論文の概要: Hybrid Graph Embedding Techniques in Estimated Time of Arrival Task

• arxiv url: http://arxiv.org/abs/2110.04228v1
• Date: Fri, 8 Oct 2021 16:29:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 15:39:39.335318
• Title: Hybrid Graph Embedding Techniques in Estimated Time of Arrival Task
• Title（参考訳）: 任意タスクの時間推定におけるハイブリッドグラフ埋め込み手法
• Authors: Vadim Porvatov, Natalia Semenova, Andrey Chertok
• Abstract要約: ETA(Estimated Time of Arrival)は、開始点から所定の経路に沿った特定の場所への移動時間を予測していると考えられている。 ETAはインテリジェントタクシーサービスや自動車ナビゲーションシステムにおいて重要な役割を担っている。 本研究では,異なる空間埋め込み戦略の一般化能力について検討し,そのような問題に対処するための2段階的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.06445605125467574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, deep learning has achieved promising results in the calculation of Estimated Time of Arrival (ETA), which is considered as predicting the travel time from the start point to a certain place along a given path. ETA plays an essential role in intelligent taxi services or automotive navigation systems. A common practice is to use embedding vectors to represent the elements of a road network, such as road segments and crossroads. Road elements have their own attributes like length, presence of crosswalks, lanes number, etc. However, many links in the road network are traversed by too few floating cars even in large ride-hailing platforms and affected by the wide range of temporal events. As the primary goal of the research, we explore the generalization ability of different spatial embedding strategies and propose a two-stage approach to deal with such problems.
• Abstract（参考訳）: 近年, 深層学習は, 出発点から特定の経路に沿った特定の地点への移動時間を予測していると考えられる ETA (Estimated Time of Arrival) の計算において, 有望な結果を達成している。 ETAはインテリジェントタクシーサービスや自動車ナビゲーションシステムにおいて重要な役割を果たす。 一般的な方法は、埋め込みベクトルを使って道路セグメントや交差点などの道路網の要素を表現することである。 道路要素には、長さ、横断歩道、車線番号など、独自の属性がある。 しかし、道路網内の多くのリンクは、大型の配車プラットフォームでも浮かぶ車が少なすぎるため、幅広い時間的イベントの影響を受けている。 本研究の主目的として,空間埋め込み戦略の一般化について検討し,この問題に対処するための二段階アプローチを提案する。

関連論文リスト

• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• DuETA: Traffic Congestion Propagation Pattern Modeling via Efficient Graph Learning for ETA Prediction at Baidu Maps [33.16286526517814]
  本報告では,DuETA という産業グレードの ETA 予測フレームワークを提案する。 具体的には,交通パターンの相関関係に基づいて,渋滞に敏感なグラフを構築する。 道路セグメントの長距離相関を直接学習する経路対応グラフ変換器を開発した。
  論文  参考訳（メタデータ） (2022-08-15T02:46:33Z)
• TLETA: Deep Transfer Learning and Integrated Cellular Knowledge for Estimated Time of Arrival Prediction [6.125017875330933]
  運転時間予測のための深層移動学習フレームワークTLETAを提案する。 TLETAは、運転パターンを抽出するための細胞間空間的知識グリッドを構築し、道路ネットワーク構造を埋め込み、ETAのためのディープニューラルネットワークを構築する。 我々のモデルは高精度で旅行時間を予測し、多くの最先端のアプローチより優れている。
  論文  参考訳（メタデータ） (2022-06-17T02:20:44Z)
• SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
  道路抽出は、自律航法システムを構築するための重要なステップである。 この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。 本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
  論文  参考訳（メタデータ） (2021-09-16T03:52:17Z)
• Spatial-Temporal Dual Graph Neural Networks for Travel Time Estimation [5.614908141182951]
  時空間デュアルグラフニューラルネットワーク(STDGNN)を用いた旅行時間推定のためのグラフベースディープラーニングフレームワークを提案する。 まず,交差点と道路セグメントの複雑な相関関係を捉えるために,時空間二重グラフアーキテクチャを構築した。 交差点と道路セグメントの連立時空間ダイナミクスを捉えるために,空間時空間学習層を採用する。
  論文  参考訳（メタデータ） (2021-05-28T05:15:45Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
  都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。 本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-13T21:14:38Z)

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。