論文の概要: Learning to Transfer for Traffic Forecasting via Multi-task Learning

• arxiv url: http://arxiv.org/abs/2111.15542v1
• Date: Sat, 27 Nov 2021 03:16:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-04 16:38:05.672499
• Title: Learning to Transfer for Traffic Forecasting via Multi-task Learning
• Title（参考訳）: マルチタスク学習による交通予測のための移動学習
• Authors: Yichao Lu
• Abstract要約: ディープニューラルネットワークは、短期的な交通予測において優れた性能を示している。 Traffic4castは、空間と時間におけるドメインシフトに対するトラフィック予測モデルの堅牢性を想定した最初のサービスである。 交通予測モデルの時間・時間領域適応のためのマルチタスク学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.1836399559127218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks have demonstrated superior performance in short-term traffic forecasting. However, most existing traffic forecasting systems assume that the training and testing data are drawn from the same underlying distribution, which limits their practical applicability. The NeurIPS 2021 Traffic4cast challenge is the first of its kind dedicated to benchmarking the robustness of traffic forecasting models towards domain shifts in space and time. This technical report describes our solution to this challenge. In particular, we present a multi-task learning framework for temporal and spatio-temporal domain adaptation of traffic forecasting models. Experimental results demonstrate that our multi-task learning approach achieves strong empirical performance, outperforming a number of baseline domain adaptation methods, while remaining highly efficient. The source code for this technical report is available at https://github.com/YichaoLu/Traffic4cast2021.
• Abstract（参考訳）: ディープニューラルネットワークは短期トラフィック予測において優れた性能を示している。 しかし、既存の交通予測システムの多くは、トレーニングデータとテストデータは、基礎となる同じ分布から引き出されており、実際の適用性が制限されていると仮定している。 NeurIPS 2021 Traffic4castチャレンジは、空間と時間のドメインシフトに対するトラフィック予測モデルの堅牢性を評価するための最初の試みである。 この技術的レポートは、この課題に対する我々の解決策を説明している。 特に,トラヒック予測モデルの時間的および時空間的領域適応のためのマルチタスク学習フレームワークを提案する。 実験の結果,マルチタスク学習手法は,多くのベースライン領域適応法よりも高い性能を示しながら,高い効率を保っていることがわかった。 このテクニカルレポートのソースコードはhttps://github.com/yichaolu/traffic4cast2021で入手できる。

関連論文リスト

• Liquid Neural Network-based Adaptive Learning vs. Incremental Learning for Link Load Prediction amid Concept Drift due to Network Failures [37.66676003679306]
  概念の漂流に適応することは、機械学習において難しい課題である。 通信ネットワークでは、障害イベントの後に交通予報を行う際にこのような問題が生じる。 本稿では,適応学習アルゴリズム,すなわち,データパターンの急激な変化を,再学習を必要とせずに自己適応できる手法を提案する。
  論文  参考訳（メタデータ） (2024-04-08T08:47:46Z)
• Optimal transfer protocol by incremental layer defrosting [66.76153955485584]
  トランスファーラーニングは、限られた量のデータでモデルトレーニングを可能にする強力なツールである。 最も単純な転送学習プロトコルは、データリッチなソースタスクで事前訓練されたネットワークの機能抽出層を凍結する。 このプロトコルは、しばしば準最適であり、事前学習されたネットワークの小さな部分を凍結したままにしておくと、最大の性能向上が達成される可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T17:32:11Z)
• 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)
• Transfer Learning Based Efficient Traffic Prediction with Limited Training Data [3.689539481706835]
  インターネットトラフィックの効率的な予測は、積極的な管理を確保するための自己組織化ネットワーク(SON)の不可欠な部分である。 限られた訓練データを用いたネットワークトラフィック予測における深部シーケンスモデルは、現在研究されている研究で広く研究されていない。 不適切な歴史データを用いた交通予測における深層移動学習手法の性能について検討・評価を行った。
  論文  参考訳（メタデータ） (2022-05-09T14:44:39Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities [9.891703123090528]
  本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。 DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。 3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2022-02-08T03:58:39Z)
• Omni-Training for Data-Efficient Deep Learning [80.28715182095975]
  近年の進歩により、適切に訓練されたモデルが重要な特性であるトランスファービリティを持つことが明らかとなった。 事前訓練とメタトレーニングの厳密な組み合わせは、どちらの種類のトランスファー可能性も達成できない。 このことが提案されているOmni-Trainingフレームワークを,データ効率のよいディープラーニングに動機付けている。
  論文  参考訳（メタデータ） (2021-10-14T16:30:36Z)
• Regularizing Generative Adversarial Networks under Limited Data [88.57330330305535]
  本研究は、限られたデータ上で堅牢なGANモデルをトレーニングするための正規化手法を提案する。 正規化損失とLeCam-divergenceと呼ばれるf-divergenceの関連性を示す。
  論文  参考訳（メタデータ） (2021-04-07T17:59:06Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
  混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。 生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。 我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
  論文  参考訳（メタデータ） (2020-06-23T08:49:46Z)
• Deep Echo State Networks for Short-Term Traffic Forecasting: Performance Comparison and Statistical Assessment [8.586891288891263]
  短期的な交通予測では、関心のある交通パラメータの将来の値を正確に予測することが目的である。 Deep Echo State Networksは、考慮されている他のモデリングモデルよりも正確なトラフィック予測を実現している。
  論文  参考訳（メタデータ） (2020-04-17T11:07:25Z)

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。