論文の概要: Big Data Application for Network Level Travel Time Prediction
- arxiv url: http://arxiv.org/abs/2201.05760v1
- Date: Sat, 15 Jan 2022 05:25:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-22 15:13:21.202669
- Title: Big Data Application for Network Level Travel Time Prediction
- Title(参考訳): ネットワークレベルの走行時間予測のためのビッグデータ応用
- Authors: Tianya T. Zhang, Ying Ye, Yu Kathy Zhang
- Abstract要約: 本稿では,ビッグデータ分析エンジンのApache SparkとApache MXNetを用いてデータ処理とモデリングを行う。
階層的な特徴プーリングは、層と出力層LSTMの両方に対して探索される。
次に自己注意モジュールを使用して、時間的特徴と空間的特徴を完全に接続された層に接続し、単一のリンク/ルートではなく、すべての廊下の移動時間を予測します。
- 参考スコア(独自算出の注目度): 0.4125187280299246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Travel time is essential in advanced traveler information systems (ATIS).
This paper used the big data analytics engines Apache Spark and Apache MXNet
for data processing and modeling. The efficiency gain was evaluated by
comparing it with popular data science and deep learning frameworks. The
hierarchical feature pooling is explored for both between layer and the output
layer LSTM (Long-Short-Term-Memory). The designed hierarchical LSTM (hiLSTM)
model can consider the dependencies at a different time scale to capture the
spatial-temporal correlations from network-level corridor travel time. A
self-attention module is then used to connect temporal and spatial features to
the fully connected layers, predicting travel time for all corridors instead of
a single link/route. Seasonality and autocorrelation were performed to explore
the trend of time-varying data. The case study shows that the Hierarchical LSTM
with Attention (hiLSTMat) model gives the best result and outperforms baseline
models. The California Bay Area corridor travel time dataset covering four-year
periods was published from Caltrans Performance Measurement System (PeMS)
system.
- Abstract(参考訳): 旅行時間はadvanced traveler information systems (atis) において必須である。
本稿では,ビッグデータ分析エンジンのApache SparkとApache MXNetを用いてデータ処理とモデリングを行った。
効率性は、一般的なデータサイエンスやディープラーニングフレームワークと比較することで評価された。
階層的な特徴プーリングは、層と出力層LSTM(Long-Short-Term-Memory)の両方に対して探索される。
設計した階層型LSTM(hiLSTM)モデルは,ネットワークレベルの経路移動時間から空間的時間的相関を捉えるために,異なる時間スケールで依存関係を考慮できる。
セルフアテンションモジュールは、時間的および空間的な特徴を、完全に接続された層に結びつけ、単一のリンク/ルートではなく、すべての廊下の走行時間を予測するために使用される。
時系列データの動向を探るため,季節と自己相関を行った。
ケーススタディでは、階層型LSTM with Attention(hiLSTMat)モデルが最も良い結果を与え、ベースラインモデルより優れていた。
Caltrans Performance Measurement System (PeMS)システムからカリフォルニアベイエリア回廊走行時間データセットが4年間にわたって公表された。
関連論文リスト
- GATGPT: A Pre-trained Large Language Model with Graph Attention Network
for Spatiotemporal Imputation [19.371155159744934]
実世界の環境では、センサーの故障やデータ転送エラーなどの問題により、そのようなデータには欠落する要素がしばしば含まれる。
時間的計算の目的は、観測された時系列における固有の空間的および時間的関係を理解することによって、これらの欠落値を推定することである。
伝統的に、複雑な時間的計算は特定のアーキテクチャに依存しており、適用可能性の制限と高い計算複雑性に悩まされている。
対照的に、我々のアプローチは、事前訓練された大規模言語モデル(LLM)を複雑な時間的インプットに統合し、画期的なフレームワークであるGATGPTを導入している。
論文 参考訳(メタデータ) (2023-11-24T08:15:11Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳(メタデータ) (2023-06-14T05:48:36Z) - Multi model LSTM architecture for Track Association based on Automatic
Identification System Data [2.094022863940315]
トラックアソシエーションのためのLong Short-Term Memory (LSTM) ベースのマルチモデルフレームワークを提案する。
我々は、精度、リコール、F1スコアなどの標準的なパフォーマンス指標を用いて、アプローチのパフォーマンスを評価する。
論文 参考訳(メタデータ) (2023-04-04T03:11:49Z) - A CNN-LSTM Architecture for Marine Vessel Track Association Using
Automatic Identification System (AIS) Data [2.094022863940315]
本研究では,トラックアソシエーションのための1次元CNN-LSTMアーキテクチャに基づくフレームワークを提案する。
提案した枠組みは、自動識別システム(AIS)を介して収集された船舶の位置と動きデータを入力とし、最も可能性の高い船舶軌道をリアルタイムで出力として返す。
論文 参考訳(メタデータ) (2023-03-24T15:26:49Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-20T22:25:47Z) - Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic
Prediction [1.6449390849183363]
本稿では,トラフィック予測のための自動拡張時間同期グラフネットワーク予測であるAuto-DSTSを提案する。
具体的には,短期および長期の相関関係を捉えるための自動拡張時間時間グラフ (Auto-DSTS) モジュールを提案する。
我々のモデルは最先端の手法と比較して約10%改善できる。
論文 参考訳(メタデータ) (2022-07-22T00:50:39Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - DS-Net: Dynamic Spatiotemporal Network for Video Salient Object
Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。
提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2020-12-09T06:42:30Z) - Object Tracking through Residual and Dense LSTMs [67.98948222599849]
LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。
DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。
ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
論文 参考訳(メタデータ) (2020-06-22T08:20:17Z) - Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network
for Forecasting Network-wide Traffic State with Missing Values [23.504633202965376]
我々は、RNNベースのモデルに注目し、RNNとその変種を交通予測モデルに組み込む方法を再検討する。
トラフィック状態予測のためのニューラルネットワーク構造の設計を支援するために,スタック型双方向・一方向LSTMネットワークアーキテクチャ(SBU-LSTM)を提案する。
また,LSTM構造(LSTM-I)におけるデータ計算機構を提案する。
論文 参考訳(メタデータ) (2020-05-24T00:17:15Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z)
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。