論文の概要: Traffic Forecasting on Traffic Moving Snippets

• arxiv url: http://arxiv.org/abs/2110.14383v1
• Date: Wed, 27 Oct 2021 12:36:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-28 22:09:15.610393
• Title: Traffic Forecasting on Traffic Moving Snippets
• Title（参考訳）: 交通移動スニペットの交通予測
• Authors: Nina Wiedemann, Martin Raubal
• Abstract要約: トラヒック4キャストの競争では、短期的な交通予測が前例のない細部で取り組まれている。 そこで本研究では,全都市ラスタを一度に処理するのではなく,小さな二次都市区間を予測することを提案する。 traffic4castテストデータのパフォーマンスと検証セットのさらなる実験により、パッチワイズ予測が実際に精度を向上させることが示されている。
• 参考スコア（独自算出の注目度）: 5.614519484892094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in traffic forecasting technology can greatly impact urban mobility. In the traffic4cast competition, the task of short-term traffic prediction is tackled in unprecedented detail, with traffic volume and speed information available at 5 minute intervals and high spatial resolution. To improve generalization to unknown cities, as required in the 2021 extended challenge, we propose to predict small quadratic city sections, rather than processing a full-city-raster at once. At test time, breaking down the test data into spatially-cropped overlapping snippets improves stability and robustness of the final predictions, since multiple patches covering one cell can be processed independently. With the performance on the traffic4cast test data and further experiments on a validation set it is shown that patch-wise prediction indeed improves accuracy. Further advantages can be gained with a Unet++ architecture and with an increasing number of patches per sample processed at test time. We conclude that our snippet-based method, combined with other successful network architectures proposed in the competition, can leverage performance, in particular on unseen cities. All source code is available at https://github.com/NinaWie/NeurIPS2021-traffic4cast.
• Abstract（参考訳）: 交通予測技術の進歩は都市移動に大きな影響を与える。 traffic4castコンペティションでは、短期的なトラフィック予測のタスクは前例のない詳細に取り組まれ、トラフィックボリュームと速度情報は5分間隔と高い空間分解能で利用可能である。 2021年の拡張チャレンジで要求されるように、未知の都市への一般化を改善するために、我々は、フルシティラスターを一度に処理するのではなく、小さな二次都市セクションを予測することを提案する。 テスト時には、1つのセルをカバーする複数のパッチを独立に処理できるため、テストデータを空間的に重なり合うスニペットに分割することで最終予測の安定性と堅牢性を向上させる。 traffic4castテストデータのパフォーマンスと検証セットのさらなる実験により、パッチワイズ予測が実際に精度を向上させることが示されている。 unet++アーキテクチャとテスト時に処理されるサンプル毎のパッチ数の増加によって、さらなる利点を得ることができる。 我々のスニペットベースの手法は、競争で提案された他の成功したネットワークアーキテクチャと組み合わせることで、特に見えない都市でパフォーマンスを活用することができると結論付けている。 すべてのソースコードはhttps://github.com/NinaWie/NeurIPS2021-traffic4castで入手できる。

関連論文リスト

• Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
  トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。 スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。 その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T14:23:23Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• 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)
• Similarity-based Feature Extraction for Large-scale Sparse Traffic Forecasting [4.295541562380963]
  NeurIPS 2022 Traffic4cast チャレンジは、公共に利用可能なスパースループ数データで都市全体の交通状態を予測することを目的としている。 この技術報告は、ETA予測の拡張課題に対して、私たちの2位獲得ソリューションを紹介します。
  論文  参考訳（メタデータ） (2022-11-13T22:19:21Z)
• 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)
• 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)
• 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)
• 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)
• 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。