論文の概要: Solving Traffic4Cast Competition with U-Net and Temporal Domain Adaptation

• arxiv url: http://arxiv.org/abs/2111.03421v1
• Date: Fri, 5 Nov 2021 11:49:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-08 18:56:52.881949
• Title: Solving Traffic4Cast Competition with U-Net and Temporal Domain Adaptation
• Title（参考訳）: U-Netと時間領域適応によるトラフィック4Cast競合の解決
• Authors: Vsevolod Konyakhin, Nina Lukashina, Aleksei Shpilman
• Abstract要約: 我々は、Traffic4Cast 2021 Core Challengeにソリューションを提示する。 この課題は、新型コロナウイルスのパンデミックによるトラフィックの時間的ドメインシフトに焦点を当てている。 我々の解決策は決勝戦で3位になった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this technical report, we present our solution to the Traffic4Cast 2021 Core Challenge, in which participants were asked to develop algorithms for predicting a traffic state 60 minutes ahead, based on the information from the previous hour, in 4 different cities. In contrast to the previously held competitions, this year's challenge focuses on the temporal domain shift in traffic due to the COVID-19 pandemic. Following the past success of U-Net, we utilize it for predicting future traffic maps. Additionally, we explore the usage of pre-trained encoders such as DenseNet and EfficientNet and employ multiple domain adaptation techniques to fight the domain shift. Our solution has ranked third in the final competition. The code is available at https://github.com/jbr-ai-labs/traffic4cast-2021.
• Abstract（参考訳）: 本技術報告では,前回の時刻情報に基づいて,参加者が60分前に交通状況を予測するアルゴリズムを開発するよう依頼したTraffic4Cast 2021 Core Challengeに対して,その解決策を提示する。 これまで開催されていた競争とは対照的に、今年の課題は新型コロナウイルスのパンデミックによるトラフィックの時間的ドメインシフトに焦点を当てている。 過去のu-netの成功に続き、将来の交通マップの予測に利用する。 さらに, densitynet や efficientnet のような事前学習されたエンコーダの使用法を探求し,ドメインシフトと戦うために複数のドメイン適応手法を用いる。 我々の解決策は決勝戦で3位になった。 コードはhttps://github.com/jbr-ai-labs/traffic4cast-2021で入手できる。

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)
• ROCO: A Roundabout Traffic Conflict Dataset [65.55451440776098]
  実世界のトラフィック競合データセットであるROCOを導入し分析する。 データはミシガン州アンアーバーのセント・セントとW・エルズワースの交差点にある2車線のラウンドアラウンドで収集される。 2021年8月から2021年10月までの合計557回の交通事故と17回の交通事故が収集された。
  論文  参考訳（メタデータ） (2023-03-01T15:09:45Z)
• 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)
• Transposed Variational Auto-encoder with Intrinsic Feature Learning for Traffic Forecasting [23.120977536899424]
  我々は、Traffic4cast 2022のコアチャレンジと拡張チャレンジにソリューションを提示します。 この競技では、参加者は、前時間における車両カウンターデータに基づいて、将来の15分間の交通状況を予測する必要がある。 私たちのソリューションは、両方の課題において、最終リーダーボードで第1位にランクされています。
  論文  参考訳（メタデータ） (2022-10-30T13:15:19Z)
• 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)
• SwinUNet3D -- A Hierarchical Architecture for Deep Traffic Prediction using Shifted Window Transformers [5.414308305392762]
  本稿では,UNet設定における視覚変換器の利用について検討する。 UNetのすべての畳み込みベースのビルディングブロックを完全に取り除き、エンコーダとデコーダの両方で3Dシフトトランスフォーマーを使用します。 The proposed network is test on the data on Traffic Map Movie Forecasting Challenge 2021 (Traffic4cast), held in the competition of Neural Information Processing Systems (eurIPS)。
  論文  参考訳（メタデータ） (2022-01-17T12:58:45Z)
• 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)
• The 5th AI City Challenge [51.83023045451549]
  第5回AIシティチャレンジには38カ国305チームが参加した。 アルゴリズムの有効性と計算効率の両面で評価を行った。 結果は、スマートトランスポーテーションにおけるAIの約束を示している。
  論文  参考訳（メタデータ） (2021-04-25T19:15:27Z)
• Traffic4cast 2020 -- Graph Ensemble Net and the Importance of Feature And Loss Function Design for Traffic Prediction [4.0847949901305]
  Traffic4cast 2019と同様に、Traffic4cast 2020は、大都市の将来の交通状態を予測できるアルゴリズムを開発するために、競合相手に挑戦した。 機能と損失関数の設計の重要性について検討し、昨年から最高のパフォーマンスを持つU-Netソリューションに大幅な改善を施した。 最後のソリューションであるU-NetとGNNのアンサンブルは、Traffic4cast 2020で4位になった。
  論文  参考訳（メタデータ） (2020-12-03T17:49:04Z)
• The 4th AI City Challenge [80.00140907239279]
  AI City Challengeの第4回年次エディションには,37カ国で315チームが参加している。 評価はアルゴリズムの有効性と計算効率の両面から行われる。 結果は、AI技術がよりスマートで安全な輸送システムを可能にすることを約束している。
  論文  参考訳（メタデータ） (2020-04-30T07:47:14Z)

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。