Fugu-MT 論文翻訳(概要): Attention Gate in Traffic Forecasting

論文の概要: Attention Gate in Traffic Forecasting

arxiv url: http://arxiv.org/abs/2109.13021v1
Date: Mon, 27 Sep 2021 12:58:12 GMT
ステータス: 処理完了
システム内更新日: 2021-09-28 22:37:13.805009
Title: Attention Gate in Traffic Forecasting
Title（参考訳）: 交通予知における注意ゲート
Authors: Anh Lam, Anh Nguyen, and Bac Le
Abstract要約: 交通地図映画予測チャレンジ2020は、ニューラル情報処理システムに関する第34回大会(NeurIPS)のコンペティショントラックで開催される。作業は、ベルリン、イスタンブール、モスクワの3大都市の地理的領域で、交通量、平均速度を予測することである。本稿では,U-Netモデルにアテンション機構を適用し,特に,コンダクションパスと拡張パスのスキップ接続にアテンションゲートを付加する。
参考スコア（独自算出の注目度）: 16.153263073898746
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Because of increased urban complexity and growing populations, more and more challenges about predicting city-wide mobility behavior are being organized. Traffic Map Movie Forecasting Challenge 2020 is secondly held in the competition track of the Thirty-fourth Conference on Neural Information Processing Systems (NeurIPS). Similar to Traffic4Cast 2019, the task is to predict traffic flow volume, average speed in major directions on the geographical area of three big cities: Berlin, Istanbul, and Moscow. In this paper, we apply the attention mechanism on U-Net based model, especially we add an attention gate on the skip-connection between contraction path and expansion path. An attention gates filter features from the contraction path before combining with features on the expansion path, it enables our model to reduce the effect of non-traffic region features and focus more on crucial region features. In addition to the competition data, we also propose two extra features which often affect traffic flow, that are time and weekdays. We experiment with our model on the competition dataset and reproduce the winner solution in the same environment. Overall, our model archives better performance than recent methods.
Abstract（参考訳）: 都市の複雑さの増大と人口の増加により、都市全体の移動行動を予測することがますます困難になっている。 Traffic Map Movie Forecasting Challenge 2020は、NeurIPSの第34回神経情報処理システム会議(NeurIPS)のコンペティショントラックで開催される。 traffic4cast 2019と同様に、このタスクは、ベルリン、イスタンブール、モスクワの3つの大都市の地理的地域において、交通量、主要方向の平均速度を予測することである。本稿では,u-netモデルに対する注意機構を応用し,特に収縮経路と拡張経路の相互接続に注意ゲートを付加する。拡張経路上の特徴と組み合わせる前に,アテンションゲートフィルタの特徴を付加することにより,非交通領域の特徴の影響を低減し,重要な領域の特徴に集中することができる。競合データに加えて、時間と平日である交通の流れによく影響を与える2つの追加機能も提案する。コンペティションデータセット上でモデルを実験し,同じ環境で勝者ソリューションを再現する。全体として、私たちのモデルは最近のメソッドよりも優れたパフォーマンスをアーカイブします。

関連論文リスト

ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
論文参考訳（メタデータ） (2024-04-22T03:35:19Z)
Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。本研究では,都市におけるモビリティ予測の新たな視点について紹介する。都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文参考訳（メタデータ） (2023-12-04T07:39:05Z)
Urban Regional Function Guided Traffic Flow Prediction [117.75679676806296]
メタデータとして各領域の機能を利用するPOI-MetaBlockという新しいモジュールを提案する。我々のモジュールはトラフィックフロー予測の性能を大幅に改善し、メタデータを使用する最先端の手法より優れています。
論文参考訳（メタデータ） (2023-03-17T06:03:49Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
Multi-task Learning for Sparse Traffic Forecasting [13.359590890052454]
本稿では,各道路セグメントの混雑クラスと速度を同時に予測できるマルチタスク学習ネットワークを提案する。提案手法はTraffic4cast Competition 2022で提供されたデータセットにおいて,ソースコードをhttps://github.com/OctopusLi/NeurIPS2022-traffic4castで公開しています。
論文参考訳（メタデータ） (2022-11-18T02:10:40Z)
Large scale traffic forecasting with gradient boosting, Traffic4cast 2022 challenge [0.0]
我々は、IARAI Traffic4cast 2022コンペティションにソリューションを提示する。目的は、道路グラフエッジの混雑クラスとスーパーセグメンションレベルの走行時間を予測するアルゴリズムを開発することである。このシンプルで高速でスケーラブルなテクニックは、コアコンペで2位を獲得しました。
論文参考訳（メタデータ） (2022-10-31T21:52:19Z)
Traffic4cast at NeurIPS 2021 -- Temporal and Spatial Few-Shot Transfer Learning in Gridded Geo-Spatial Processes [61.16854022482186]
NeurIPS 2019と2020のIARAI Traffic4castコンペティションでは、ニューラルネットワークが将来の交通条件を1時間以内に予測することに成功した。 U-Netsは、この複雑な現実世界の地理空間的プロセスにおいて、関連する特徴を抽出する能力を実証し、勝利したアーキテクチャであることが証明された。コンペティションは2年間で10都市をカバーし、1012以上のGPSプローブデータから収集したデータを提供する。
論文参考訳（メタデータ） (2022-03-31T14:40:01Z)
Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。提案手法は,高品質なトラフィックフローマップを作成できる。
論文参考訳（メタデータ） (2021-09-29T07:51:49Z)
PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic Condition Prediction [8.255993195520306]
本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
論文参考訳（メタデータ） (2021-08-05T07:42:43Z)
TLab: Traffic Map Movie Forecasting Based on HR-NET [23.40323690536007]
私たちのソリューションでは、手作りの機能はチャネルの形でモデルに入力されます。予測精度に関しては、NeurIPS 2020、Traffic4cast Challengeで2位を獲得しました。
論文参考訳（メタデータ） (2020-11-13T18:48:13Z)
Spatio-Temporal Point Processes with Attention for Traffic Congestion Event Modeling [28.994426283738363]
本稿では,道路ネットワーク上での交通渋滞イベントをモデル化するための新しいフレームワークを提案する。交通センサからのカウントデータと交通事故を報告した警察の報告を組み合わせることで、マルチモーダルデータを用いて、渋滞イベントに対する2種類のトリガー効果を捉えることを目指す。ある場所での現在の交通渋滞は、将来の道路網の混雑を引き起こす可能性があり、交通事故は広範な交通渋滞を引き起こす可能性がある。
論文参考訳（メタデータ） (2020-05-15T04:22:18Z)

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。