解析によってその初期段階が明らかになっているにもかかわらず、IL技術は自動DLベースの交通分析システムへのロードマップに関する有望な研究分野である。
論文参考訳（メタデータ） (2021-07-09T14:28:16Z)
Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文参考訳（メタデータ） (2020-12-15T03:03:38Z)
Short-term Traffic Prediction with Deep Neural Networks: A Survey [2.9849405664643585]
現代の交通システムでは、毎日大量の交通データが生成される。これにより、短期交通予測(STTP)が急速に進歩した。複雑な関係を持つトラフィックネットワークでは、最も重要な特徴やパターンを自動的に抽出できるため、ディープニューラルネットワーク(DNN)がよく機能することが多い。
論文参考訳（メタデータ） (2020-08-28T15:06:06Z)
PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。我々はこれらのアルゴリズムを自律運転システムに統合した。
論文参考訳（メタデータ） (2020-07-16T05:02:45Z)

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。